AI a banki és pénzügyi szektorban. Stripe, Monzo és Grab | AI az üzletben #78

AI a banki szektorban – bevezetés

A mesterséges intelligencia már széles körben alkalmazott a banki és pénzügyi szektor számos területén. Nem csupán ügyfélszolgálati chatbotokról vagy jól védett alkalmazásokról van szó. A mesterséges intelligenciát a pénzügyi iparban még komolyabb célokra is használják. Íme a mesterséges intelligencia fő alkalmazásai a banki szektorban:

• Csalás észlelés és megelőzés – fejlett algoritmusok valós időben elemzik a tranzakciókat, és észlelik a gyanús tevékenységi mintákat. Ez hatékonyan védi meg az ügyfeleket a csalásoktól,
• Pénzügyi likviditás előrejelzésének optimalizálása – AI-alapú prediktív modellek hatalmas mennyiségű adatot elemeznek, hogy pontosan előre jelezzék a jövőbeli pénzáramlásokat és pontosabban kezeljék a likviditást.
• A hitelképesség-értékeléshez kapcsolódó folyamatok egyszerűsítése – itt is a gépi tanulási algoritmusok segítenek, amelyek a több ezer hitelkérelm elemzése alapján pontosan fel tudják mérni egy ügyfél pénzügyi hitelességét,
• Ajánlatok és ajánlások személyre szabása az ügyfelek számára – a bankok fejlett ajánlási modelleket használnak, hogy a pénzügyi termékeket az egyéni ügyféligényekhez igazítsák,
• Háttérfolyamatok automatizálása – a rutinfeladatok, mint például a dokumentumok ellenőrzése vagy a tranzakciók rendezése, teljesen automatizálhatók az AI segítségével.

De hogyan boldogultak a globális piacokon működő cégek ezen innovációk bevezetésével?

Stripe: tranzakciós hitelesség az AI segítségével a pénzügyekben

A mesterséges intelligencia pénzügyi alkalmazásának egyik vezetője a Stripe. Kifejlesztett egy Stripe Radar nevű rendszert, amely kevesebb mint 100 milliszekundum alatt több mint 1,000 tranzakciós jellemzőt elemez a megbízhatóságának értékelésére. A rendszer 99,9%-os pontossággal működik, miközben alacsony hamis riasztási arányt tart fenn.

Hogyan érték el ezt? Először is, a Stripe fejlett gépi tanulási technikákat, például mély neurális hálózatokat használ. A rendszert folyamatosan fejlesztik és új képességekkel bővítik, mint például a transzfer tanulás.

Másodszor, a cég folyamatosan új jeleket keres a tranzakciós adatokban, amelyek segíthetnek az anomáliák azonosításában, amelyek potenciális csalásra utalnak. A Stripe mérnökei gondosan átnézik az egyes csalási eseteket, hogy megértsék a bűnözők működési mintáit, és további szabályokkal gazdagítsák a rendszert.

A Stripe Radar kiváló példa arra, hogyan védheti meg hatékonyan az ügyfeleket a pénzügyi csalásoktól a mesterséges intelligencia a banki szektorban.

Forrás: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: AI a pénzügyekben

A Monzo, egy Egyesült Királyságban működő neobank, amely kizárólag digitális térben működik, a gépi tanulási képességeket egy teljesen más területen alkalmazta: a marketingkampányok optimalizálásában.

A bank olyan modelleket épített, amelyek a történeti adatok alapján képesek megbecsülni, hogy egy adott ügyfél mennyire hajlandó kihasználni egy további ajánlatot, például megtakarítási számla nyitását, ha egy konkrét üzenetet kap a banktól.

A kampány hatékonyságának maximalizálása érdekében a rendszer megmutatja, hogy mely ügyfeleknek mely promóciós üzeneteket kellene megkapniuk. Ez lehetővé teszi az üzenet pontos célzását, és jelentősen jobb eredmények elérését, mint a tömeges, nem személyre szabott kommunikáció esetén.

Egyes esetekben az ilyen optimalizálás megvalósítása lehetővé tette a Monzo számára, hogy a kampányok hatékonyságát akár 200%-kal növelje! Ez bemutatja, hogyan segíthet a mesterséges intelligencia a banki szektorban az ügyfelek hatékonyabb elérésében, személyre szabott ajánlatokkal, amelyek rezonálnak velük.

Forrás: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: AI az érzékeny adatok osztályozásában

A Grab egy délkelet-ázsiai technológiai óriás, amely olyan szolgáltatásokat kínál, mint a szállítás és a kézbesítés. A cég úgy döntött, hogy kihasználja a Nyelvi Modellek (LLM) képességeit az általa tárolt érzékeny adatok osztályozási folyamatának automatizálására. Ez kulcsfontosságú, mivel a cég ügyfelei személyes és pénzügyi adatait kezeli.

E célból egy sor címkét készítettek, amelyek különböző adat kategóriákat írnak le, például:

• Személyes adatok,
• Kapcsolattartási információk,
• Azonosító számok.

Következő lépésként megfelelő lekérdezéseket terveztek a nyelvi modell számára, hogy automatikusan hozzárendelje ezeket a címkéket az adatbázisok táblanevei és oszlopnevei alapján.

Ennek eredményeként a Grab sokkal gyorsabban és olcsóbban tudja osztályozni a tárolt információkat érzékenység szerint. Ez megkönnyíti az adat-hozzáférési és adatvédelmi politikák érvényesítését. A cég becslése szerint a megoldás évente akár 360 munkanapot is megtakarított, amelyeket korábban manuális adatklasszifikálásra fordítottak.

Forrás: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Összefoglalás. A mesterséges intelligencia jövője a banki és pénzügyi szektorban

A Stripe, Monzo és Grab példái azt mutatják, hogy a mesterséges intelligencia már valós üzleti értéket teremt a bankok és pénzügyi intézmények számára. Segíthet a csalások hatékonyabb megelőzésében, az ügyfelek pontosabb célzásában, vagy a fárasztó feladatok automatizálásában.

A következő években a mesterséges intelligencia szerepe a banki szektorban folyamatosan növekedni fog. Várhatóan teljesen automatizálják a sok háttérfolyamatot, hiper-személyre szabják a pénzügyi termékeket, és szorosabb integrációt valósítanak meg a gépi tanulási modellek és a banki rendszerek között.

Ha tetszik a tartalmunk, csatlakozz a nyüzsgő méheink közösségéhez a Facebookon, Twitteren, LinkedInen, Instagramon, YouTube-on, Pinterest-en, TikTokon.