AI inom bank och finans. Stripe, Monzo och Grab | AI i affärer #78

AI inom bankverksamhet – introduktion

Artificiell intelligens används redan i stor utsträckning inom många områden av bank- och finanssektorn. Det handlar inte bara om chattbottar för kundservice eller väl skyddade applikationer. Artificiell intelligens används inom finansbranschen för ännu mer seriösa syften. Här är de viktigaste tillämpningarna av AI inom bankverksamhet:

• Bedrägeridetektering och förebyggande – avancerade algoritmer analyserar transaktioner i realtid och upptäcker misstänkta aktivitetsmönster. Detta skyddar effektivt kunder från bedrägerier,
• Optimering av finansiell likviditetsprognos – AI-baserade prediktiva modeller analyserar stora mängder data för att exakt förutsäga framtida kassaflöden och hantera likviditet mer noggrant.
• Strömlinjeformning av processer relaterade till kreditvärdering – här kommer också maskininlärningsalgoritmer till hjälp, som baserat på analys av tusentals kreditansökningar kan bedöma en kunds finansiella trovärdighet noggrant,
• Personalisering av erbjudanden och rekommendationer för kunder – banker använder avancerade rekommendationsmodeller för att skräddarsy finansiella produkter efter individuella kundbehov,
• Automatisering av back-office-processer – rutinuppgifter, såsom dokumentverifiering eller transaktionsavveckling, kan helt automatiseras med hjälp av AI.

Men hur har företag som verkar på globala marknader klarat av att implementera dessa innovationer?

Stripe: transaktions trovärdighet genom AI inom finans

En av ledarna inom tillämpningen av AI på finans är Stripe. De har utvecklat ett system som kallas Stripe Radar, som analyserar mer än 1 000 egenskaper av en transaktion på mindre än 100 millisekunder för att bedöma dess tillförlitlighet. Systemet har en noggrannhet på 99,9% samtidigt som det upprätthåller en låg falsk alarmfrekvens.

Hur uppnåddes detta? Först använder Stripe avancerade maskininlärningstekniker som djupa neurala nätverk. Systemet förbättras och utvecklas ständigt med nya funktioner, såsom transfer learning.

För det andra letar företaget ständigt efter nya signaler i transaktionsdata som kan hjälpa till att identifiera avvikelser som indikerar potentiell bedrägeri. Stripes ingenjörer granskar noggrant varje bedrägerifall för att förstå brottslingarnas verksamhetsmönster och berika systemet med ytterligare regler.

Stripe Radar är ett utmärkt exempel på hur AI inom bankverksamhet effektivt kan skydda kunder från finansiella bedrägerier.

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

Monzo: AI inom finans

Monzo, en neobank baserad i Storbritannien som verkar uteslutande i den digitala sfären, har tillämpat maskininlärningskapaciteter inom ett helt annat område: optimering av marknadsföringskampanjer.

Banken har byggt modeller som, baserat på historiska data, kan uppskatta en given kunds vilja att utnyttja ett ytterligare erbjudande, såsom att öppna ett sparkonto, om de får ett specifikt meddelande från banken.

Därefter, för att maximera kampanjens effektivitet, anger systemet vilka kunder som ska få vilket kampanjmeddelande. Detta möjliggör en exakt riktning av meddelandet och uppnår betydligt bättre resultat än i fallet med masskommunikation utan personalisering.

I vissa fall har implementeringen av sådan optimering gjort att Monzo kunnat öka kampanjernas effektivitet med upp till 200%! Detta visar hur AI inom bankverksamhet kan hjälpa till att nå kunder mer effektivt med skräddarsydda erbjudanden som resonerar med dem.

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

Grab: AI i klassificeringen av känslig data

Grab är en teknologijätte från Sydostasien som erbjuder tjänster som transport och leverans. Företaget har beslutat att utnyttja kapabiliteterna hos språkmodeller (LLM) för att automatisera klassificeringsprocessen av känslig data som det lagrar. Detta är avgörande eftersom företaget innehar personlig och finansiell data om sina kunder.

För detta ändamål har en uppsättning taggar förberetts som beskriver olika datakategorier, såsom:

• Personuppgifter,
• Kontaktinformation,
• Identifikationsnummer.

Därefter designades lämpliga frågor för språkmodellen för att automatiskt tilldela dessa taggar baserat på tabell- och kolumnnamn i databaserna.

Som ett resultat kan Grab klassificera lagrad information efter känslighet mycket snabbare och billigare. Detta underlättar genomförandet av datatillgångs- och integritetspolicyer. Enligt företagets uppskattningar har lösningen sparat så mycket som 360 arbetsdagar per år som tidigare spenderades på manuell dataklassificering.

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

Sammanfattning. Framtiden för AI inom bankverksamhet och finans

Som exemplen från Stripe, Monzo och Grab visar, levererar artificiell intelligens redan verkligt affärsvärde till banker och finansiella institutioner. Det kan hjälpa till att förebygga bedrägerier mer effektivt, rikta kunder mer exakt eller automatisera tråkiga uppgifter.

Under de kommande åren kommer AI:s roll inom bankverksamhet att fortsätta växa stadigt. Vi kan förvänta oss full automatisering av många back-office-processer, hyper-personalisering av finansiella produkter och en närmare integration av maskininlärningsmodeller med banksystem.

Om du gillar vårt innehåll, gå med i vår aktiva bi-gemenskap på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.