Az nBanks mesterséges intelligenciát használ a csalásfelismerésre és a személyre szabott banki szolgáltatásokra
Milyen problémát old meg az AI a bankban, ha a munka már digitális? A nyers tranzakciós adatok és a hasznos cselekvés közötti hézagot. A bankok és a kincstári csapatok bőséges tevékenységet látnak, de még mindig gyorsabb csalásvizsgálatokra, tisztább nyilvántartásokra és olyan szolgáltatásokra van szükségük, amelyek tükrözik az ügyfél valós mintázatait.
Az alapvető minta
Az alapminta egyszerű. Az AI nagy mennyiségű banki eseményfolyamot olvas, és olyan jeleket keres, amelyek arra utalnak, hogy egy személy, számla vagy tranzakció nem illeszkedik a normál mintázatba. Az ügyfelek viselkedését is hasznos szegmensekbe csoportosíthatja, így a bank olyan ajánlatokat, értesítéseket vagy szolgáltatási útvonalakat mutathat be, amelyek megfelelnek a valós igényeknek.
Ez azért fontos, mert a banki rendszerek több adatot termelnek, mint amennyit az emberek kézzel ellenőrizni tudnának. A fizetések csatornákon keresztül mozognak. A számlák különböző intézményekben találhatók. A kockázati jelek külön eszközökben helyezkednek el. Amikor ez az adat szétválasztva marad, a bank későn reagál. Ha egységesítik és pontozzák, a bank hamarabb és több kontextussal cselekedhet.
A csalásfelismerés a legkézenfekvőbb felhasználási eset. Egy modell összehasonlíthat egy fizetést az ügyfél szokásos összegével, helyszínével, időzítésével, eszköztörténetével és partnerével. Jelzésrészecske emelhet, amikor egy utalás szokatlaninak tűnik. Csökkentheti a zajt is azzal, hogy megtanulja, mely szokatlan események ártalmatlanok és melyeket felül kell vizsgálni. Ez az egyensúly fontos. Túl sok hamis riasztás dolgozóidőt pazarol és lassítja a valódi ügyfeleket. Túl kevés riasztás réseket hagy.
A személyre szabott banki szolgáltatás ugyanazt az adatsort követi. Miután a rendszer megérti a viselkedést, formálhatja a szolgáltatási élményt ennek megfelelően. Ez jobb költési kategóriákat, okosabb készletáram-nézeteket vagy az ügyfél tényleges kötelezettségeihez kötött értesítéseket jelenthet. Üzleti környezetben ez a logika segít a pénzügyi csapatoknak látni a számlatevékenységet, a tartozásokat és a közelgő elkötelezettségeket egy helyen.
Az ötlet egyszerű. Az AI nem helyettesíti a banki nyilvántartásokat. Seged rendezni őket, összehasonlítani őket és sebességgel pontozni őket.
Mit vizsgál a rendszer
Egy hasznos csalás- vagy személyre szabási réteg általában tiszta tranzakciós adatokkal kezdődik. Szüksége van összegekre, dátumokra, partnerekre, számlatulajdonra és csatorna-adatokra. Erősebb lesz, ha metaadatokat is képes olvasni, például kategóriát, helyszínt, pénznemet és történelmi viselkedést.
Innen a rendszer különböző ellenőrzéseket alkalmazhat. A szabályalapú szűrők ismert mintázatokat kapnak el. A gépi tanulású modellek kevésbé nyilvánvalókat. Együtt segítik az aktivitás besorolását normális, szokatlan vagy sürgős kategóriákba. Ez a modern banki automatizálás gyakorlati értéke. Kombinálja a rögzített vezérléseket az adaptív észleléssel.
A csalás munkájához a rendszer hirtelen változásokat figyelhet. Egy kártya, amelyet egy régióban használnak, túl gyorsan megjelenhet egy másikban. Egy beszállító, aki soha nem kapott nagy fizetéseket, most kaphat egyet. Egy számla, amely általában kis utalásokat küld, megpróbálhat egy nagyot normál órán kívül. Ezeknek a jeleknek egyik sem bizonyítanak csalást önmagukban. Jelek. Az AI segít rangsorolni őket.
A személyre szabott banki szolgáltatásokhoz ugyanez a tranzakciós előzmény támogatja a tisztább szolgáltatást. Egy ügyfél, aki rendszeresen fizet bérfizetéseket, bérleti díjat és adókötelezettségeket, más emlékeztetőkre lehet szüksége, mint egy ügyfél, aki főleg pénzeket mozgat befektetési számlák között. Egy pénzügyi csapat, amely látja a visszatérő beszállítói fizetéseket, kevesebb súrlódással tervezheti az jóváhagyásokat. Itt a személyre szabás a relevanciát jelenti. Azt jelenti, hogy a felület tükrözi a számlatulajdonos valós munkamintázatát.
Itt válik fontossá a központosítás. Amikor az egyenlegek, kimutatások és finanszírozási adatok együtt vannak, a bank vagy a pénzügyi iroda többet lát, mint az izolált eseményeket. Kapcsolatokat lát. Egy tranzakció könnyebben ítélhető meg, amikor a rendszer tudja, mi volt előtte és mi következzen utána.
Egy kis példa
Képzeljen el egy céget, amely minden hónapban ugyanannak a beszállítónak fizet. A fizetés általában állandó összegű, egy számláról kerül kiküldésre, és ugyanazon a csapaton hagyják jóvá. Egy hónapban a beszállító neve majdnem helyes, de a bankszámla részletei megváltoztak. Az összeg is drasztikusan emelkedik.
Egy egyszerű szabálymotor ezt részben észreveheti. Egy AI réteg többet is észrevehet. Összehasonlíthatja az új fizetést a múltbeli számlákkal, a korábbi bankszámla-részletekkel, a jóváhagyási időzítéssel és a beszállító szokásos tevékenységével. Ha a minta elég erősen eltör, a rendszer tarthatja a fizetést felülvizsgálat céljából.
Ugyanez az adat szolgálhatja a felhasználói élményt is. Ha ez a cég rendszeres adó- és bérfizetéseket is végez, a műszerfal kiemelheti ezeket a dátumokat elsőként. A következő esedékes tételeket felül helyezheti. A legrelevánsabb készleti helyzetet mutathatja anélkül, hogy a felhasználót arra kényszerítené, hogy átkutassa minden számlát. Ez a személyre szabott banki szolgáltatás gyakorlati formája. Egy tisztább képernyő, amelyet a számla saját szokásai alakítanak.
Ez a példa mutatja a fő pontot. Ugyanaz az információ mind a biztonságot, mind a szolgáltatást támogathatja. A csalásfelismerés védi a pénz áramlását. A személyre szabás segít az embereknek megérteni és kevesebb súrlódással használni azt az áramlást.
Ami működésbe hozza a megközelítést
Az első követelmény az adatminőség. A rossz címkék és a hiányzó mezők gyengítik a modellt. Ha a partnernevek konzisztensiek vagy a fizetési kategóriák homályosak, a rendszer gyengébb döntéseket hoz. A pénzügyi csapatoknak továbbra is jó nyilvántartást kell vezetniük, még akkor is, ha jelen van az AI.
A második követelmény az értelmezhetőség. A dolgozóknak tudniuk kell, miért lett egy tranzakció jelölve. Egy fekete doboz, amely csak annyit mond: „kockázat”, nehéz megbízni. Egy jobb rendszer bemutathatja az okot: szokatlan összeg, új kedvezményezett, megváltozott ország vagy szokatlan időzítés. Ez a fajta magyarázat segít a felülvizsgálóknak gyorsabb ítéleteket hozni.
A harmadik követelmény az ellenőrzés. A bankoknak és pénzügyi csapatoknak jogosultságaiknak, audit nyomvonalainak és egyértelmű tulajdonjoguknak kell lenniük. Az AI-nak támogatnia kell a kormányzást, nem pedig elmosnia azt. Ha egy felhasználó módosít egy rekordot, a rendszernek meg kell őriznie a nyomvonalat. Ha egy modell kockázati pontszámot javasol, a csapatnak tudnia kell, melyik szabály vagy minta vezette a pontszámot.
A negyedik követelmény a illeszkedés. Nem minden riasztás igényel ugyanolyan kezelést. Néhány esemény azonnali letiltást érdemel. Másoknak egy második pillantást. Néhány változás ártalmatlan és csak megfigyelést igényel. Egy jó rendszer elkülöníti ezeket az eseteket, ahelyett, hogy mindet ugyanúgy kezelné.
Ezért az alkalmazott AI a bankban ritkán egyetlen modell. Egy halom. Az adatgyűjtés, besorolás, jogosultságok, felülvizsgálati utak és jelentések mind együtt működnek. Az érték az egész láncból származik.
Amit ez a gyakorlatban megváltoztat
Amikor az AI jól van alkalmazva, a csalásfelülvizsgálat gyorsabban olvasható és könnyebben rangsorolható. A csapatok kevesebb időt töltenek a nyilvánvaló zajjal. Amikor a személyre szabást jól alkalmazzák, a felhasználók hamarabb látják a legrelevánsabb információt. Kevesebbet keresnek. Kevesebb apró hibát követnek el.
A nagyobb üzleti hatás a fegyelmet. Az intézmény szorosabb nézetet kap a pénzmozgásról, jobb kontrollt a kivételek felett és tisztább rekordot arról, mi történt és mikor. Ez a valódi működési változás a csalásfelismerés és a személyre szabott banki szolgáltatások mögött. Szórt eseményeket kezelt folyamattá alakít.
Az EuroOp LLC ezt általános alkalmazott K+F mintának tekinti. A jó pénzügyi AI strukturált adatokkal, egyértelmű szabályokkal és olyan modellekkel kezdődik, amelyek támogatják az emberi felülvizsgálatot, nem pedig elrejtik azt. Az EuroOp Insights ezt ugyanazt a ígéretet hordozza egyszerű formában: egy alkalmazott K+F minta, egy gyakorlati tanulság, az EuroOp termékei mögötti csővezetékből meghúzva.
Kapcsolódó: Az alkalmazott AI és az automatizálás a vállalkozási működés egyszerűsítése