Artificiell intelligens (AI) har vuxit in i mainstream och är redo att revolutionera verksamheten inom banksektorn. Flera faktorer har underblåst denna ökning, särskilt den exponentiella tillväxten i datavolym och komplexitet, ökat tryck för snabb
och exakt beslutsfattande, och nödvändigheten för öppenhet. Även om generativ AI kommer att vara ovärderlig för att hjälpa banker att sammanfatta stora populationer av data, och du kan behöva viska detta, är det inte den enda tekniken som driver automatisering i
banksektor. 

AI börjar med sammanhang 

I riskmodellering är valet av indatapunkter, eller funktioner, av största vikt, ofta överträffar valet av modell eller algoritm. I en bransch som är bunden av stränga myndighetskrav för modellering av transparens och förklaringsbarhet är utrymmet för
modellvalet är ofta begränsat, vilket ökar betydelsen av indatafunktioner som de primära bestämningsfaktorerna för modellframgång eller misslyckande. Därför blir den centrala undersökningen: hur kan vi genomsyra våra egenskaper med maximal kontextuell relevans? 

Nätverksbaserade funktioner framträder som en stark mekanism för att ingjuta stora mängder information i modeller samtidigt som man upprätthåller kravet på transparens och förklaring. Ett effektivt tillvägagångssätt innebär att utnyttja skräddarsydda nätverk för dokumentenheter
generera funktioner som avgränsar företagens och individernas sammanlänkning. Till exempel kan användningen av nätverksfunktioner, som skildrar relationer mellan företag och deras styrelseledamöter, fungera som centrala input för maskininlärningsskalföretag
detektionsmodeller, i vissa fall ger en 20 % förbättring av prestanda jämfört med att enbart förlita sig på funktioner på rekordnivå. 

Resultaten av sådana modeller – förutsägelser som hänför sig till skalföretag och de agenter som orkestrerar deras bildande – har konsekvenser för att stärka riskdetekteringsinsatser inom Anti-Money Laundering (AML), Know Your Customer (KYC) och bedrägeribekämpning
domäner. 

Genom att utnyttja en sammansatt AI-teknikstack kan banker integrera ämnesexpertis med en rad maskininlärnings- och djupinlärningstekniker, tillsammans med tillgång till omfattande strukturerad och ostrukturerad industridata. Detta omfattande tillvägagångssätt förbättrar anpassningsförmågan,
modellernas noggrannhet och effektivitet. Att utnyttja expertis och domänkunskap genom hela modellutvecklingsprocessen säkerställer hög noggrannhet och förtroende för att lösa komplexa affärsproblem. Kort sagt, banker som vill implementera AI bör undvika att förlita sig på
en modell, teknik eller tillvägagångssätt. Att göra det kan leda till begränsningar i perspektiv, anpassningsförmåga och prestation.  

Vikten av nätverksfunktioner 

Nätverk erbjuder ett mångsidigt ramverk för att modellera entitetsrelationer i olika sammanhang. Till exempel kan nätverk som visar betalningstransaktioner mellan parter avslöja tydliga tecken på ekonomiskt missbruk. Genom att granska specifika mönster inom
nätverket – såsom cykler av transaktioner med liknande storlek – banker kan avslöja risker som annars skulle undvika upptäckt när de granskar transaktioner isolerat. Dessutom, när de kompletteras med ett arkiv med kända fall av bedrägeri, nätverksfunktioner
som frekvensen av U-sväng eller cykliska betalningar kan stärka övervakade inlärningsmodeller, vilket ökar deras förutsägelsekapacitet för framtida riskscenarier. 

Ett särskilt framträdande nätverk för att modellera företagsrisker är den organisatoriska juridiska hierarkin, som omfattar direktörer, aktieägare och dotterbolag. Grundläggande attribut som nätverksstorlek, anslutningstäthet och hierarkiska lager fungerar som
ovärderliga dimensioner för segmentering och funktionsgenerering i övervakade inlärningsmodeller, vilket förbättrar vår förmåga att urskilja och minska potentiella risker effektivt.  

För utredare och analytiker är det här som grafanalys kommer till sin rätt genom att låta dem analysera, visualisera och förstå dolda kopplingar över olika datamängder. Det är avgörande att det är skalbart och intuitivt, vilket gör att team kan passera miljarder
av kanter utan att kompromissa med genomströmningen med högfrekvent sökning.  

Entity Resolution transformerar bankrörelsens framtid 

Entitetsupplösning utnyttjar avancerad AI- och maskininlärningsteknik för att analysera, rensa och standardisera data, vilket möjliggör identifiering av enheter över olika datauppsättningar på ett tillförlitligt sätt. Denna process involverar klustring av relaterade poster, aggregering av attribut
för varje enhet, och upprättande av märkta kopplingar mellan enheter och deras källposter. Jämfört med traditionella tillvägagångssätt för matchning av rekord till rekord, erbjuder enhetsupplösning avsevärt förbättrad effektivitet. 

Istället för att försöka länka varje källpost direkt, kan organisationer introducera nya entitetsnoder som centrala punkter för att ansluta verklig data. Entitetsupplösning av hög kvalitet underlättar inte bara länkningen av intern data utan möjliggör också integrationen
av värdefulla externa datakällor, såsom företagsregister, som tidigare var utmanande att matcha korrekt. 

Integration av enhetsavvecklingsteknologi inom banksektorn markerar ett betydande steg framåt, vilket gör det möjligt för banker att övergå från batchbaserade processer till nästan realtidsprodukt- och tjänsteerbjudanden över omnikanalstjänster. Detta
Evolution kan gå längre än bedrägeribekämpning för att omfatta alla kundinteraktioner genom olika kontaktpunkter, inklusive callcenter, filialer och digitala kanaler, vilket säkerställer en sömlös och dynamisk kundupplevelse. 

Generativ AI har en viktig roll att spela 

Under nästa år förväntar jag mig att se generativa AI-assistenter utnyttja stora språkmodeller (LLM) för att bli allt vanligare inom bankväsendet. Generativ AI tillåter ett intuitivt och konversationsgränssnitt, vilket förbättrar effektiviteten för analytiker
sysslar med riskidentifiering inom utredningar. För organisationer är de potentiella fördelarna betydande, eftersom denna AI-assistent ger all analytikerpersonal möjlighet att prestera på nivån för de mest erfarna utredarna. Många av dessa assistenter kommer
vara LLM-agnostisk, vilket ger företag flexibiliteten att använda sina föredragna modeller, oavsett om de är proprietära, öppen källkod eller kommersiellt tillgängliga modeller som ChatGPT från OpenAI. När den integreras med andra aspekter av den sammansatta AI-stacken kommer den att stödja
Entitetsupplösning, grafanalys och poängsättningsmöjligheter, och låser upp oöverträffad potential genom att aktivera frågor och uppmaningar på naturligt språk.  

Det är avgörande att alla generativa AI-produkter inte kan fungera som en bult-on eller isolerade till en bredare AI-automatisering. Resultaten som den kommer att generera är bara så bra som data-, kontext- och enhetsupplösningstekniken som den bygger på. Banker som vill genomföra
generativ AI borde tänka mer brett om hur olika teknologier passar in i deras AI-automationsteknikstack.  

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://www.finextra.com/blogposting/25822/gen-ai-isnt-the-only-tech-driving-automation-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs