Автор: Корбин Хадсон, руководитель группы машинного обучения в Swish Labs
Несколько недель назад компания Swish посетила Fintech Forum в Монреале.
Между двумя беседами и увлекательными обсуждениями я провел семинар, чтобы обсудить применение ИИ в индустрии финансовых технологий.
Если вы посетили семинар и хотели большего, ниже представлена более длинная версия с примерами и техническими пояснениями. Если у вас не было возможности принять участие в семинаре, этот анализ предоставит вам все, что вам нужно знать об ИИ в финансовой индустрии.
Финтех?
Финансовая индустрия с большим интересом следит за развитием технологий. Крупные банки, такие как JP Morgan, первыми приняли прорывные технологии, такие как блокчейн.
Искусственный интеллект (ИИ) - это технология, меняющая парадигму, которая плавно меняет то, как мы живем, передвигаемся, взаимодействуем друг с другом, совершаем покупки. Финансы - не исключение, и отрасль только начинает подниматься на вершину айсберга.
Фин-технологии - это примеры использования передовых технологий в финансовой индустрии.
В этой статье мы рассмотрим десять приложений искусственного интеллекта и подразделение этой технологии, машинное обучение, в финтехе.
AI для личных финансов и страхования
№1. Цифровой финансовый коуч / советник
Транзакционные боты - один из самых популярных вариантов использования ИИ, вероятно, потому, что спектр приложений очень широк - во всех отраслях и на нескольких уровнях.
В сфере финансов транзакционные боты могут использоваться для предоставления пользователям финансовых услуг по обучению / консультированию.
Думайте о них как о цифровых помощниках, помогающих пользователям ориентироваться в своих финансовых планах, сбережениях и расходах. Такая услуга увеличивает вовлеченность пользователей и улучшает общее впечатление пользователя от финансового продукта, с которым они взаимодействуют.
Цифровые помощники могут быть созданы с использованием обработки естественного языка (NLP), типа модели машинного обучения, которая может обрабатывать данные в формате человеческого языка. Может быть добавлен уровень модели рекомендации продукта, позволяющий помощнику рекомендовать продукты / услуги на основе транзакций, которые произошли между алгоритмом и человеком-пользователем.
Пример этого приложения был развернут компанией Sun Life, которая создала виртуального помощника Эллу, чтобы помогать пользователям в программе Benefits and Pension, позволяя им оставаться в курсе своих планов страхования. Помощник отправляет пользователям напоминания на основе пользовательских данных, таких как Срок действия льгот скоро истекает или Ваш ребенок скоро перестанет получать льготы.
Цифровые помощники также могут использоваться в других сценариях, связанных с финансами: управление дивидендами, продление срока действия, приближение лимита транзакций или уведомления об обналичивании чеков.
№2. Поиск и визуализация транзакций
Чат-ботов также можно использовать в банковской сфере, чтобы сосредоточиться на задачах поиска.
Менеджеры предоставляют боту доступ к транзакционным данным пользователей (банковские транзакции), и он использует NLP для определения значения запроса, отправленного пользователем (поисковый запрос). Запросы могут быть связаны с запросами баланса, привычками к расходам, общей информацией о счете и т. Д. Затем бот обрабатывает запросы и отображает результаты.
Bank of America использует такого бота (называемого Эрика) в качестве цифрового финансового помощника для своей клиентской базы. Бот на базе искусственного интеллекта был быстро принят - миллион пользователей за три месяца.
Бот предлагает удобный поиск транзакций, позволяющий пользователям искать в своих исторических данных конкретную транзакцию с конкретным продавцом, избегая хлопот с поиском их в каждой из своих банковских выписок. Бот также вычисляет общие суммы кредита и долга - задачу, которую пользователи должны были выполнить самостоятельно на своем калькуляторе.
№3. Профиль риска клиента
Важнейшей частью работы банков и страховых компаний является профилирование клиентов на основе их оценки риска.
ИИ - отличный инструмент для этого, поскольку он может автоматизировать категоризацию клиентов в зависимости от их профиля риска, от низкого до высокого.
Основываясь на работе по классификации, консультанты могут решить связать финансовые продукты для каждого профиля риска и предложить их клиентам в автоматическом режиме (рекомендации по продуктам).
Для этого варианта использования модели классификации, такие как XGBoost или искусственная нейронная сеть (ИНС), обучаются на исторических данных о клиентах и данных предварительной маркировки, предоставленных советниками, что устраняет предвзятость, вызванную данными.
№4. Андеррайтинг, ценообразование и оценка кредитного риска
Страховые компании предлагают услуги андеррайтинга, в основном, для кредитов и инвестиций.
Модель на основе искусственного интеллекта может обеспечить мгновенную оценку кредитного риска клиента, что затем позволит консультантам составить наиболее адаптированное предложение.
Использование искусственного интеллекта для андеррайтинга повышает эффективность сделанных предложений и улучшает качество обслуживания клиентов, поскольку ускоряет процесс и время выполнения таких операций.
Manulife, канадская группа финансовых услуг, является первым игроком в стране, который использует ИИ для своих андеррайтинговых услуг, благодаря чему многие канадцы быстрее приобретают базовое страхование жизни, что является ключом к устранению« пробела в защите в Канаде». »
Страховая компания использует специальный AI, алгоритм принятия решений с использованием искусственного интеллекта (AIDA), который обучен предыдущим методам андеррайтинга и выплатам и может иметь различные процессы классификации, такие как выплата крупных убытков или цена.
Применение этого метода не распространяется на страхование; его также можно использовать для кредитного скоринга ссуд.
№5. Автоматизированные процессы рассмотрения претензий
Страховая отрасль в том виде, в каком мы ее знаем, работает по стандартному процессу: клиенты подписываются на страховку, за которую они платят. Если у клиента возникла проблема (болезнь по медицинскому страхованию, автокатастрофа по автомобильному страхованию, ущерб от воды для жилищного страхования), ему необходимо активировать свое страхование, подав иск. Этот процесс часто бывает длительным и сложным.
Транзакционные боты могут превратить взаимодействие с пользователем в более приятный процесс.
Благодаря усовершенствованным функциям распознавания изображений, обнаружения мошенничества и прогнозирования выплат весь путь пользователя обновляется - меньше трений, меньше затрат для компании, меньше операционных задач (звонки, фоновые проверки) и меньше ошибок в целом. Весь процесс занимает меньше времени и становится удобным как для клиентов, так и для сотрудников страховой компании.
Бот берет на себя ответственность за весь цикл: он проводит клиента через процесс, шаг за шагом, в диалоговом формате.
Он запрашивает видео или фотографии повреждений и загружает их в базу данных. Он принимает всю информацию, необходимую для обработки претензии. Затем бот может запустить приложение с помощью метода обнаружения мошенничества, ища аномалии и несоответствующие данные.
Затем он переходит к модели корректировки, где предоставляет диапазон значений для выплаты. После того, как все данные установлены, вмешательство человека может быть включено для целей аудита. На этом этапе бот может рассчитать и предложить суммы выплат на основе модели прогнозирования выплат, на которой он был обучен.
Это приложение представляет собой комплексное решение для машинного обучения, которое потенциально может облегчить серьезную проблему в отрасли.
Это миссия нью-йоркского страхового стартапа Lemonade. На главной странице своего веб-сайта они просят пользователей забыть то, что вы знаете о страховании, четко объявляя о нарушениях, которые они вносят в отрасль благодаря использованию ИИ. С момента создания в 2015 году компания привлекла 180 миллионов долларов США.
Узнайте больше о применении ИИ в сфере страхования в этом анализе @swishteam.
Межотраслевой
№6. Анализатор контрактов
Анализ контрактов - это повторяющаяся внутренняя задача в финансовой отрасли. Менеджеры и консультанты могут делегировать эту рутинную задачу модели машинного обучения.
Оптическое распознавание символов (OCR) можно использовать для оцифровки документов на бумажных носителях. Модель NLP с многоуровневой бизнес-логикой может затем интерпретировать, записывать и исправлять контракты с высокой скоростью.
Бизнес-логика - это своего рода условное форматирование, подобное тому, что можно найти в Microsoft Excel. В модель можно добавлять формулы, например, «если этот флажок установлен, то этот должен быть пустым». Модель можно обучить на существующих контрактах и научиться вести себя с таким контентом.
В этом случае точность результатов модели чрезвычайно высока из-за повторяющегося характера контрактов.
JP Morgan использовал возможности этого приложения искусственного интеллекта, что позволило освободить 360 000 часов (ежегодно) от нагрузки своих сотрудников всего за несколько секунд.
Эти решения поддерживают анализ, связанный с контрактами, в то время как смарт-контракты на основе блокчейн, меняющие парадигму обновления управления контрактами, получают более широкое распространение.
№7. Прогноз оттока
Показатель оттока (или выбытия) является ключевым показателем эффективности для всех отраслей и предприятий. Компаниям необходимо удерживать клиентов, и для этого прогнозирование оттока клиентов может быть чрезвычайно полезным для принятия превентивных мер.
ИИ может поддержать менеджеров в этой миссии, предоставив приоритетный список клиентов, которые подумывают об отмене своей политики. Затем менеджер может обратиться к этому списку соответствующим образом: предоставить более высокий уровень обслуживания или улучшить предложение.
Модель в этом случае основана на переменных, объясняющих эффект оттока, на основе данных о поведении клиентов. Объясняющими переменными могут быть количество загрузок отчетов, количество случаев чтения пользователями политик учетной записи, отказ от подписки на информационные бюллетени и рассылки и другие индикаторы оттока пользователей. Обрабатывая данные о потребителях, банки могут лучше обслуживать их, принимая их предложения и цены.
Используемая модель представляет собой классификацию, обученную на исторических данных о клиентах, которые отменили свою политику, и других, которые остались после того, как решили покинуть учреждение.
Исследовательская статья о прогнозировании оттока клиентов в банковской сфере показала важность исследования потребителей по сравнению с массовым маркетингом для этой конкретной отрасли:
Подход массового маркетинга не может преуспеть сегодня в разнообразии потребительского бизнеса. Анализ потребительской ценности вместе с прогнозом оттока клиентов поможет маркетинговым программам ориентироваться на более конкретные группы клиентов.
№8. Алгоритмическая торговля - самый продвинутый ML, который вы никогда не увидите.
Большинство приложений алгоритмической торговли происходит за закрытыми дверями инвестиционных банков или хедж-фондов.
Торговля очень часто сводится к быстрому анализу данных и принятию решений. Алгоритм машинного обучения отлично подходит для анализа данных независимо от их размера и плотности.
Единственное предварительное условие - иметь достаточно данных для обучения модели, чего в трейдинге много (рыночные данные, текущие и исторические).
Алгоритм обнаруживает модели, которые обычно трудно обнаружить человеку, он реагирует быстрее, чем трейдеры-люди, и может автоматически выполнять сделки на основе информации, полученной на основе данных.
Такую модель может использовать маркет-мейкер, который ищет краткосрочную сделку на основе быстрого движения цены. Такие операции чувствительны ко времени, и модель обеспечивает необходимую скорость.
Примером этого является торговля отдельными акциями по сравнению с движением цен по индексу S&P 500, который является известным опережающим индикатором (т. Е. Акции следуют за индексом). Алгоритм берет движение цены из индекса и предсказывает соответствующее движение отдельной акции (например, Apple). Затем акция покупается (или продается) немедленно с помощью лимитного ордера, размещенного на уровне прогноза, в надежде, что акция достигнет этой цены.
№9. Расширенные инструменты исследования
В инвестиционном финансировании большая часть времени тратится на исследования. Новые модели машинного обучения увеличивают объем доступных данных о конкретных торговых идеях.
Анализ настроений можно использовать для комплексной проверки компаний и менеджеров. Это позволяет аналитику сразу увидеть тон / настроение больших наборов текстовых данных, таких как новости или финансовые обзоры. Это также может дать представление о том, как менеджер отражает результаты своей компании.
Распознавание спутниковых изображений может дать исследователю представление о многих точках данных в реальном времени. Примерами являются движение на стоянках в определенных местах (например, в магазинах розничной торговли) или движение грузовых судов в океане. Из этих данных модель и аналитик могут получить бизнес-идеи, такие как частота покупок в определенных магазинах упомянутых выше розничных продавцов, поток поставок, маршруты и т. Д.
Передовые методы НЛП могут помочь исследователю быстро проанализировать финансовые отчеты компании. Выделение ключевых тем, представляющих наибольший интерес для фирмы.
Другие методы науки о данных также могут форматировать и стандартизировать финансовую отчетность.
№10. Модели оценки
Модели оценки обычно применяются для инвестиций и банковского дела в целом.
Модель может быстро рассчитать оценку актива, используя точки данных вокруг актива и исторические примеры. Эти точки данных - это то, что человек использовал бы для оценки актива (например, создатель картины), но модель узнает, какие веса назначить каждой точке данных, используя исторические данные.
Эта модель традиционно использовалась в сфере недвижимости, где алгоритм можно обучить на предыдущих сделках купли-продажи. Для финансовых компаний он может использовать точки данных финансового анализа, рыночные мультипликаторы, экономические показатели, прогнозы роста; все, чтобы предсказать стоимость компании / активов.
Такие модели используются командами инвестиционных банков в качестве внутреннего инструмента.
Это был обзор приложений искусственного интеллекта в финансовых технологиях. Технология растет с каждым днем, и этот список будет расширяться. На данный момент финансовые компании, внедряющие ИИ, улучшат свою деятельность, маркетинг, продажи, качество обслуживания клиентов, выручку и качество сделок в целом.
Эта статья предоставлена вам командой машинного обучения Swish.
Мы создаем продукты на переднем крае машинного обучения и искусственного интеллекта, чтобы дать бизнесу преимущество. Если вы хотите обеспечить свой бизнес технологическим будущим, мы здесь, чтобы это произошло. Давай поболтаем
Первоначально опубликовано на www.swishlabs.com.
