Các ngân hàng và các tổ chức tài chính (FI) khác đang xử lý lượng dữ liệu khổng lồ và chưa từng có, và nó chỉ được thiết lập để tăng lên.
Giám đốc đổi mới của SmartStream, Andreas Burner
Những bộ dữ liệu lớn này có thể khiến các tổ chức tài chính, đặc biệt là những tổ chức phụ thuộc vào các hệ thống cũ và quy trình thủ công, phải chịu rủi ro cao.
Các công cụ trí tuệ nhân tạo và máy học (AI/ML) rất cần thiết nếu các ngân hàng và tổ chức tài chính phải đối mặt với những thách thức khi nói đến dữ liệu, đặc biệt là xung quanh việc đối chiếu dữ liệu.
Tương lai FinTech đã nói chuyện với Andreas Burner, giám đốc đổi mới (CIO) tại SmartStream Technologies, về cách công nghệ AI/ML của công ty có thể rút ra sự khôn ngoan từ tiếng ồn của dữ liệu, thu hẹp khoảng cách kiến thức do nhân viên rời bỏ và làm thế nào, trong Thời đại Máy móc, AI /ML có thể giúp con người tự do xử lý các tác vụ dữ liệu định tính có giá trị.
Mặc dù nhiều tổ chức tài chính có tỷ lệ tự động hóa khá cao trong các hệ thống kế thừa hiện có của họ, điều đó có nghĩa là họ có thể xử lý khối lượng lớn dữ liệu, đôi khi thông tin liên quan đến các tổ chức này “không ở dạng hoàn hảo”, Burner nói.
Các hệ thống dựa trên quy tắc kế thừa phải vật lộn với một lượng lớn dữ liệu lộn xộn, phức tạp và do đó, các tổ chức tài chính cần những cách mới để tự động hóa “dữ liệu không đẹp lắm”, nếu không, các công ty này trở nên quá phụ thuộc vào công việc thủ công. Tuy nhiên, việc tự động hóa dữ liệu phi cấu trúc như vậy là đặc biệt khó khăn.
Burner nói: “Khi chúng tôi làm việc với các tổ chức Cấp 1, chúng tôi nhận thấy sự phụ thuộc quá mức vào các quy trình thủ công trong các bộ phận quản lý ngoại lệ của họ. “Đó là một điểm khó khăn lớn trong các ngân hàng mà chúng tôi hiện đang nhắm mục tiêu và chúng tôi đang cố gắng làm cho quy trình đó hiệu quả hơn.”
Sự từ chức vĩ đại
Sau hậu quả của đại dịch Covid-19, nhiều tổ chức tài chính đang phải vật lộn với cả luồng dữ liệu thanh toán kỹ thuật số theo thời gian thực và sự ra đi của nhân viên – thường mang theo sự khôn ngoan tích lũy được của họ.
Tuy nhiên, có một sự khôn ngoan được khai thác từ dữ liệu mà các tổ chức tài chính đã sở hữu. Vì các tổ chức tài chính phải lưu trữ phần lớn dữ liệu này trong nhiều năm vì lý do quy định, nên “khi chúng tôi xem xét dữ liệu đó, nó chứa thông tin liên quan đến quy trình công việc và cách nhân viên đưa ra quyết định trong các tình huống nhất định”, Burner nói. Điều này giúp bù đắp khoảng trống kiến thức còn lại khi nhân viên cấp cao nghỉ việc và một nhóm mới tiếp quản.
Nếu nhân viên mới có thể được hướng dẫn bằng phần mềm, thì điều này thực sự có thể hỗ trợ các tổ chức tài chính trong việc giới thiệu nhân viên mới, giúp chuyển giao trí tuệ tích lũy được đó.
Các tổ chức tài chính cũng đang chứng kiến một lượng lớn dữ liệu có giá trị giao dịch thấp nhờ tính phổ biến của thanh toán kỹ thuật số, không tiếp xúc. Và đó là một xu hướng mà các ngân hàng và tổ chức tài chính nghĩ rằng sẽ chỉ tăng lên.
Khi SmartStream làm việc với các ngân hàng trong các dự án trong Phòng thí nghiệm đổi mới của mình, “chúng tôi luôn nghe rằng chúng tôi nên sẵn sàng xử lý lượng dữ liệu thậm chí còn cao hơn lượng dữ liệu chúng tôi đã xử lý”, Burner nói.
Các tổ chức tài chính, đối mặt với xu hướng này, biết rằng nhờ có những người chơi như Apple Pay và Google Pay, số lượng dữ liệu giao dịch cần đối chiếu sẽ chỉ tăng lên.
Burner giải thích: “Mọi người trả số tiền giao dịch kỹ thuật số thấp hơn nhiều so với số tiền họ phải trả trong quá khứ, vì vậy bạn sẽ thấy một số lượng lớn các giao dịch, nhiều giao dịch có giá trị rất thấp và điều đó khá khó để điều chỉnh.
Tuy nhiên, việc quản lý các giao dịch này vẫn rất quan trọng bởi vì nếu một số lượng lớn trong số này không thành công – mặc dù giá trị riêng lẻ của chúng thấp – về tổng thể, đó vẫn là một rủi ro đáng kể đối với bất kỳ ngân hàng nào. Burner cho biết thêm: “Vì vậy, mặc dù không tiếp xúc là điều tuyệt vời cho khách hàng, nhưng nó có thể là gánh nặng cho ngân hàng của họ.
Thời đại máy móc
Trí tuệ nhân tạo và học máy chắc chắn là chìa khóa đối với các tổ chức tài chính nếu họ muốn xử lý các bộ dữ liệu khổng lồ hiện đang phổ biến trong lĩnh vực tài chính. Nhưng trong Thời đại Máy móc này, con người có vai trò gì trong việc quản lý và tận dụng dữ liệu tài chính?
Burner nói: “Quản lý ngoại lệ là điều khó thực hiện nhất trong các tổ chức tài chính vì ngoại lệ có rất nhiều kiểu khác nhau. “Đó là lý do tại sao công nghệ mới nhất của chúng tôi, mà chúng tôi đang công bố tại Sibos, là AI để quản lý ngoại lệ.”
Những trường hợp ngoại lệ như vậy có thể bao gồm từ sự cố với dữ liệu đến sự cố với mạng, cho đến tận nhà cung cấp. Burner nói, với số lượng ngoại lệ có khả năng đa dạng như vậy, các nhóm quản lý có thể “rất lớn”, “bởi vì mọi vấn đề đều rất cụ thể”.
SmartStream đang giải quyết những vấn đề này bằng các công nghệ ML có thể tìm hiểu nhiều vấn đề trong số này và cố gắng tự động hóa chúng. Con người đóng vai trò là người giám sát trong quá trình này, giải phóng họ để “tập trung vào những vấn đề thực sự khó khăn”.
Yếu tố con người không phải vật lộn với dữ liệu định lượng – máy móc có thể xử lý việc đó – mà thay vào đó, con người có thể tập trung và chú ý vào các vấn đề dữ liệu định tính, cải thiện các quy trình này “đáng kể”, Burner cho biết thêm.
Mặc dù trọng tâm tại SmartStream là quản lý ngoại lệ, trong đó việc hòa giải chỉ là một trong những nguồn phát sinh ngoại lệ, “khi chúng tôi bắt đầu nói chuyện với các bộ phận quản lý ngoại lệ, chúng tôi phát hiện ra rằng chúng tôi đã giải quyết một vấn đề lớn hơn nhiều so với chỉ hòa giải,” Burner nói. “Cuối cùng, đó là về việc nâng cao trải nghiệm của khách hàng.”
Các trường hợp ngoại lệ thường phát sinh vào thời điểm có thể xảy ra sự cố với khoản thanh toán hoặc khoản thanh toán được thực hiện bởi một bên mà khách hàng không nhận ra hoặc tài khoản của họ đã bị tấn công. Các công nghệ AI/ML có thể giải quyết những vấn đề này một cách chính xác và nhanh chóng.
“Sẽ tạo ra sự khác biệt lớn nếu ngân hàng có thể giải quyết vấn đề đó trong vòng nửa giờ hoặc một tuần.”
Bẻ khóa hộp đen
Mặc dù lợi ích của AI/ML đối với các ngân hàng và các tổ chức tài chính khác là rất nhiều, nhưng nhiều người vẫn e ngại về những công nghệ khá non trẻ này. Điều này đặc biệt đúng khi nói đến cái gọi là công nghệ hộp đen, theo đó các ứng dụng đưa ra câu trả lời hoặc hướng đi mà không tiết lộ cách thức đưa ra kết luận cụ thể này.
Thật thú vị, SmartStream giải quyết vấn đề này bằng cách giải thích cách các công nghệ này đưa ra câu trả lời, tạo ra sự minh bạch bằng cách thêm một cửa sổ vào hộp đen.
“Chúng tôi có thể nói rằng, chúng tôi đang đề xuất quy trình làm việc đó cho bạn vì dữ liệu của bạn tính bằng đô la Mỹ và có một mẫu nhất định trong dữ liệu sẽ giúp ích cho khách hàng,” Burner nói.
Và nó không chỉ tiết lộ 'số tiền' của hộp đen mà còn trình bày dữ liệu theo cách thân thiện với con người. Để làm được điều này, SmartStream đã thuê các nhóm UI/UX để trình bày dữ liệu theo cách mà người dùng có thể chấp nhận được và có thể thực hiện được.
“Đó không chỉ là về dữ liệu, mà còn là cách chúng tôi hiển thị và trình bày dữ liệu. Chúng tôi có lượng thông tin khổng lồ, nhưng làm thế nào để bạn trình bày thông tin đó cho người dùng một cách hữu ích?”
Nhờ khoản đầu tư đó vào UI/UX, SmartStream gần đây đã giành được Giải thưởng Red Dot, giải thưởng phục vụ cho ngành thiết kế trải nghiệm người dùng và giao tiếp.
Burner cho biết: “Chúng tôi đã đầu tư rất nhiều vào thiết kế giao diện người dùng ứng dụng của mình để làm cho giao diện người dùng và AI trở nên liền mạch, để người dùng cảm thấy được hỗ trợ và có thể tin tưởng vào hệ thống”.
Ngữ cảnh cũng là chìa khóa ở đây, chỉ hiển thị thông tin chính xác cần thiết cho quy trình làm việc đó. “Nó rất phù hợp với ngữ cảnh, chúng tôi hiển thị thông tin mà chúng tôi nghĩ sẽ giúp ích cho người dùng và không có gì khác.”
chủ nghĩa tăng cường
SmartStream đã chỉ ra rằng khi AI và ML được triển khai đồng bộ, hiệu quả xử lý có thể tăng lên tới 20%. Nhưng có những lợi ích khác, về mặt vận hành hoặc mặt khác, mà một ngân hàng hoặc tổ chức tài chính có thể mong đợi khi họ triển khai các công nghệ này.
Burner nói: “Mặc dù chúng tôi có thể tự động hóa 20%, nhưng chúng tôi cũng có thể đề xuất cho người dùng 20% quy trình công việc khác và việc đề xuất quy trình công việc cho người dùng cũng làm tăng đáng kể hiệu quả”.
Mặc dù không thể đo lường hiệu quả đó cũng như tự động hóa, nhưng “bạn có thể thấy rằng người dùng nhận được dữ liệu chất lượng cao hơn vì dữ liệu đã được giảm bớt trước khi nó được hiển thị cho họ”. Sự sắp xếp này, nơi con người và máy móc làm việc cùng nhau, có tác động tích cực rất lớn đến hoạt động.
Và tình trạng rời bỏ nhân viên nói trên cũng có thể được cải thiện, tạo ra hiệu quả thông qua việc chuyển tiếp kiến thức nhân viên tích lũy được trong quá trình giới thiệu nhân viên mới.
Học cách quan sát
Tốc độ đổi mới trong lĩnh vực này vẫn tiếp tục. Công nghệ AI/ML ngày càng thông minh hơn. Một bộ công cụ mới tại SmartStream là Affinity, sử dụng học tập quan sát để giảm bớt sự phức tạp của việc điều chỉnh.
Mối quan hệ là một thành phần có thể được triển khai tại ngân hàng hoạt động với ứng dụng SmartStream và quan sát hành động của người dùng để hiểu các quyết định được đưa ra dựa trên cơ sở nào.
Burner nói: “Nó liên tục kiểm tra các mẫu và khi tìm thấy các mẫu, nó sẽ ghi nhớ những gì nó đã học được.
Sau khi được kích hoạt, Affinity có thể hoạt động ngay lập tức, nghiên cứu lượng dữ liệu khổng lồ mà các ngân hàng phải lưu trữ và học hỏi từ các hành động trong quá khứ. Burner giải thích: “Vì vậy, không có giai đoạn tăng tốc. “Chúng tôi có thể đào tạo nó bằng cách sử dụng dữ liệu từ bảy tháng qua, thậm chí bảy năm qua.”
Affinity được tích hợp hoàn toàn vào giải pháp hòa giải của SmartStream, nơi nó có thể tự động hóa quy trình công việc, đề xuất quy trình công việc hoặc đo lường chất lượng của quy trình công việc.
“Đó là một thành phần rất mạnh mẽ mà chúng tôi đang triển khai với các sản phẩm phần mềm của mình.”
Bạn có thể đọc đầy đủ Tin tức hàng ngày tại Sibos bổ sung, được tài trợ bởi SmartStream, tại đây.
Đầu năm nay, Tương lai FinTech đã nói chuyện với Jethro MacDonald,
