AI nel settore bancario e finanziario. Stripe, Monzo e Grab | AI nel business #78

AI nel settore bancario – introduzione

L’intelligenza artificiale è già ampiamente utilizzata in molte aree del settore bancario e finanziario. Non si tratta solo di chatbot per il servizio clienti o di applicazioni ben protette. L’intelligenza artificiale viene utilizzata nell’industria finanziaria per scopi ancora più seri. Ecco le principali applicazioni dell’AI nel settore bancario:

• Rilevamento e prevenzione delle frodi – algoritmi avanzati analizzano le transazioni in tempo reale e rilevano schemi di attività sospetta. Questo protegge efficacemente i clienti dalle truffe,
• Ottimizzazione della previsione della liquidità finanziaria – modelli predittivi basati sull’AI analizzano enormi quantità di dati per prevedere con precisione i flussi di cassa futuri e gestire la liquidità in modo più accurato.
• Snellimento dei processi relativi alla valutazione della solvibilità – anche qui, gli algoritmi di machine learning vengono in soccorso, che, sulla base dell’analisi di migliaia di domande di credito, possono valutare con precisione la credibilità finanziaria di un cliente,
• Personalizzazione delle offerte e delle raccomandazioni per i clienti – le banche utilizzano modelli di raccomandazione avanzati per adattare i prodotti finanziari alle esigenze individuali dei clienti,
• Automazione dei processi di back-office – compiti di routine, come la verifica dei documenti o la liquidazione delle transazioni, possono essere completamente automatizzati con l’aiuto dell’AI.

Tuttavia, come hanno fatto le aziende che operano nei mercati globali a far fronte all’implementazione di queste innovazioni?

Stripe: credibilità delle transazioni attraverso l’AI nella finanza

Uno dei leader nell’applicazione dell’AI alla finanza è Stripe. Ha sviluppato un sistema chiamato Stripe Radar, che analizza più di 1.000 caratteristiche di una transazione in meno di 100 millisecondi per valutarne l’affidabilità. Il sistema ha un tasso di precisione del 99,9% mantenendo un basso tasso di falsi allarmi.

Come è stato raggiunto questo obiettivo? Innanzitutto, Stripe utilizza tecniche avanzate di machine learning come le reti neurali profonde. Il sistema è costantemente migliorato e sviluppato con nuove capacità, come il transfer learning.

In secondo luogo, l’azienda è costantemente alla ricerca di nuovi segnali nei dati delle transazioni che possano aiutare a identificare anomalie che indicano potenziali frodi. Gli ingegneri di Stripe esaminano attentamente ogni caso di frode per comprendere i modelli operativi dei criminali e arricchire il sistema con regole aggiuntive.

Stripe Radar è un ottimo esempio di come l’AI nel settore bancario possa proteggere efficacemente i clienti dalle truffe finanziarie.

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

Monzo: AI nella finanza

Monzo, una neobanca con sede nel Regno Unito che opera esclusivamente nello spazio digitale, ha applicato le capacità di machine learning in un’area completamente diversa: l’ottimizzazione delle campagne di marketing.

La banca ha costruito modelli che, sulla base di dati storici, possono stimare la disponibilità di un determinato cliente a sfruttare un’offerta aggiuntiva, come l’apertura di un conto di risparmio, se riceve un messaggio specifico dalla banca.

Successivamente, per massimizzare l’efficienza della campagna, il sistema indica quali clienti dovrebbero ricevere quale messaggio promozionale. Questo consente di mirare precisamente al messaggio e di ottenere risultati significativamente migliori rispetto al caso di comunicazione di massa, non personalizzata.

In alcuni casi, l’implementazione di tale ottimizzazione ha permesso a Monzo di aumentare l’efficacia delle campagne fino al 200%! Questo dimostra come l’AI nel settore bancario possa aiutare a raggiungere i clienti in modo più efficiente con offerte personalizzate che risuonano con loro.

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

Grab: AI nella classificazione dei dati sensibili

Grab è un gigante tecnologico del Sud-est asiatico, che offre servizi come trasporti e consegne. L’azienda ha deciso di sfruttare le capacità dei Modelli Linguistici (LLM) per automatizzare il processo di classificazione dei dati sensibili che conserva. Questo è cruciale perché l’azienda detiene i dati personali e finanziari dei suoi clienti.

A tal fine, è stato preparato un insieme di etichette che descrivono varie categorie di dati, come:

• Dati personali,
• Informazioni di contatto,
• Numeri di identificazione.

Successivamente, sono state progettate query appropriate per il modello linguistico per assegnare automaticamente queste etichette in base ai nomi delle tabelle e delle colonne nei database.

Di conseguenza, Grab può classificare le informazioni memorizzate per sensibilità in modo molto più rapido ed economico. Questo facilita l’applicazione delle politiche di accesso ai dati e di privacy. Secondo le stime dell’azienda, la soluzione ha risparmiato fino a 360 giorni lavorativi all’anno che prima venivano spesi per la classificazione manuale dei dati.

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

Riepilogo. Il futuro dell’AI nel settore bancario e finanziario

Come dimostrano gli esempi di Stripe, Monzo e Grab, l’intelligenza artificiale sta già offrendo un reale valore commerciale a banche e istituzioni finanziarie. Può aiutare a prevenire le frodi in modo più efficace, a mirare i clienti in modo più preciso o ad automatizzare compiti noiosi.

Negli anni a venire, il ruolo dell’AI nel settore bancario continuerà a crescere costantemente. Possiamo aspettarci l’automazione completa di molti processi di back-office, l’iper-personalizzazione dei prodotti finanziari e un’integrazione più stretta dei modelli di machine learning con i sistemi bancari.

Se ti piace il nostro contenuto, unisciti alla nostra comunità di api operose su Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.