AI pankkitoiminnassa ja rahoituksessa. Stripe, Monzo ja Grab | AI liiketoiminnassa #78

AI pankkitoiminnassa – johdanto

Keinoälyä käytetään jo laajasti monilla pankki- ja rahoitusalan alueilla. Se ei ole vain asiakaspalvelun chatbotteja tai hyvin suojattuja sovelluksia. Keinoälyä käytetään rahoitusalalla jopa vakavampiin tarkoituksiin. Tässä ovat keinoälyn pääsovellukset pankkitoiminnassa:

• Petosten havaitseminen ja ehkäisy – kehittyneet algoritmit analysoivat tapahtumia reaaliajassa ja havaitsevat epäilyttävät toimintamallit. Tämä suojaa asiakkaita tehokkaasti huijauksilta,
• Rahoituslikviditeetin ennustamisen optimointi – keinoälypohjaiset ennustemallit analysoivat valtavia tietomääriä ennustaakseen tarkasti tulevia kassavirtoja ja hallitakseen likviditeettiä tarkemmin.
• Prosessien virtaviivaistaminen, jotka liittyvät luottokelpoisuuden arvioimiseen – myös tässä koneoppimisalgoritmit tulevat avuksi, jotka voivat tuhansien luottohakemusten analyysin perusteella tarkasti arvioida asiakkaan taloudellista uskottavuutta,
• Tarjousten ja suositusten personointi asiakkaille – pankit hyödyntävät kehittyneitä suositusmalleja räätälöidäkseen rahoitustuotteita yksittäisten asiakkaiden tarpeisiin,
• Takatoimintojen prosessien automatisointi – rutiinitehtävät, kuten asiakirjojen tarkistus tai tapahtumien selvitys, voidaan automatisoida täysin keinoälyn avulla.

Kuitenkin, miten globaalilla markkinalla toimivat yritykset ovat selviytyneet näiden innovaatioiden käyttöönotosta?

Stripe: tapahtumien uskottavuus keinoälyn avulla rahoituksessa

Yksi keinoälyn soveltamisen johtajista rahoituksessa on Stripe. Se on kehittänyt järjestelmän nimeltä Stripe Radar, joka analysoi yli 1 000 tapahtuman ominaisuutta alle 100 millisekunnissa arvioidakseen sen luotettavuutta. Järjestelmän tarkkuus on 99,9 % ja se ylläpitää alhaista väärien hälytysten määrää.

Kuinka tämä saavutettiin? Ensinnäkin, Stripe käyttää kehittyneitä koneoppimistekniikoita, kuten syviä neuroverkkoja. Järjestelmää parannetaan ja kehitetään jatkuvasti uusilla ominaisuuksilla, kuten siirtoulearnilla.

Toiseksi, yritys etsii jatkuvasti uusia signaaleja tapahtumatiedoista, jotka voivat auttaa tunnistamaan poikkeavuuksia, jotka viittaavat mahdollisiin petoksiin. Stripesin insinöörit tarkastelevat huolellisesti jokaista petos tapausta ymmärtääkseen rikollisten toimintamalleja ja rikastuttaakseen järjestelmää lisäsäännöillä.

Stripe Radar on erinomainen esimerkki siitä, kuinka keinoäly pankkitoiminnassa voi tehokkaasti suojata asiakkaita taloudellisilta huijauksilta.

Lähde: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: keinoäly rahoituksessa

Monzo, Yhdistyneessä kuningaskunnassa toimiva neobank, joka toimii yksinomaan digitaalisessa tilassa, on soveltanut koneoppimiskykyjä täysin eri alueella: markkinointikampanjoiden optimoinnissa.

Pankki on rakentanut malleja, jotka historiallisten tietojen perusteella voivat arvioida tietyn asiakkaan halukkuutta hyödyntää lisätarjousta, kuten säästötilin avaamista, jos he saavat pankilta tietyn viestin.

Seuraavaksi, kampanjan tehokkuuden maksimoimiseksi järjestelmä osoittaa, mitkä asiakkaat saavat minkäkin mainosviestin. Tämä mahdollistaa viestin tarkkaan kohdistamisen ja merkittävästi parempien tulosten saavuttamisen verrattuna massaviestintään, joka ei ole henkilökohtaista.

Joissakin tapauksissa tällaisen optimoinnin toteuttaminen on mahdollistanut Monzolle kampanjoiden tehokkuuden lisäämisen jopa 200%! Tämä osoittaa, kuinka keinoäly pankkitoiminnassa voi auttaa saavuttamaan asiakkaita tehokkaammin räätälöidyillä tarjouksilla, jotka resonoivat heidän kanssaan.

Lähde: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: keinoäly herkän tiedon luokittelussa

Grab on teknologiajätti Kaakkois-Aasiasta, joka tarjoaa palveluja, kuten kuljetusta ja toimitusta. Yritys on päättänyt hyödyntää kielimallien (LLM) kykyjä automatisoidakseen sen tallentamien herkän tiedon luokitteluprosessin. Tämä on ratkaisevan tärkeää, koska yritys pitää asiakkaidensa henkilökohtaisia ja taloudellisia tietoja.

Tätä varten on valmisteltu joukko tageja, jotka kuvaavat erilaisia tietokategorioita, kuten:

• Henkilötiedot,
• Yhteystiedot,
• Identifikaatiotunnukset.

Seuraavaksi kielimallille suunniteltiin sopivat kyselyt, jotta se voisi automaattisesti liittää nämä tagit tietokantojen taulukoiden ja sarakkeiden nimien perusteella.

Tuloksena Grab voi luokitella tallennettua tietoa herkkyyden mukaan paljon nopeammin ja edullisemmin. Tämä helpottaa tietojen käyttöoikeus- ja yksityisyyskäytäntöjen noudattamista. Yrityksen arvioiden mukaan ratkaisu on säästänyt jopa 360 työpäivää vuodessa, jotka aiemmin käytettiin manuaaliseen tietoluokitteluun.

Lähde: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Yhteenveto. Keinoälyn tulevaisuus pankkitoiminnassa ja rahoituksessa

Kuten esimerkit Stripe, Monzo ja Grab osoittavat, keinoäly tuo jo todellista liiketoiminta-arvoa pankeille ja rahoituslaitoksille. Se voi auttaa estämään petoksia tehokkaammin, kohdistamaan asiakkaita tarkemmin tai automatisoimaan tylsiä tehtäviä.

Seuraavina vuosina keinoälyn rooli pankkitoiminnassa tulee jatkamaan vakaata kasvua. Voimme odottaa monien takatoimintojen prosessien täydellistä automatisointia, rahoitustuotteiden hyper-personalisointia ja koneoppimismallien tiiviimpää integrointia pankkijärjestelmiin.

Jos pidät sisällöstämme, liity vilkkaaseen mehiläisyhteisöömme Facebookissa, Twitterissä, LinkedInissä, Instagramissa, YouTubessa, Pinterestissä, TikTokissa.