لم يعد الذكاء الاصطناعي التوليدي (GenAI) مجرد كلمة طنانة بعد الآن. إنها تتطور كقوة تحويلية تعيد تشكيل العالم. كان عام 2023 عامًا متميزًا بالنسبة للشركات الناشئة في GenAI، حيث تجاوز تمويل الأسهم 21.8 مليار دولار، وهو ما يعادل 4 أضعاف مقارنة بـ XNUMX مليار دولار.
2022
لقد كانت صناعة الخدمات المصرفية والمالية دائمًا في طليعة التكيف مع التقنيات الثورية وتطوير حالات الاستخدام. تتمتع GenAI بأهمية كبيرة في مجال الخدمات المصرفية، وتبشر بعصر جديد من الكفاءة والدقة والابتكار.
ووفقا لشركة ماكينزي، يمكن لهذه التكنولوجيا أن تحقق قيمة إضافية تعادل 200 مليار دولار إلى 340 مليار دولار سنويا في جميع أنحاء الصناعة المصرفية.
في حين أن الأضواء غالبًا ما تسلط على التطبيقات التي تواجه العملاء مثل الذكاء الاصطناعي للمحادثة، وروبوتات الدردشة، وروبوتات الصوت وما إلى ذلك، فإن إغفال المكتب الخلفي المصرفي سيكون فرصة ضائعة. في صناعة تعتبر فيها البيانات حجر الزاوية، فإن قدرة GenAI على المعالجة هائلة
إن كميات كبيرة من المعلومات، وفهم السياق، والتعرف على الأنماط المعقدة، وتوليد رؤى ذات معنى يمكن أن تشكل حقًا مستقبل المكتب الخلفي.
على الرغم من وجود عدد كبير من الإمكانيات مع Gen AI، إلا أننا في هذه المدونة سنتعمق في 4 حالات استخدام مختارة من المكتب الخلفي المصرفي، والتي لديها القدرة على إحداث تأثير مفيد:
1- تقييم مخاطر الائتمان والاكتتاب:
تجمع البنوك كمية كبيرة من البيانات عن المتقدمين، بما في ذلك درجات الائتمان والتاريخ المالي وتفاصيل الدخل والنفقات والمزيد. تتضمن عمليات الاكتتاب التقليدية إدخال البيانات وتحليلها يدويًا، مما يؤدي إلى التأخير والأخطاء المحتملة. جيناي
يتدخل من خلال جمع البيانات وتنقيتها وإعدادها تلقائيًا من مصادر مختلفة، مما يضمن الدقة والاتساق.
بمجرد توفر بيانات عالية الجودة، يستخدم GenAI خوارزميات متقدمة لاستخراج الميزات ذات الصلة من البيانات. ويحدد الأنماط والارتباطات والاتجاهات التي قد لا تكون واضحة من خلال التحليل اليدوي. وهذا يساعد على كشف العلاقات المعقدة
التي يمكن أن تؤثر على مخاطر الائتمان. يستخدم GenAI التعلم العميق وينشئ نماذج مخاطر معقدة للغاية تتجاوز أنظمة تسجيل الائتمان التقليدية، وتتضمن بيانات ديناميكية وفي الوقت الفعلي.
يقوم GenAI بإنشاء سيناريوهات اصطناعية تحاكي الظروف الاقتصادية المختلفة واتجاهات السوق وسلوكيات المقترض. تساعد هذه السيناريوهات في تقييم التأثير المحتمل للعوامل الخارجية على سداد القروض ويمكن أن تساعد البنوك على تحسين دقة المخاطر
التنبؤات. ويمكنه أيضًا الإبلاغ عن علامات الإنذار المبكر للضائقة المالية أو التخلف عن السداد من خلال تحليل أنماط المعاملات وعادات الإنفاق ونقاط البيانات الأخرى.
ولا يؤدي هذا إلى تقليل الوقت اللازم لاتخاذ قرارات الائتمان فحسب، بل يضمن أيضًا أن تستند القرارات إلى رؤى تعتمد على البيانات بدلاً من الأحكام الذاتية والمتحيزة.
2- معالجة تعليمات وطلبات العملاء:
حتى بعد التغييرات الثورية والترقيات في قدرات الخدمة الذاتية، فإن البنوك غارقة في كميات كبيرة من تعليمات العملاء وطلباتهم التي تحتاج إلى معالجتها يدويًا في المكاتب الوسطى والخلفية.
تم تجهيز GenAI بقدرات معالجة متقدمة للغة الطبيعية تمكنه من فهم طلبات العملاء وتفسيرها، بغض النظر عن الصياغة أو اللغة المستخدمة. يتضمن ذلك التعرف على الكلمات الرئيسية والنوايا وتحليل المشاعر لفهمها
احتياجات العميل بدقة. بمجرد تفسير طلب العميل، يمكن لـ GenAI استرداد البيانات ذات الصلة من نظام سجلات البنك. يتضمن ذلك معلومات الحساب وسجل المعاملات وأي تفاصيل أخرى ذات صلة تتعلق بالعميل
طلب. بناءً على تعليمات العميل والبيانات المتاحة، تتخذ GenAI قرارات تلقائية ضمن معلمات محددة مسبقًا.
على سبيل المثال، إذا طلب العميل تغيير دورة الفوترة لبطاقة الائتمان، فيمكن لـ GenAI جلب تفاصيل العميل، والإشارة إلى سياسة البنك، وتحليل الطلبات المماثلة، واتخاذ القرار، ومعالجة الطلب في نظام بطاقة الائتمان دون تدخل يدوي.
في الحالات التي تتضمن فيها طلبات العملاء أي استثناءات، يمكن لـ GenAI تحليل الموقف وإنشاء استجابات مناسبة وشخصية. ويمكنه أيضًا اقتراح حلول محتملة بناءً على الأنماط أو السياق التاريخي.
3- كشف الاحتيال ومنعه والتحقيق فيه:
يستمر المحتالون في تطوير وتغيير تكتيكاتهم باستمرار. ومن ثم، يجب أن تعتمد أنظمة إدارة الاحتيال على استراتيجيات تكيفية. تعد GenAI أداة قوية لمعالجة الاحتيال بشكل فعال. لا يعتمد GenAI على القواعد الثابتة. ويستخدم استراتيجيات التكيف والسياق.
إذا قام المحتالون بتغيير تكتيكاتهم، فإنها تتطور لاكتشاف الأنماط والشذوذات الجديدة والناشئة.
يقوم GenAI بجمع البيانات من مصادر متنوعة بما في ذلك المعاملات والقنوات وسلوك المستخدم وأنماط الأجهزة وعناوين IP وبيانات الموقع الجغرافي وقواعد بيانات الطرف الثالث وحالات الاحتيال التاريخية ومؤشرات المخاطر الخارجية ويدمج هذه البيانات المتنوعة، مما يؤدي إلى إنشاء
نظرة شاملة وكلية للنظام البيئي المصرفي. فهو يتعرف على الأنماط والشذوذات والارتباطات التي تشير إلى أنشطة احتيالية محتملة.
تقوم GenAI بإنشاء بيانات اصطناعية تحاكي سلوكيات المعاملات العادية والاحتيالية. تُستخدم هذه البيانات الاصطناعية لتدريب نماذج الكشف عن الاحتيال، مما يجعلها أكثر قوة وقدرة على التكيف مع التكتيكات الجديدة التي يستخدمها المحتالون. عندما يشير إلى احتمال الاحتيال
معاملة أو سلوك، فإنه يطلق تنبيهًا للمحللين البشريين أو الأنظمة الآلية لمزيد من التحقيق. بالنسبة للمعاملات التي تم الإبلاغ عنها، توفر GenAI رؤى وسياقًا للمحللين البشريين، مما يساعد المحللين على اتخاذ قرارات مستنيرة بسرعة. ويمكن حتى تلقائيا
الموافقة على المعاملات منخفضة المخاطر، مما يقلل من وقت الدورة ويعزز الإنتاجية. يتم دمج قرارات وملاحظات المحللين البشريين في عملية التعلم الخاصة بـ GenAI لتعزيز الأداء والحفاظ على توافقه مع أحدث إستراتيجيات الكشف عن الاحتيال.
4- تسريع أتمتة المكاتب الخلفية إلى الأتمتة المفرطة:
يمكن أن يلعب GenAI دورًا حاسمًا في تعزيز قدرات أدوات الأتمتة مثل أتمتة العمليات الروبوتية (RPA) والتعرف البصري على الأحرف (OCR). يمكن أن يساعد في معالجة الاستثناءات وحالات الفشل التي تواجهها روبوتات RPA، مما يقلل الحاجة إلى الاستخدام اليدوي
التدخل وتحسين الكفاءة الشاملة للعمليات الآلية. تتبع روبوتات RPA قواعد محددة مسبقًا، ولكنها غالبًا ما تواجه استثناءات تقع خارج هذه القواعد. يمكن استخدام GenAI لتحليل هذه الاستثناءات وفهم السياق وإنشاءها
الاستجابات أو الحلول المناسبة. بالنسبة للاستثناءات المعقدة، يمكن لـ GenAI تحليل بيانات الفشل وإنشاء تفسيرات يمكن قراءتها بواسطة الإنسان، مما يساعد فرق تكنولوجيا المعلومات أو مستخدمي الأعمال على فهم سبب حدوث الاستثناء. وبالمثل، يمكن لـ GenAI تحليل وتصحيح التعرف الضوئي على الحروف
الأخطاء من خلال مقارنة النص المستخرج بالأنماط المعروفة والبيانات التاريخية والمعلومات السياقية.
يمكن لـ GenAI التعلم بشكل مستمر من الاستثناءات والفشل مع مرور الوقت. ومع مواجهته لمزيد من الحالات، يصبح أفضل في تحديد الأنماط والتنبؤ بالاستثناءات المحتملة. يمكّن هذا التعلم في الوقت الفعلي شركة GenAI من التعامل مع الاستثناءات الأكثر تعقيدًا
مع الوقت.
من خلال الجمع بين GenAI وRPA وOCR، يمكن للبنوك تحقيق مستوى أعلى من نضج الأتمتة. يتيح هذا التآزر الأتمتة المفرطة، ويقلل من التدخل اليدوي، ويعزز كفاءة ودقة العمليات، مما يؤدي في النهاية إلى تحسين العملاء
الخبرات والتميز التشغيلي.
يمثل دمج GenAI في عمليات المكاتب الخلفية المصرفية قفزة كبيرة إلى الأمام في رحلة التحول الرقمي في الصناعة. ومن المتوقع أن تجني البنوك فوائد كبيرة من تعزيز عملية صنع القرار وتحسين الكفاءة التشغيلية
لتعزيز التدابير الأمنية وتمهيد الطريق للأتمتة المفرطة. مع استمرار تطور المشهد المالي، سيكون تبني تقنيات GenAI أمرًا بالغ الأهمية للبنوك لتظل قادرة على المنافسة والرشاقة والمرونة في بيئة السوق المتغيرة باستمرار.
المراجع:
الإمكانات الاقتصادية للذكاء الاصطناعي التوليدي | ماكينزي
تقرير CB Insights عن حالة الذكاء الاصطناعي التوليدي
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.finextra.com/blogposting/25828/generative-ai-can-it-be-banking-backoffices-new-best-friend?utm_medium=rssfinextra&utm_source=finextrablogs
