我们的研究指示风险相关的是AI的应用银行业功能比其他业务领域的应用程序要多得多。欺诈和网络安全、合规、贷款和借贷以及风险管理总共占银行业AI供应商产品的56%，如下图所示:
这表明一个明确的适合AI的风险相关的功能金融，正因为如此，我们在银行的播客主题集中在本月的AI风险。
我们在银行和金融和银行如何使用人工智能来缓解各类风险，包括与四位专家对AI的状态，说话骗局风险，合规风险和网络安全风险。
在这篇文章中，我们打破由我们与这四个专家对我们的银行播客AI，包括有关的讨论对话的重要见解：
- 为什么机器学习是一个非常适合金融业风险管理
- 规则为基础的风险管理系统的弱点
- 如何AI算法可以在升级现有的金融统计过程
- 金融风险作为AI牵引的银行早日区
我们也将提供围绕这些点的情况下，在银行供应商记分卡和能力地图报告从我们的AI数据。感兴趣的读者可以下载执行简短。
特别感谢我们的四位受访者，他们的采访贯穿了整篇文章:
- 贡纳尔·卡森，共同创始人Ayasdi
- 亚当·亨特，首席技术官RiskIQ
- 辖沙美岛，联合创始人兼CEO TrueAccord
- 欧文厅，在Heliocor CEO
你可以听我们从AI在银行播客我们的“AI和金融风险管理”播放列表集的完整的播放列表。这篇文章是基于在所有五个这些事件的大部分：
订阅AI在银行播客，无论你让你的播客：msports万博体育官网
我们开始我们的AI的分析与为什么金融风险管理机器学习就是这样一个非常适合于诸如欺诈检测和网络安全流程。
为什么机器学习是一个非常适合金融业风险管理
风险相关的银行功能，特别是欺诈和网络安全，在很大程度上涉及发现异常行为，因为它出现。欺诈和网络安全分析师监测的活动，是规范之外的数字系统，然后标记该活动进行进一步的审查。
传统上，欺诈和网络安全分析师使用规则为基础的系统，以确定是否要标记活动为可疑或不是。我们进一步详细讨论这些系统的弱点，在本文的后面，但人工智能仅仅是更适合于在正常检测偏差。
特别是，异常检测是一个AI的做法是，顾名思义，自动标记的活动，正常的休息方式。
商家已经使用在过去十年的大部分时间他们的欺诈和网络安全过程异常检测应用;这鲜明的对比其他AI应用还处于起步阶段。
AI供应商，销售异常检测产品进入银行都提出了同样多的钱，AI供应商，销售自然语言处理（NLP）的产品（$ 723万美元），但也有一半多的异常检测厂商之外还有NLP供应商。
此外，异常检测作为一个类别打进前三名AI途径（异常检测，NLP中是最高的，预测分析）上的投资回报率得分（2.1出4.0）的平均证据。
所有这一切都指向异常检测的成熟的技术和关键银行业务流程内的资产。银行说明更多的结果与异常检测比任何其他AI的做法，风险投资家都渴望投资于使用它的供应商。
企业可以安装异常检测为基础的欺诈检测或网络安全软件到他们的数字生态系统，以便它可以开始“学习”什么业务构成了正常的活动。
例如，异常检测系统可以“学习”是典型的，合法的交易是在两个特定美元数额之间，来自某些georegions，并于特定类型的信用卡。
虽然这些标准可能听起来可行与传统的规则为基础的系统，细致入微作为创建规则的人对他们能想出这样的系统只。
欺诈分析师仅将能够基于过去的欺诈实例创建欺诈检测规则。其结果是，以规则为基础的系统不擅长检测诈骗的新方法，因为它们发生，并使用这些方法可以很容易地进入系统欺诈交易未被发现。
霍尔似乎部分引用这个时候，他讨论了骗子如何使用人的数字足迹诈骗他们提AI作为解决这一问题的可行方法：
当人们通过他们的日常生活，他们离开自己和那些成为开放供人使用骗取他们的钱的人的领域越来越多的“面包屑”。你...有一个总面积在银行的角度来看待“如何我真的知道，谁坐网上做交易的人是我真的认为他们是人。我觉得AI会进入那里。
当异常检测软件“学习”正常的数字生态系统的状态，它可以标记任何从正常偏离即使偏差不立即欺诈分析师明显。
It might be that a transaction wouldn’t be suspicious except for the fact that it came in during a particular time of day or that it’s combination of georegion, credit card number, credit card brand, and dollar amount is so outside the norm that it warrants review.
因此，异常检测是天作之合欺诈和网络安全使用情况的银行。为了进一步说明这一点，我们将通过银行两个假设使用情况的AI运行：财富管理和支付欺诈检测。
财富管理
增加客户的终生价值是财富管理的一个重要目标。从理论上讲，机器学习软件，可以用来确定什么财富管理机构应该发送给客户在什么时间，以最大限度地提高客户的终身价值（LTV）。
Ť他麻烦的是，进入得到一个客户交易，买入或出售不容易在数字空间中测量的因素。
例如，一个客户可能做出的决定提供有关个人的经验，他们有一个财富管理发表演讲后，在一个特定的公司进行投资。这是无法量化，但它在得到客户的投资发挥了重要作用。
机器学习不适合这样自然而然地进入这个特殊的用例，这是在面向客户的功能许多应用，包括财富管理和客户服务的情况。
此外，它是很难衡量这样的应用的投资回报率。即使所有的数据的财富管理机构的用途来确定何时发送到客户可以被数字化并送入机器学习算法，该公司不会有客户的LTV的想法年，有时数十年。
因此，公司将不知道，如果AI软件是任何比很长一段时间传统方法更好;也有可能成为它没有在所有帮助。
付款欺诈
相反，正如我们已经讨论过，在井异常检测配合与现有的欺诈检测过程。当支付进入系统时，异常检测软件可以判断付款是否是基于数据造假是一应俱全作为付款进来：支付的金额，它的位置，它的卡类型，它的日期。
该软件可以得到比任何规则为基础的系统更精细。
因此，对于欺诈检测的异常检测软件的投资回报率几乎可以立即积极。欺诈团队可以降低误报和漏报，减少对进入未被发现系统支付的数量，以及他们能够尽快将软件适当的培训做到这一点。的ROI可以降低成本和提高生产率来测量。
欺诈分析师花费少得多的时间和精力审查误报，并且还能够识别欺诈可能已经使用传统的欺诈检测系统，忽视了案件。
规则为基础的风险管理系统的弱点
大多数传统的欺诈检测系统是基于规则的系统。这些系统善于识别并阻止已知威胁的安全分析师已经见过。例如，如果客户交易历史一直围绕一个特定的日期和在特定位置突然发现已在不同位置显著较高的交易，该系统可以创建红旗。
在金融公司通常欺诈和网络安全分析师花费大量基于规则的时间来设计威胁检测系统。这些系统需要包括分析师可以拒绝对攻击者的安全访问的角度来考虑的每一条规则。
但是，即使分析家设计，防止大多数安全攻击的系统，这些规则需要不断更新。
这是因为一旦攻击者找到一个基于规则的系统漏洞，他们可以直到犯规被发现，规则已更新利用这一开放。此外，诈骗者也开始采用AI自己，在未来几年内使AI采用更有必要进行欺诈部门银行。
亨特说：
当AI系统真的可以帮助在允许证券分析师设计出更具活力和更加宽广的规则。这就使得攻击者需要投入更多的精力来寻找这些规则中的解决方法。
在一般情况下，传统的安全规则是哪种情况可能被归类为“良”或预定义规则“可疑”。这些规则不能解释所有的威胁，特别是以前没有遇到过的新威胁。
银行通常采用这些传统的工具来自动化引入一定程度的成欺诈分析师的工作流程，使他们能够做得更多。然而，他们有时可以证明，如果他们旗太多的误报是低效的。
AI的优势
AI软件可以在此基础上的威胁更直接的自动分类威胁事件的列表。优先考虑这些威胁有效地使人类安全分析师只注重最重要的案件。
这就是说，AI系统是一个更加困难的部署和要求不同的技能组合，以保持比普通IT。当正确实施，但是，它们可以保证更多的动态威胁的响应，适应实时新的网络安全威胁。
其结果是，他们可以标志作为交易欺诈，即使他们使用欺诈分析师欺诈未知的新方法。
如何AI算法可以在升级现有的金融统计过程
有些情况下，统计方法已经被用来确定最佳实践财务众多领域。我们将讨论两个特别是：贷款和贷款和追债。人工智能可以作为升级到这些统计模型，允许在能够提高收入的方式更多的细微差别和粒度。
贷款和贷款
线性回归分析的信用评分在革命性的银行贷款流程。他们的目标是成为一个贷款申请人的信用的客观，准确的表述，解决了与允许承销商是批准贷款的唯一决定因素来偏见的问题。
虽然算法偏差是机器学习的关注，由于“黑匣子”的问题，银行和其他贷款人与AI上取得成功的贷款和贷款流程。
传统的信用分数可以在一些二十几变量因素纳入他们的计算，但一些基于AI-承销软件可以上百，甚至上千的变量考虑进去。这是缺乏一个强大的信用历史，人口，银行是不太急于批准，因为随他们的不确定性的贷款的申请人段特别有用。
While some AI vendors offer software for credit underwriting that factor in variables such as an applicant’s digital footprint (social media data, browsing data), others use data such as the make and model of the car for which the applicant needs a loan, for example.
Feeding这样的数据转换成机器学习算法可以产生更微妙的信用评分，给的申请人是否有可能不管他们以前的信用记录，以偿还其贷款更准确的图片。
其结果是，银行可以同时少冒险批准以上的申请人。人工智能算法可能会发现，某申请人的银行，否则可能已经拒绝了，因为他们缺乏信用记录或对他们的记录中的污点，其实是有可能偿还其贷款，银行可以批准他们，直接增加收入。
与此同时，银行可以拒绝，他们将采取对他们使用了传统的信用模型来审查他们，从而降低风险的申请人。
讨债
讨债是另一个领域，人工智能可能会升级现有的统计模型。传统追债利用电话，信件，电子邮件和发送通知给信用局提醒他们的客户的债务。
在讨债部门现有的模型寻求确定何时收债员应接触到客户利益最大化，他们可以得到客户支付其债务的机会。
沙美讨论如何学习机升级现有债务收集过程可能会允许在充分利用这些努力的更细的粒度。
他给追债业务的信用贷款的例子，解释了如何AI软件可能通过改善客户体验增值现有的工作流程。他说：
Ťhere is a lot of thinking from financial firms about how to acquire customers, and AI vendors are offering finance firms a solution in this context where the better the machine learning algorithms get, the better the system’s prediction of what might be the right time, the right data through the right channel with the right content and with the right payment offer to get them to pay for their debt.
这可能成为驱动收入对银行有益。似乎有一些证据在他们显著喜欢的方式接触客户提高讨债号码。
金融风险作为AI牵引的银行早日区
我们交谈过的专家已经指出，风险相关的银行业务起着有AI是通过降低成本的方式提供价值的领域。卡尔森回声这一点，他说：
从供应链到银行-AI的内部胆量，理论上可以应用于清洁这些流程更加无缝和实时优化这些过程，压低成本，提高输出...这意味着客户获得更快地服务。
虽然在银行AI-的使用仍处于初期阶段就整体而言，金融犯罪和反洗钱是其中一些银行正在部署AI的解决方案。这是因为试图评估基于交易记录和其他客户特定的数据客户的行为是很难的。
在许多情况下，这个数据是非常复杂的，有许多欺诈调查员在这方面的工作的银行，使其成为一个高度劳动密集型的任务。
银行将不太可能着眼于建设强大的面向客户的应用程序之前，他们已经自动不赶他们任何收入，即合规性的关键过程。
尽管许多银行声称有自己的聊天机器人，这些聊天机器人是不成熟的。
银行可能只有建立了他们在应对竞争对手的新闻稿。这是一个关键的差异证明：银行在新闻稿讨论AI产品的38％是会话接口，比其他任何AI的能力等等。
与此同时，AI供应商提供会话接口都提出了只有5.5％的AI商银行募集资金总额的。人们期望聊天机器人供应商，以提高风险资本的更大份额，如果银行实际上集中在聊天机器人在这个时候。
这笔钱是在风险相关的功能。AI供应商提供的产品为AI的风险管理能力提出了总的风险投资资金的29％用于AI厂商在银行，远远超过任何其他能力类别。
这也许是不足为奇的;银行已经投资于自动化工作中如合规性和欺诈行为，现在很多年的地方。他们渴望，因为他们不开车任何额外的收入这些流程实现自动化。
因此，银行的IT部门单独专用欺诈和完全遵守。如果他们想在这些部门的投资资源投入建设的AI，它们能够比在专用的自动化工作不存在的区域这样做更容易。
此外，在这些部门的领导团队是用来思考的自动化和简化流程与技术。
这将使过渡到AI更容易，即使没有这些领导人是数据科学家和机器学习的工程师。他们心目中的框架是在他们的同龄人在其他部门最起码领先。
所有这一切，在说的什么地方银行目前在AI投资银行专家什么串联，使我们相信，风险相关的功能是最有可能在未来五年内实现自动化。
相关文章
AI-基于欺诈检测银行业 - 应用现状和发展趋势：预测analytics-和银行业异常检测为基础的欺诈检测软件，包括具体使用情况两者的分析。
艾合规的银行 - 银行在哪里应该集中下一页：机器学习的使用情况在银行和金融AI采用最佳实践，包括对银行为什么热衷于合规性流程与AI自动见解遵从流程的讨论。
人工智能风险在银行监控：AI是如何制作在银行业更广泛的风险监控进程产生影响的探索。
人工智能在网络安全 - 当前用例和功能：一些在网络安全中最常见的用例为AI广泛，包括异常检测是如何工作的一个讨论的细目。
