Als een financiële instelling verder kijkt dan de hype van AI en zijn verwachtingen tempert, kan het AI gebruiken om meetbare bedrijfsresultaten te behalen. Dat is de ervaring van Bedrag directeur besliswetenschap Garrett Laird.

Gezien de interesse in Chat GPT en aanverwante tools is de recente buzz rond AI begrijpelijk. Zoals velen in de fintech herinnert Laird de opgewonden mensen eraan dat AI al jaren bestaat in vormen als machinaal leren. Avant maakt al minstens tien jaar gebruik van machine learning bij het afsluiten van kredieten.

'Het is geen wondermiddel,' zei Laird. “Het doet sommige dingen heel, heel goed. Maar het zal niet al je problemen oplossen, vooral niet in onze ruimte. 

“Financiële producten zijn sterk gereguleerd, toch? Deze nieuwe LLM's (grote taalmodellen) zijn volkomen onverklaarbaar; het zijn vrijwel echte black-box-modellen, dus ze beperken de toepassingen en gebruiksscenario’s.”

Waarom AI beperkt is, waar dat niet het geval is

Laird ziet duidelijke gebruiksscenario's bij het detecteren van uitschieters en leren zonder toezicht. Hij schrijft de huidige AI-ijver toe aan het aanwakkeren van de belangstelling voor LLM's. Terwijl bedrijven zoeken naar manieren om LLM’s in te zetten, kijken ze ook naar andere AI-typen.

Regelgeving verhindert dat AI overal in de financiële dienstverlening wordt gebruikt. Laird noemde de vele beschermde classificaties die bepalen hoe en waar advertenties en verzoeken kunnen worden verzonden. Als uw AI-model niet kan verklaren waarom de ene klant een aanbieding heeft gekregen en de andere niet, dan vraagt ​​u om problemen.

“Machine learning kan worden gebruikt om compliant te worden, omdat je empirisch kunt beschrijven waarom je de beslissingen neemt die je neemt”, aldus Laird. “Als er mensen zijn die beslissingen nemen… heeft iedereen zijn impliciete vooroordelen, en die zijn moeilijk te meten of zelfs maar te weten wat die zijn. 

“Met algoritmen en machinaal leren kun je empirisch begrijpen of een model bevooroordeeld is en op welke manieren, en dan kun je daarop controleren. Hoewel er aan de ene kant veel beperkingen zijn, denk ik dat veel dingen die we doen met machine learning en AI consumenten ten goede komen vanuit een perspectief van discriminatie en naleving.”

AI- en trainingsmodellen

Laird zei dat de trainingsmodellen afhankelijk zijn van waarvoor hun systemen worden gebruikt. Fraudemodellen moeten snel en vaak worden bijgewerkt met bronnen van derden, historische informatie en consumentengegevens.

Dit is een gebied waar machinaal leren helpt. Machine learning-bewerkingen kunnen ervoor zorgen dat de juiste validaties worden voltooid. Ze voorkomen dat het discriminerende gegevens of informatie van beschermde klassen oppikt. 

Laird zei dat een cliché in de sector is dat 90% van het machine learning-werk datavoorbereiding is. Dat bestaat uit twee delen: het beschikken over relevante gegevens en ervoor zorgen dat deze in realtime toegankelijk zijn, zodat waardevolle zakelijke beslissingen kunnen worden genomen.

De ondergewaardeerde rol van AI bij kredietbeslissingen

Hoewel kredietverstrekking misschien niet dezelfde urgentie met zich meebrengt als fraude, adviseert Laird ook om na te denken over de manier waarop het kan profiteren van AI. Kredietmodellen moeten beschikken over sterke governance- en risicobeheerprocessen. Ze hebben goede datasets nodig. Kredietverstrekkers vereisen een grondig inzicht in hun klanten, wat in het geval van hypotheken jaren kan duren.

"Toegang krijgen tot de juiste gegevens is een enorme uitdaging, en er vervolgens voor zorgen dat het om de juiste populatie gaat", zegt Laird. “Dat is een trend waarin de industrie zich beweegt: productspecifieke maar ook klantbasisspecifieke modellering. 

“De richting die we inslaan lijkt op de democratisering van machinaal leren voor kredietacceptatie, waarbij je modellen hebt die zeer goed zijn afgestemd op jouw zeer unieke situatie. Dat stelt veel banken voor een uitdaging, omdat er veel menselijk kapitaal voor nodig is. Er zijn veel gegevens voor nodig, en die heb je niet van de ene op de andere dag.”

Lees ook:

De rol van AI bij het beperken van fraude hangt af van het soort fraude

AI verlaagt de toegangsdrempel voor fraudeurs door geavanceerde hulpmiddelen aan te bieden en hen in staat te stellen in beter Engels te communiceren. Bij de bestrijding ervan is ook AI betrokken als een van de vele lagen.

Bij verschillende soorten fraude wordt AI echter anders gebruikt. First-party fraudeurs kunnen identiteitscontroles omzeilen, wat wrijving veroorzaakt voor legitieme klanten. 

Fraude door derden brengt uitdagingen met zich mee voor onder toezicht staande modellen. Deze modellen zijn gebaseerd op de lessen uit eerdere gevallen van dergelijke fraude. Hun kenmerken worden geïdentificeerd en modellen worden ontwikkeld. AI kan helpen om die patronen snel te identificeren.

Het proces kent echter geen einde, omdat systemen zich snel moeten aanpassen wanneer fraudeurs bepalen hoe ze de uitdagingen op het gebied van de bestrijding kunnen overwinnen. Laird zei dat hij zich daarop concentreert door snelheidscontroles in te zetten.

“We hebben veel mentale inspanning gestoken in het identificeren van manieren om deze clusters van slechte actoren op te pikken,” zei Laird. “En er zijn veel manieren waarop je dat kunt doen. Een paar van de interessante die we gebruiken zijn snelheidscontroles. Vaak zal een fraudering soortgelijk gedrag vertonen. Ze kunnen een aanvraag indienen vanuit een bepaalde regio, dezelfde bank hebben waar ze een aanvraag indienen, of vergelijkbare apparaatgegevens hebben. Ze kunnen VOIP gebruiken, en een aantal soortgelijke kenmerken.”

Laird zei dat sommige instellingen ook leren zonder toezicht gebruiken. Ze hebben misschien geen specifieke doelen, maar ze kunnen patronen detecteren met behulp van clusteralgoritmen. Als een populatie in gebreke blijft of fraude claimt, kunnen de algoritmen soortgelijk gedrag identificeren dat verder onderzoek behoeft.

De komende golf van accountfraude

De recente turbulentie in de financiële sector leent zich voor toenemende depositofraude. Als de verdediging van een bank onvoldoende is, kunnen ze kwetsbaar worden voor fraude die al plaatsvindt.

“Dat is waarschijnlijk een probleem dat nu al de kop opsteekt en alleen maar erger zal worden,” opperde Laird. “Ik denk dat met alle bewegingen in deposito's die afgelopen voorjaar plaatsvonden, met de SVB en alle andere gebeurtenissen, er een waanzinnige stroom van deposito's werd geopend.

“En daarmee gebeuren er altijd twee dingen. Er is een instroom van volume. Het maakt het voor fraudeurs gemakkelijker om door de kieren te glippen. Bovendien zagen veel banken dit als een kans en hebben ze waarschijnlijk overhaast oplossingen bedacht of een deel van hun verdedigingsmechanismen verminderd. We denken dat er waarschijnlijk veel slapende, onlangs geopende depositorekeningen zijn die waarschijnlijk in de nabije toekomst zullen worden gebruikt als vehikel voor het opsporen van fraude.”

Opkomende trend: casusspecifieke modellering

Laird keerde terug naar casusspecifieke modellering als een belangrijke opkomende trend. FICO en Vantage zijn goede modellen die velen gebruiken, maar ze zijn algemeen voor alles, van hypotheken tot creditcards en persoonlijke leningen. Het werpen van een breed net beperkt de nauwkeurigheid, en gezien de toegenomen concurrentie zijn meer op maat gemaakte modellen een must.

“Ik kan op Credit Karma gaan en twintig aanbiedingen krijgen met twee klikken op een knop, of ik kan naar 20 verschillende websites gaan en een aanbieding krijgen zonder dat dit gevolgen heeft voor mijn krediet”, merkte Laird op. “Als je daarmee probeert te concurreren, als je prijzen alleen maar gebaseerd zijn op een FICO-score of Vantage-score, krijg je die 100 FICO-klant die richting de 700 neigt, terwijl iemand met een geavanceerder kredietmodel gaat om die 650 te krijgen die richting 700 neigt.”

Open data is een goudmijn voor modellen

Laird kijkt met spanning naar de ontwikkelingen na de recente aankondiging van het Consumer Financial Protection Bureau over open banking. Financiële instellingen moeten hun bankgegevens beschikbaar stellen.

Dat is een goudmijn voor modellen, zei Laird. Financiële instellingen hadden een voordeel bij het verstrekken van leningen aan hun klantenbestand, omdat alleen zij toegang hebben tot die informatie. Nu deze gegevens openbaar beschikbaar zijn, kunnen alle financiële instellingen deze gebruiken om acceptatiebeslissingen te nemen. Laird zei dat het van cruciaal belang is dat financiële instellingen goede oplossingen hebben.

Fraude, machine learning – Andere AI-trends

Financiële instellingen hanteren over het algemeen een conservatieve benadering van AI. De meesten hebben generatieve AI gebruikt voor interne efficiëntie, niet voor directe klantinteracties. Die tijd zal komen, maar in beperkte capaciteit.

Laird herhaalde zijn opwinding over de hernieuwde belangstelling voor machinaal leren. Hij is van mening dat ze goed geschikt zijn om de problemen aan te pakken.

“Ik ben blij dat er een hernieuwde belangstelling is voor investeringen en een verlangen om AI in te zetten voor fraude”, aldus Laird. “Het staat er al een tijdje.

“Ik denk dat de toegenomen focus op het afsluiten van kredieten ook iets is waar ik heel enthousiast over word, omdat… met de nieuwe regelgeving voor open bankieren die uitkomt, denk ik dat financiële instellingen die dit niet omarmen, achterop zullen raken. Ze zullen negatief worden geselecteerd; ze zullen niet in staat zijn concurrerend te blijven. Het is aan iedereen om erover na te denken en manieren te begrijpen om dat te benutten, niet alleen vanuit de traditionele fraudefocus, maar steeds meer vanuit de kredietkant.”

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• 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.fintechnexus.com/looking-beyond-the-ai-hype-delivering-real-value-for-financial-institutions/