Kunstmatige intelligentie (AI) is mainstream geworden en staat op het punt de activiteiten in de banksector radicaal te veranderen. Verschillende factoren hebben deze stijging aangewakkerd, met name de exponentiële groei van het datavolume en de complexiteit, waardoor de druk om snel te komen toeneemt
en precieze besluitvorming, en de noodzaak van transparantie. Hoewel generatieve AI van onschatbare waarde zal zijn bij het helpen van banken bij het samenvatten van grote datapopulaties, en je moet dit misschien fluisteren, is het niet de enige technologie die automatisering in de wereld aandrijft.
banken sector. 

AI begint met context 

Bij risicomodellering is het selecteren van invoergegevenspunten of kenmerken van het allergrootste belang, en gaat vaak verder dan de keuze van het model of algoritme. In een sector die gebonden is aan strenge wettelijke vereisten voor het modelleren van transparantie en verklaarbaarheid, is er ruimte voor
de modelselectie is vaak beperkt, waardoor het belang van invoerkenmerken als de belangrijkste bepalende factoren voor het succes of falen van modellen wordt vergroot. Daarom wordt het centrale onderzoek: hoe kunnen we onze kenmerken doordrenken met maximale contextuele relevantie? 

Netwerkgebaseerde kenmerken komen naar voren als een krachtig mechanisme om grote hoeveelheden informatie in modellen te verwerken, terwijl de noodzaak van transparantie en verklaarbaarheid behouden blijft. Eén effectieve aanpak is het inzetten van op maat gemaakte document-entiteitsnetwerken
kenmerken genereren die de onderlinge verbondenheid van bedrijven en individuen afbakenen. Het gebruik van netwerkfuncties, die de relaties tussen bedrijven en hun directeuren weergeven, kan bijvoorbeeld dienen als cruciale input voor een shell-bedrijf voor machinaal leren.
detectiemodellen, die in sommige gevallen een prestatieverbetering van 20% opleveren vergeleken met het uitsluitend vertrouwen op functies op recordniveau. 

De uitkomsten van dergelijke modellen – voorspellingen met betrekking tot lege bedrijven en de agenten die hun oprichting orkestreren – houden implicaties in voor het versterken van risicodetectie-inspanningen op het gebied van de bestrijding van het witwassen van geld (AML), Know Your Customer (KYC) en fraudebestrijding.
domeinen. 

Door gebruik te maken van een samengestelde AI-techstack kunnen banken inhoudelijke expertise integreren met een reeks machine learning- en deep learning-technieken, naast toegang tot enorme gestructureerde en ongestructureerde sectorgegevens. Deze alomvattende aanpak vergroot het aanpassingsvermogen,
nauwkeurigheid en effectiviteit van modellen. Het benutten van expertise en domeinkennis tijdens het hele modelontwikkelingsproces zorgt voor een hoge nauwkeurigheid en vertrouwen bij het oplossen van complexe bedrijfsproblemen. Kortom, banken die AI willen implementeren, moeten er niet op vertrouwen
één model, techniek of aanpak. Dit kan leiden tot beperkingen in perspectief, aanpassingsvermogen en prestaties.  

Het belang van netwerkfuncties 

Netwerken bieden een veelzijdig raamwerk voor het modelleren van entiteitsrelaties in verschillende contexten. Netwerken die betalingstransacties tussen partijen weergeven, kunnen bijvoorbeeld veelbetekenende tekenen van financiële misdrijven onthullen. Door specifieke patronen daarin onder de loep te nemen
Via het netwerk – zoals cycli van transacties van vergelijkbare omvang – kunnen banken risico’s blootleggen die anders aan de detectie zouden ontsnappen als ze transacties afzonderlijk onderzoeken. Bovendien, wanneer aangevuld met een opslagplaats van bekende gevallen van fraude, netwerkfuncties
zoals de frequentie van U-turn of cyclische betalingen kunnen onder toezicht staande leermodellen versterken, waardoor hun voorspellende vermogen voor toekomstige risicoscenario's wordt vergroot. 

Een bijzonder opvallend netwerk voor het modelleren van bedrijfsrisico's is de juridische hiërarchie van de organisatie, die bestuurders, aandeelhouders en dochterondernemingen omvat. Fundamentele kenmerken zoals netwerkgrootte, verbindingsdichtheid en hiërarchische lagen dienen als
dimensies van onschatbare waarde voor segmentatie en het genereren van functies in modellen voor begeleid leren, waardoor ons vermogen wordt vergroot om potentiële risico's effectief te onderscheiden en te beperken.  

Voor onderzoekers en analisten komt grafiekanalyse hier goed tot zijn recht doordat ze verborgen verbanden tussen ongelijksoortige datasets kunnen analyseren, visualiseren en begrijpen. Cruciaal is dat het schaalbaar en intuïtief is, waardoor teams miljarden kunnen doorkruisen
van randen zonder concessies te doen aan de doorvoer met hoogfrequente query's.  

Entiteitsafwikkeling transformeert de toekomst van het bankwezen 

Entiteitsresolutie maakt gebruik van geavanceerde AI- en Machine Learning-technieken om gegevens te parseren, opschonen en standaardiseren, waardoor de identificatie van entiteiten in ongelijksoortige datasets op betrouwbare wijze mogelijk wordt. Dit proces omvat het clusteren van gerelateerde records en het aggregeren van attributen
voor elke entiteit, en het tot stand brengen van gelabelde verbindingen tussen entiteiten en hun bronrecords. Vergeleken met traditionele benaderingen van record-to-record-matching biedt entiteitsresolutie een aanzienlijk grotere effectiviteit. 

In plaats van te proberen elk bronrecord rechtstreeks te koppelen, kunnen organisaties nieuwe entiteitsknooppunten introduceren als centrale punten voor het verbinden van gegevens uit de echte wereld. Hoogwaardige entiteitsresolutie vergemakkelijkt niet alleen het koppelen van interne gegevens, maar maakt ook de integratie mogelijk
van waardevolle externe gegevensbronnen, zoals bedrijfsregisters, die voorheen lastig te matchen waren. 

De integratie van technologie voor de afwikkeling van entiteiten binnen de banksector betekent een aanzienlijke sprong voorwaarts, waardoor banken kunnen overstappen van batchgebaseerde processen naar een bijna realtime product- en dienstenaanbod via omnichannel-serviceframeworks. Dit
De evolutie kan verder gaan dan fraudebestrijding en alle klantinteracties via verschillende contactpunten omvatten, waaronder callcenters, filialen en digitale kanalen, waardoor een naadloze en dynamische klantervaring wordt gegarandeerd. 

Generatieve AI speelt een belangrijke rol 

Ik verwacht dat het komende jaar generatieve AI-assistenten die gebruik maken van Large Language Models (LLM's) steeds vaker zullen voorkomen binnen het bankwezen. Generatieve AI maakt een intuïtieve en conversatie-interface mogelijk, waardoor de efficiëntie voor analisten wordt vergroot
bezig met risico-identificatie binnen onderzoeken. Voor organisaties zijn de potentiële voordelen aanzienlijk, omdat deze AI-assistent al het analistenpersoneel in staat stelt om op het niveau van de meest ervaren onderzoekers te presteren. Veel van deze assistenten zullen dat wel doen
LLM-agnostisch zijn, waardoor bedrijven de flexibiliteit hebben om hun voorkeursmodellen te gebruiken, of het nu gaat om eigen, open source of commercieel verkrijgbare modellen zoals ChatGPT van OpenAI. Wanneer het wordt geïntegreerd met andere aspecten van de samengestelde AI-stack, zal het dit ondersteunen
entiteitsresolutie, grafiekanalyse en scoringsmogelijkheden, waardoor ongekend potentieel wordt ontsloten door query's en aanwijzingen in natuurlijke taal mogelijk te maken.  

Cruciaal is dat alle generatieve AI-producten niet kunnen fungeren als aanvulling op of op zichzelf staand voor bredere AI-automatisering. De resultaten die het zal genereren zijn slechts zo goed als de data-, context- en entiteitsresolutietechnologie waarop het is gebouwd. Banken willen implementeren
generatieve AI zou breder moeten nadenken over hoe verschillende technologieën in hun AI-automatiseringstechnologie passen.  

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs