Kecerdasan Buatan (AI) telah menjadi arus utama dan siap merevolusi operasi di sektor perbankan. Beberapa faktor telah memicu lonjakan ini, terutama pertumbuhan eksponensial dalam volume dan kompleksitas data, sehingga meningkatkan tekanan terhadap layanan cepat
dan pengambilan keputusan yang tepat, dan pentingnya transparansi. Meskipun AI generatif akan sangat berharga dalam membantu bank meringkas data dalam jumlah besar, dan Anda mungkin perlu membisikkannya, ini bukan satu-satunya teknologi yang mendorong otomatisasi di dunia.
sektor perbankan. 

AI Dimulai dengan Konteks 

Dalam pemodelan risiko, pemilihan titik atau fitur data masukan merupakan hal yang sangat penting, seringkali melebihi pemilihan model atau algoritma. Dalam industri yang terikat oleh persyaratan peraturan yang ketat untuk pemodelan transparansi dan penjelasan, ruang lingkupnya adalah
pemilihan model sering kali dibatasi, sehingga meningkatkan pentingnya fitur masukan sebagai penentu utama keberhasilan atau kegagalan model. Oleh karena itu, pertanyaan pentingnya adalah: bagaimana kita dapat mengilhami fitur-fitur kita dengan relevansi kontekstual yang maksimal? 

Fitur berbasis jaringan muncul sebagai mekanisme yang kuat untuk memasukkan sejumlah besar informasi ke dalam model sambil menjunjung tinggi pentingnya transparansi dan penjelasan. Salah satu pendekatan yang efektif memerlukan pemanfaatan jaringan entitas dokumen yang dipesan lebih dahulu
menghasilkan fitur yang menggambarkan keterhubungan bisnis dan individu. Misalnya, pemanfaatan fitur jaringan, yang menggambarkan hubungan antara perusahaan dan direkturnya, dapat berfungsi sebagai masukan penting bagi perusahaan cangkang pembelajaran mesin
model deteksi, dalam beberapa kasus menghasilkan peningkatan kinerja sebesar 20% dibandingkan dengan hanya mengandalkan fitur tingkat rekaman. 

Keluaran dari model tersebut—prediksi mengenai perusahaan cangkang dan agen yang mengatur pembentukannya—memiliki implikasi untuk memperkuat upaya deteksi risiko di bidang Anti-Pencucian Uang (AML), Kenali Pelanggan Anda (KYC), dan mitigasi Penipuan
domain. 

Dengan memanfaatkan gabungan teknologi AI, bank dapat mengintegrasikan keahlian subjek dengan berbagai pembelajaran mesin dan teknik pembelajaran mendalam, serta akses ke data industri yang luas, terstruktur dan tidak terstruktur. Pendekatan komprehensif ini meningkatkan kemampuan beradaptasi,
akurasi, dan efektivitas model. Memanfaatkan keahlian dan pengetahuan domain di seluruh proses pengembangan model memastikan akurasi dan kepercayaan yang tinggi dalam memecahkan masalah bisnis yang kompleks. Singkatnya, bank yang ingin menerapkan AI harus menghindari ketergantungan terhadap AI
satu model, teknik atau pendekatan. Melakukan hal ini dapat menyebabkan keterbatasan dalam perspektif, kemampuan beradaptasi dan kinerja.  

Pentingnya Fitur Jaringan 

Jaringan menawarkan kerangka serbaguna untuk memodelkan hubungan entitas di berbagai konteks. Misalnya, jaringan yang menggambarkan transaksi pembayaran antar pihak dapat mengungkap tanda-tanda penyimpangan keuangan. Dengan meneliti pola-pola tertentu di dalamnya
jaringan—seperti siklus transaksi dengan besaran serupa—bank dapat menemukan risiko yang mungkin tidak dapat dideteksi ketika memeriksa transaksi secara terpisah. Selain itu, bila dilengkapi dengan gudang berisi contoh penipuan yang diketahui, fitur jaringan
seperti frekuensi perubahan arah atau pembayaran bersiklus dapat memperkuat model pembelajaran yang diawasi, sehingga meningkatkan kapasitas prediktifnya untuk skenario risiko di masa depan. 

Salah satu jaringan yang sangat menonjol untuk memodelkan risiko perusahaan adalah hierarki hukum organisasi, yang mencakup direktur, pemegang saham, dan anak perusahaan. Atribut mendasar seperti ukuran jaringan, kepadatan koneksi, dan lapisan hierarki berfungsi sebagai
dimensi yang sangat berharga untuk segmentasi dan pembuatan fitur dalam model pembelajaran yang diawasi, sehingga meningkatkan kemampuan kami untuk membedakan dan memitigasi potensi risiko secara efektif.  

Bagi penyelidik dan analis, di sinilah analisis grafik hadir dengan memungkinkan mereka menganalisis, memvisualisasikan, dan memahami hubungan tersembunyi di seluruh kumpulan data yang berbeda. Yang terpenting, ini terukur dan intuitif, memungkinkan tim untuk melintasi miliaran orang
tepian tanpa mengorbankan throughput dengan kueri frekuensi tinggi.  

Resolusi Entitas Mengubah Masa Depan Perbankan 

Resolusi entitas memanfaatkan teknik AI dan Pembelajaran Mesin yang canggih untuk mengurai, membersihkan, dan menstandardisasi data, sehingga memungkinkan identifikasi entitas di seluruh kumpulan data yang berbeda dengan andal. Proses ini melibatkan pengelompokan catatan terkait, menggabungkan atribut
untuk setiap entitas, dan membuat koneksi berlabel antara entitas dan rekaman sumbernya. Dibandingkan dengan pendekatan pencocokan catatan-ke-catatan tradisional, resolusi entitas menawarkan peningkatan kemanjuran yang signifikan. 

Daripada mencoba menghubungkan secara langsung setiap rekaman sumber, organisasi dapat memperkenalkan node entitas baru sebagai titik pusat untuk menghubungkan data dunia nyata. Resolusi entitas berkualitas tinggi tidak hanya memfasilitasi penautan data internal namun juga memungkinkan integrasi
sumber data eksternal yang berharga, seperti pencatatan perusahaan, yang sebelumnya sulit untuk dicocokkan secara akurat. 

Integrasi teknologi resolusi entitas dalam sektor perbankan menandai lompatan maju yang signifikan, memungkinkan bank untuk melakukan transisi dari proses berbasis batch ke penawaran produk dan layanan yang hampir real-time di seluruh kerangka layanan omnichannel. Ini
evolusi dapat melampaui kontra-penipuan untuk mencakup seluruh interaksi pelanggan melalui berbagai titik kontak, termasuk pusat panggilan, cabang, dan saluran digital, sehingga memastikan pengalaman pelanggan yang lancar dan dinamis. 

AI generatif memiliki peran penting 

Pada tahun depan, saya memperkirakan asisten AI generatif yang memanfaatkan Model Bahasa Besar (LLM) akan semakin lazim di perbankan. AI Generatif memungkinkan antarmuka yang intuitif dan percakapan, sehingga meningkatkan efisiensi bagi para analis
terlibat dalam identifikasi risiko dalam investigasi. Bagi organisasi, potensi keuntungannya sangat besar, karena asisten AI ini memberdayakan semua personel analis untuk bekerja di level penyelidik paling berpengalaman. Banyak dari asisten ini yang akan melakukannya
menjadi LLM-agnostic, memberikan fleksibilitas bagi bisnis untuk menggunakan model pilihan mereka, baik model berpemilik, sumber terbuka, atau tersedia secara komersial seperti ChatGPT dari OpenAI. Ketika diintegrasikan dengan aspek lain dari tumpukan AI komposit, hal ini akan mendukung
resolusi entitas, analisis grafik, dan kemampuan penilaian, membuka potensi yang belum pernah terjadi sebelumnya dengan mengaktifkan kueri dan perintah bahasa alami.  

Yang terpenting, semua produk AI generatif tidak dapat bertindak sebagai pelengkap atau terpisah dari otomatisasi AI yang lebih luas. Hasil yang akan dihasilkan hanya sebaik data, konteks, dan teknologi resolusi entitas yang menjadi dasar pembuatannya. Bank ingin menerapkannya
AI generatif harus berpikir lebih luas tentang bagaimana berbagai teknologi dapat masuk ke dalam rangkaian teknologi otomasi AI mereka.  

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs