Tekoälyn ja koneoppimisen sovelluskohteita pankeille

Yksi esimerkki on ING:n yhdessä Googlen ja PwC:n kanssa kehittämä, tekoälyyn ja koneoppimiseen perustuva luottoriskin varoitusjärjestelmä. Varhaisvaroitusjärjestelmä kerää ja analysoi suuria tietomääriä selvittääkseen, ovatko yritykset, joille pankki myöntää lainoja, alttiina mahdollisille riskeille. Koneoppimiseen perustuvan teknologian avulla järjestelmä tarkistaa luotonottajiin liittyvät taloudelliset ja ei-taloudelliset tiedot, kuten uutiset, kaikkialta maailmasta. Sillä on pääsy sellaisiin paikallisuutisiin, jotka voisivat ihmiseltä jäädä huomaamatta muun muassa kielikysymysten vuoksi. Järjestelmä voi käsitellä jopa 80 000 artikkelia päivittäin. Se käyttää Googlen luonnollista kielenkäsittely- ja käännöspalvelua paikallisissa tiedotusvälineissä julkaistuissa artikkeleissa.

Nopeudesta monia etuja

Luottoriskien hallinnan kannalta nopeus on olennainen tekijä. Mitä aikaisemmin riski havaitaan, sitä nopeammin ja paremmin tappioita voidaan ehkäistä. Pankin luottoriskejä käsittelevä asiantuntija säästää valtavasti aikaa, kun hän voi keskittyä arvioimaan valmiiksi poimittua ja käännettyä, olennaista tietoa. Järjestelmä oppii kokemuksesta ja arvioi uutisten ja markkinoiden kehityskulkuja koko ajan proaktiivisemmin, joten työkalun ennakoivia ominaisuuksia on mahdollista kehittää yhä edelleen.

Samaa alustaa voidaan käyttää analysoimaan yritysten luottoriskiprofiilia tai tiedon analysoinnin tukena Know Your Client -prosesseissa. Näilläkin alueilla tekoälyn tuominen manuaalisten prosessien tilalle tuo kiistattomia etuja. Esimerkiksi rahanpesuepäilyn poissulkeminen transaktioista nopeutuu valtavasti, kun satojen tuhansien transaktioiden joukosta pystytään nopeasti tunnistamaan ne, joissa saattaa piillä potentiaalinen riski, ja fokusoimaan analyysityö niihin.

Testaamalla liikkeelle

Tekoälyn soveltumista ja hyötyjä omassa yrityksessä voi parhaiten arvioida kokeilemalla rohkeasti. Valmis tekoälyratkaisu sopii harvalle sellaisenaan, joten paras lähestymistapa löytyy testaamalla. Liikkeelle kannattaa lähteä pienemmiltä, tarkkaan rajatuilta alueilta.

Tekoälyhankkeiden onnistumisen arvioinnin kriteerinä voidaan käyttää esimerkiksi niiden sopivuutta yhtiön liiketoimintamalleihin ja prosesseihin, talon sisäisiä kehittämiskyvykkyyksiä sekä toistettavuutta. Olennaista on myös se, miten hanke tukee yhtiön strategiaa ja miten se sopii talon omaan infraan sekä olemassa olevaan teknologiaan. Hankkeiden onnistumista auttaa, kun kokeiluun otetaan mukaan niin vanhoja kuin uusia osaajia yhtiön sisältä, jotka voivat työskennellä tekoälyn parissa. Tämä auttaa kasvattamaan osaamista liiketoimintaan mahdollisimman laajasti.

Kokeilut kartuttavat yhtiön näkemystä siitä, miten tekoäly voi sitä palvella. Hyödyt eivät kuitenkaan jää siihen. Kokeilut tuovat tullessaan uusia ideoita ja rohkeutta tehdä asioita toisin. Lisääntynyt rohkeus ja ymmärrys tekoälyn mahdollisuuksista taas edesauttaa innovaatioita alueilla, joita ei muuten tulisi ajatelleeksi – ja joille kilpailijat eivät ole vielä ehtineet!