AI i bank og finans. Stripe, Monzo og Grab | AI i erhvervslivet #78

AI i bankverdenen – introduktion

Kunstig intelligens anvendes allerede i vid udstrækning inden for mange områder af bank- og finanssektoren. Det handler ikke kun om chatbots til kundeservice eller vel-sikrede applikationer. Kunstig intelligens bruges i den finansielle industri til endnu mere alvorlige formål. Her er de vigtigste anvendelser af AI i bankverdenen:

• Bedrageriopsporing og -forebyggelse – avancerede algoritmer analyserer transaktioner i realtid og opdager mistænkelige aktivitetsmønstre. Dette beskytter effektivt kunderne mod svindel,
• Optimering af finansiel likviditetsprognose – AI-baserede forudsigelsesmodeller analyserer store mængder data for præcist at forudsige fremtidige pengestrømme og styre likviditet mere nøjagtigt.
• Strømlining af processer relateret til kreditvurdering – her kommer maskinlæringsalgoritmer også til undsætning, som på baggrund af analysen af tusindvis af kreditansøgninger kan vurdere en kundes finansielle troværdighed præcist,
• Personalisering af tilbud og anbefalinger til kunder – banker udnytter avancerede anbefalingsmodeller til at skræddersy finansielle produkter til individuelle kundebehov,
• Automatisering af back-office processer – rutineopgaver, såsom dokumentverifikation eller transaktionsafvikling, kan fuldt ud automatiseres ved hjælp af AI.

Men hvordan har virksomheder, der opererer på globale markeder, klaret implementeringen af disse innovationer?

Stripe: transaktions troværdighed gennem AI i finans

En af lederne inden for anvendelse af AI i finans er Stripe. De har udviklet et system kaldet Stripe Radar, som analyserer mere end 1.000 funktioner af en transaktion på mindre end 100 millisekunder for at vurdere dens pålidelighed. Systemet har en nøjagtighed på 99,9% samtidig med at det opretholder en lav falsk alarmrate.

Hvordan blev dette opnået? For det første bruger Stripe avancerede maskinlæringsteknikker som dybe neurale netværk. Systemet forbedres og udvikles konstant med nye funktioner, såsom transfer learning.

For det andet søger virksomheden konstant efter nye signaler i transaktionsdata, der kan hjælpe med at identificere anomalier, der indikerer potentiel svindel. Stripes ingeniører gennemgår omhyggeligt hver svindelsag for at forstå kriminelles handlingsmønstre og berige systemet med yderligere regler.

Stripe Radar er et fremragende eksempel på, hvordan AI i bankverdenen effektivt kan beskytte kunderne mod finansielle svindel.

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

Monzo: AI i finans

Monzo, en britisk neobank, der udelukkende opererer i det digitale rum, har anvendt maskinlæringsevner i et helt andet område: optimering af marketingkampagner.

Banken har bygget modeller, der på baggrund af historiske data kan estimere en given kundes villighed til at udnytte et ekstra tilbud, såsom at åbne en opsparingskonto, hvis de modtager en specifik besked fra banken.

Næste skridt for at maksimere kampagnens effektivitet er, at systemet angiver, hvilke kunder der skal modtage hvilken reklamebesked. Dette muliggør præcist målretning af beskeden og opnåelse af betydeligt bedre resultater end i tilfælde af masse, ikke-personaliseret kommunikation.

I nogle tilfælde har implementeringen af en sådan optimering gjort det muligt for Monzo at øge effektiviteten af kampagner med op til 200%! Dette viser, hvordan AI i bankverdenen kan hjælpe med at nå kunder mere effektivt med skræddersyede tilbud, der resonerer med dem.

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

Grab: AI i klassificeringen af følsomme data

Grab er en teknologisk gigant fra Sydøstasien, der tilbyder tjenester som transport og levering. Virksomheden har besluttet at udnytte kapaciteterne i Sprogmodeller (LLM) til at automatisere klassificeringsprocessen af følsomme data, som den opbevarer. Dette er afgørende, fordi virksomheden har personlige og finansielle data om sine kunder.

Til dette formål er der blevet forberedt et sæt tags, der beskriver forskellige kategorier af data, såsom:

• Personlige data,
• Kontaktoplysninger,
• Identifikationsnumre.

Næste skridt var at designe passende forespørgsler til sprogmodellen for automatisk at tildele disse tags baseret på tabel- og kolonnenavne i databaserne.

Som et resultat kan Grab klassificere opbevarede oplysninger efter følsomhed meget hurtigere og billigere. Dette gør det lettere at håndhæve dataadgangs- og privatlivspolitikker. Ifølge virksomhedens skøn har løsningen sparet så mange som 360 arbejdsdage om året, der tidligere blev brugt på manuel dataklassificering.

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

Sammenfatning. Fremtiden for AI i bankverdenen og finans

Som eksemplerne fra Stripe, Monzo og Grab viser, leverer kunstig intelligens allerede reel forretningsværdi til banker og finansielle institutioner. Det kan hjælpe med at forhindre svindel mere effektivt, målrette kunder mere præcist eller automatisere kedelige opgaver.

I de kommende år vil AI’s rolle i bankverdenen fortsætte med at vokse støt. Vi kan forvente fuld automatisering af mange back-office processer, hyper-personalisering af finansielle produkter og en tættere integration af maskinlæringsmodeller med banksystemer.

Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.