AI를 통한 강화: BFSI(Akshay Berry)의 새로운 가능성 탐색

진화하는 고객 선호도와 디지털 파괴자의 출현은 은행 환경을 빠르게 변화시키고 있습니다. 은행이 제품 모델로서의 뱅킹에서 생태계 경험으로 진화함에 따라 비즈니스 프로세스, IT 아키텍처 및 운영 모델에 대한 변화가 필요합니다.

효율성과 경험에 대한 관심이 높아짐에 따라 디지털 기술이 전환에 중요한 역할을 하기 시작했습니다. 오늘날 자동화는 기업이 효율적이고 비용 효율적인 운영을 수행하고 진화하는 고객 요구에 대규모로 대응할 수 있도록 하는 중추적인 역할을 합니다.

자동화 자체가 진화함에 따라 AI 기술과 얽히면서 지능형 자동화의 기회가 열렸습니다. AI 기술 성숙도와 함께 우호적인 정부 정책은 BFS 산업의 채택 전망을 더욱 강화하고 있습니다.

자동화 및 지능형 자동화에 대한 과장 광고가 필요한 이유는 무엇입니까?

자동화 기술은 시스템 위험을 제공한 후 배치될 때 속도와 정확성 측면에서 인간의 의사 결정을 개선할 수 있는 잠재력을 가지고 있습니다. 가치 창출의 잠재력은 아마도 산업 및 사용 사례 전체에서 가장 클 것입니다. 이 기술은 대규모 자동화로 생성된 효율성, 오류율 감소 및 리소스 활용 개선을 통해 비용을 절감하는 데 도움이 될 수 있습니다. 또한 방대한 양의 데이터에서 통찰력을 생성하고 처리하는 향상된 기능을 기반으로 새롭고 실현되지 않은 기회를 발견할 수 있습니다. 문서 처리의 이러한 인텔리전스는 기존 자동화 도구가 효율적으로 처리할 수 없는 구조화되지 않은 데이터의 양이 증가함에 따라 은행에 매우 중요합니다.

조직의 시스템 및 프로세스에 자동화를 포함하기 위한 혁신적 기능과 막대한 투자에도 불구하고 조직 전체에서 자동화 기술을 활용하는 데 성공한 은행은 거의 없습니다. 은행은 드로잉 보드에서 수익 창출 가능한 사용 사례를 확장하는 데 어려움을 겪었습니다. 그 이유에는 명확한 기업 전략의 부재, 융통성 없는 기술 핵심, 파편화된 데이터 자산, 비즈니스 팀과 기술 팀 간의 협업을 방해하는 구식 운영 모델이 포함됩니다.

IT 자동화 - 하나의 크기가 모든 것에 적합하지 않음

사용 사례 및 비즈니스 결과에 맞게 컨텍스트화된 IT 자동화는 조직에 긍정적인 결과와 측정 가능한 이점으로 이어질 가능성이 높습니다. JP Morgan, Morgan Stanley 등과 같은 주요 금융 기관은 인공 지능, 데이터 분석 및 IDP(지능형 문서 처리)를 시스템에 통합하고 각 비즈니스 라인에 맞게 조정하여 광범위한 자동화 결과를 달성하고 있습니다.

지불 :

사기 탐지는 주요 사용 사례입니다. 자동화는 수동 검증 비용을 줄이는 데 도움이 되며 사기 거래를 식별하기 위한 응답 시간을 개선합니다. 강력한 사기 관리 관행은 또한 규제 벌금 및 막대한 규정 준수 비용을 방지하는 데 도움이 됩니다.

대출

고객 온 보딩: 애플리케이션 심사 및 데이터 입력을 자동화하여 고객 온보딩을 신속하게 처리할 수 있습니다. 일상적인 KYC 작업 자동화는 고객당 KYC 비용을 줄이고 처리 시간을 단축하며 정보 조정을 개선합니다. 여기에서 자동화된 데이터 관리가 핵심입니다.

신용 보험: 수입, 지출 및 순자산 평가를 통한 고객 및 규제 보고의 자동화는 또한 고객에게 시간 제약이 있는 대출 신청 처리와 함께 향상된 의사 결정을 제공하는 데 도움이 됩니다. 데이터 이상 현상을 방지하고 고객 데이터의 신성함을 유지합니다.

자본 시장

입력 피드 자동화(미들에서 백오피스로): 자동화는 거래 거래를 적시에 실행하기 위해 여러 입력 필드를 단일 통합 다운스트림 흐름으로 통합하는 데 도움이 됩니다. 이를 통해 거래 실행 통과율을 개선하고 거래 실행 효율성을 높이고 거래당 비용을 절감합니다.

마찬가지로 보고는 자본 시장 거래 활동의 필수적인 부분입니다. 프로세스 준비 이미지 및 문서 캡처를 통해 투자자 및 규제 기관에 대한 지속적인 보고를 통해 FTE 비용을 줄이고 인력 집중을 보다 고객 중심적인 활동으로 전환할 수 있습니다.

고객 온보딩 및 KYC, 모기지, 대출 신청 처리와 같은 프로세스에는 복잡성과 다양성이 가득한 많은 양의 문서가 있는 경향이 있습니다. 따라서 IDP 채택을 위한 이상적인 경쟁자가 됩니다. 팬데믹으로 인해 이미 존재하는 원격 인력 모델과 함께 현재의 글로벌 경기 침체는 더 강력한 IDP 푸시를 필요로 합니다.

AI로 자동화 강화

기업이 자동화 여정을 진행함에 따라 RPA와 같은 기술은 이제 인공 지능의 잠재력으로 스스로를 향상시켜 지능형 자동화로 알려진 것을 발생시킵니다. 자동화 솔루션을 AI 기술과 결합함으로써 금융 서비스 회사는 특정 작업 자동화에서 임베디드 인텔리전스를 사용하여 엔드 투 엔드 프로세스 자동화로 이동할 수 있습니다. 지능형 자동화(IA)는 인공 지능(AI), 기계 학습(ML), 자연어 처리(NLP) 및 프로세스 자동화를 결합하여 비즈니스 결과를 최적화합니다. 일상적인 작업을 자동화하는 대신 IA로 비즈니스 결과를 자동화하면 고객 경험이 향상되고 운영 효율성이 향상되며 많은 자동화 집약적 영역에서 AI를 활용할 수 있는 경로가 제공됩니다.

예를 들어 지능형 자동화는 고객 관리 직원이 로그인을 자동화하거나 작업을 주문하여 고객이 더 빠르고 개선된 서비스를 받을 수 있도록 함으로써 업무를 더 잘 수행하도록 지원할 수 있습니다. 지능형 자동화를 적용할 수 있는 다른 예로는 계정 폐쇄, 알림 트리거, 계정 차단 및 운영 효율성과 전반적인 고객 경험을 개선하는 데 도움이 되는 계정 이전 관리가 있습니다.

IA의 성장하는 구성 요소는 지능형 문서 처리(IDP)입니다. RPA 솔루션은 지금까지 반정형 및 비정형 문서에서 데이터 읽기, 이해 및 추출과 관련된 프로세스를 자동화할 수 없었습니다. IDP와 결합된 RPA는 문서 및 데이터 집약적인 프로세스의 직접적인 처리를 용이하게 하여 은행 업무의 속도와 정확성을 높일 수 있습니다. 자동화된 데이터 추출을 통해 메이커-체커 구성의 메이커 기능이 원활하게 실행되어 더 짧은 처리 시간에 정확한 결과를 얻을 수 있습니다.

지능형 문서 처리는 규칙 기반 RPA를 능가하는 효율성으로 은행 업계에서 크게 채택되고 있습니다. AI-ML 및 NLP와 같은 기본 기술을 통해 금융 서비스 회사는 성공적으로 실행하기 위해 어느 정도의 판단이 필요한 프로세스를 평가할 수 있습니다. 금융 기관은 코그너티브 서비스의 단순한 통합부터 비즈니스 결과의 효율성을 제공하기 위한 AI 기반 의사 결정에 이르기까지 다양한 사용 사례를 채택했습니다.

지능형 자동화 실행 – 업계 사례

Bank of New York Mellon은 프로세스 효율성 및 비용 절감을 위해 인공 지능과 통합된 약 220개의 RPA 봇을 활용했습니다. 그 결과 여러 시스템에서 계정 폐쇄가 100% 정확하고 처리 시간이 크게 개선되었으며 거래 입력 프로세스가 66% 개선되었으며 실패한 거래 조정이 크게 감소했습니다.

Heritage Bank는 호주에서 가장 오래된 금융 기관 중 하나입니다. 은행은 핀테크 및 디지털에 정통한 뱅킹 상대와의 치열한 경쟁에 직면해 있었습니다. Heritage는 운영, 사기 위험 및 컨택 센터 서비스와 관련된 프런트 엔드, 백 오피스 및 중간 사무실 프로세스를 자동화하는 IA 솔루션을 구현했습니다. 그 결과 회사는 약 80개의 프로세스를 자동화했으며 자동화 수준이 90%에 달해 FTE 리소스를 보다 고객 중심적인 활동에 투입할 수 있게 되었습니다.

대출 프로세스를 자동화하기 위해 선도적인 AI 기반 대출 솔루션인 Upstart는 기계 학습 알고리즘을 사용하여 대출을 직접 제공하는 데 중점을 둡니다. 초점은 낮은 신용 기록을 가진 인구 세그먼트에 있습니다. 회사는 신용 연도, FICO 신용 점수, 교육 배경, 학업 분야 및 직업 이력을 평가하여 신용도를 파악하고 이에 따라 대출을 부여합니다.

미국 은행 PNC Financial은 시스템을 사용하여 특정 대출 유형에 대한 승인을 자동화합니다. 이 은행은 규범적인 비즈니스 규칙과 예측 데이터 모델링을 결합하여 고객의 신용 적격성을 확인합니다.

계속되는 도전

지능형 자동화가 제공하는 수많은 이점에도 불구하고 고유한 과제도 함께 제공됩니다. 이들 중 다수는 결과에 영향을 미치기 위해 기계 학습 모델 또는 수집된 데이터를 변조하는 것과 같은 AI 보안 위협과 관련이 있습니다. 또한 악의적이거나 잘못된 코드가 도입되어 여러 번 증폭될 가능성은 자동화된 프로세스에서 매우 실질적인 위협입니다.

데이터 개인 정보 보호 및 데이터 프로비저닝에 대한 우려는 은행에서 AI 및 자동화 사용에 영향을 미칠 수 있습니다. 숙련된 업계 전문가의 부족과 결합된 고급 솔루션의 높은 구현 비용은 BFS 환경에서 채택을 더욱 억제하는 것으로 입증될 수 있습니다.

더 큰 수준에서 거버넌스는 여전히 만만치 않은 도전 과제로 남아 있습니다. 지능형 자동화에 AI 기반 의사 결정이 포함되기 시작하면 대출 결정에서 AI 편향의 위험과 같은 새로운 거버넌스 문제가 발생할 수 있습니다. 완전히 자동화된 결정으로 인해 발생하는 위험과 대출 결정 및 AI 알고리즘의 투명성을 보장하려는 규제의 열의를 감안할 때 금융 기관은 지능형 자동화를 채택하는 데 신중할 것입니다.

앞서가는 길

자동화는 은행 산업에 상당한 효율성을 가져왔습니다. 초기 임무는 반복적인 로우엔드 작업의 자동화였지만, 기술의 성숙도는 은행이 자동화 여정에서 더 큰 이점을 얻을 수 있는 고급 사용 사례를 탐색하는 것을 보았습니다.

AI를 활용하는 인지 자동화는 업계를 종단 간 의사 결정이 자동화 도구로 처리되어 복잡한 작업도 자동화할 수 있는 상태로 이끌고 있습니다. 이것은 비즈니스 프로세스에서 인적 요소를 강화하여 오류를 줄이고 생산성을 크게 향상시킬 수 있는 잠재력을 가지고 있습니다.

자동화를 향한 여정에서 은행은 성공적인 자동화를 위한 기반을 마련하기 위해 프로세스를 표준화하고 디지털화해야 합니다. 이후 제품 환경은 자동화 솔루션이 내장된 시스템에 맞게 조정되어야 합니다. 또한 자동화된 의사 결정 및 실행이 비즈니스 목표와 일치하도록 '루프에 사람이 참여'하도록 주의를 기울여야 합니다. 규제 기관의 면밀한 감시를 감안할 때 은행은 규제 규율과 규정 준수를 유지하기 위해 자동화 프로세스를 문서화하고 AI 알고리즘에 대한 합리적인 통제를 유지하는 것이 좋습니다.

지능형 자동화가 은행을 어떻게 지원하고 현재와 미래에 은행이 경쟁력을 유지하는 데 어떻게 도움이 되는지에 대한 많은 구현 사례가 있습니다. 결국 지능형 자동화가 얼마나 잘 실행되고 종단 간 고객 여정에 통합되는지로 귀결됩니다.

참조 :

https://www.mckinsey.com/industries/financial-services/our-insights/ai-bank-of-the-future-can-banks-meet-the-ai-challenge

https://www.processmaker.com/blog/intelligent-automation-in-banking/

https://www.prnewswire.com/news-releases/ai-and-automation-in-banking-industry-to-top-us-182-bn-amid-growing-adoption-of-advanced-financial-techniques-301543961.html

https://techmonitor.ai/technology/ai-and-automation/intelligent-automation-financial-services-leading-the-way

https://www.aspiresys.com/banking-solutions/cognitive-automation-convergence-of-AI-and-RPA-in-Banking/

https://kristasoft.com/solutions/industry/intelligent-automation-for-banking-and-financial-services/

https://research.aimultiple.com/intelligent-automation-in-banking/

https://www.qentelli.com/thought-leadership/insights/leveraging-ai-banking-guide