在里面银行业，监管机构建立并监督遵守规则，银行和其他金融机构需要遵循。这些合规规定对于公司认真遵守非常重要，因为不合规可能会导致巨额罚款，在极端情况下，甚至会失去银行执照。
合规规定也经常发生变化，银行需要根据这些规定不断更新其流程和工作流程。此外，随着欺诈和网络安全黑客攻击变得越来越复杂，银行业的许多监管机构都把有效降低这些风险的责任推给了银行。
对银行家而言，这意味着，除了处理日常银行业务外，银行还需要跟踪适用于它们的合规规定。在过去的几年里，诸如GDPR和巴塞尔协议四等新的银行条例使得银行争相对他们的一些工作流程进行大修以满足这些新的要求。
一般来说，大多数银行的内部合规团队为了这个目的。合规团队在银行的任务是通过成千上万的网页和内部文件，以便冲刷留在这些规则的最新变化进行更新。
合规人员也需要做出上遵守规则的改变需要从银行立即采取行动，准确的决策。这需要时间，并且它都没有提供额外的收入给银行。
基于人工智能的软件可以帮助银行和金融机构提高识别适用于它们的规则的准确性。人工智能软件可以帮助提高每个合规官员的技能，同时允许他们扩大业务规模，做更多的事情，而不是像手动搜索数字文件和政府网站那样。银行可能会使用人工智能软件来自动搜索网站，并为每家公司识别出最相关的网站。
银行历来试图降低与合规相关的，因为他们不推动收入增长的成本。不出所料，银行已经投入资金到自动化的努力，以增加他们的合规小组，使他们尽可能高效准确地确定哪些法规需要从银行和以什么顺序操作。
下图，来自我们的AI景观机会在银行业务中，在银行业务中跨AI供应商产品提供的基于AI的遵从性应用程序的数量和百分比。这是人工智能应用于银行业的方方面面的一部分:
合规性作为一个类别银行中排名第三高的AI的供应商产品的数量，占了其中的11.5％。此外，AI供应商提供的产品是否符合收到的第二最高的总筹资金额（$ 489万美元）相比其他银行功能。
此外，AI厂商符合此前平均的AI人才密度最高的在他们的领导团队提供产品和高于平均水平更高的资金相比其他功能。在我们的报告前六名银行功能，遵守得分最高的平均专业知识和资金评分（3.3满分为4.0），揭示了AI供应商提供的产品是否符合相对可信的，并且能够事务所。
我们采访的银行专家，包括汇丰(HSBC)前人工智能主管，都坚称合规是目前银行关注的主要自动化领域之一。
在本文中，我们将深入研究以下银行遵从性应用程序，并使用来自该领域的AI供应商的案例研究来代表当今AI的可能性。具体地说,我们将讨论:
- 自然语言处理的应用程序的合规性：叙述科学公司的羽毛笔和数字推理公司分别对可疑活动报告的生成和员工与客户的对话进行监视
- 案例研究- Ayasdi:Ayasdi与花旗银行的案例研究中，供应商帮助银行通过了全面的资本分析和审查测试
我们开始分析AI在银行空间的顺应性自然语言处理银行合规流程的申请。
自然语言处理的应用程序合规
一家公司符合申请信息检索提供NLP服务是叙事学的思考。该公司提供羽毛，他们声称是一个自动报告生成工具。他们的软件公司称，用户可以选择一个数据图表自动生成的几句话解释人们可以从图表中争取的见解。例如，他们在一个项目中，他们帮助银行，一位不愿透露姓名银行工作的公司声称生成可疑活动报告（SARS）。
“非典”是银行和金融机构向监管机构提交的强制性报告。这些是银行调查过的任何欺诈或网络安全威胁事件的报告。叙述科学声称，由“非典型肺炎”产生的奖金足以帮助合规团队和内部审计团队确保一家银行保持合规。
数字推理提供了一种叫做进行监测，自然语言处理工具，可以分析据称已被记录在文本或声音的人谈话，以确定是否是银行的员工都符合规定行事时，它们相互作用与客户。该公司声称，他们的软件被纳斯达克提取员工工作交互记录信息，并确保内部合规。
案例研究:Ayasdi
AI厂商Ayasdi声称其产品，模型加速器，使用机器学习来生成适合客户公司用例的AI模型，然后允许主题专家选择最准确的执行模型。他们声称，他们的模型加速器在合规和风险建模方面是有用的regtech。
在一个案例研究，Ayasdi声称花旗银行所使用的模型加速器，以帮助符合综合资本分析和审查，这是为了防止像一个在2008年发生在CCAR测试另一场危机制定，银行需要预测并提供了一个理由监督机构，他们的收入和资本公积足够牢固，能够经受住任何市场动荡。
Ayasdi要求银行使用他们的软件输入与历史财务业绩数据来预测不同类型的市场动荡的影响可能是对他们的行动是什么。根据该案例研究，花旗银行未能通过测试三分之二的三次Ayasdi工作之前，并能整合后顺利过关。
现有的自动化工作可能有助于人工智能的采用
银行分配现有的努力，合规性自动化;他们有他们的合规部门的这些努力，并往往相当大翅膀大型IT预算。这意味着，合规是通过人工智能要转型，欺诈和网络安全沿着第一银行职能可能之一。
银行不需要建立新的业务基础设施，不需要雇佣整个部门的人员，也不需要像市场营销和财富管理等银行职能部门那样，弄清楚在哪些方面可以实现自动化的预算。相反，银行可以专注于招聘数据科学人才，并提升现有IT员工的技能，这些员工可能正在从事自动化工作，如机器人过程自动化(RPA)。
也就是说，RPA不是人工智能，现有的IT员工不太可能知道如何“做人工智能”:使用数据构建机器学习模型，然后迭代这些模型。这是说没有什么文化的变迁需要发生在一家银行它已经准备好与人工智能工作之前。AI是不是;它不是“插件和播放。”
法规遵循部门的自动化之翼需要数据科学人员和法规遵循的主题专家共同参与，他们经常需要离开他们的日常工作，与数据科学家进行头脑风暴，并为他们可以构建的模型类型提供一个边界框。我们将进一步讨论这个问题我们关于主题专家的关键作用的执行指南在将机器学习项目的生活。
遗留系统的挑战
最大的银行已经出现，在某些情况下，超过一百年了，这不仅影响了银行的文化，但它的数字基础设施。银行仍保留许多纸质文件，以及它们的数字系统和数据基础设施是很难高达最新的科技巨头，如Facebook和亚马逊。AI集成到这些旧系统可以是一个挑战，而通常情况下，一个“地面行动”的做法是必要的，在该银行组织数据的湖泊和仓库。
银行里的文件，包括与合规人员有关的文件，历史上从未以一种易于将其输入人工智能算法的方式存储。换句话说，银行通常不具备适当的数字基础设施，而这些基础设施是实现人工智能搜索功能以增强合规流程所必需的。为一些人工智能项目奠定基础可能涉及数据科学的专业知识，事实上，还有其他的人工智能应用，比如文件数字化。
不确定的投资回报率和AI领导的重要性
此外，银行可能仍会发现，人工智能项目不一定会立即开始产生投资回报。人工智能项目可以在任何地方持续2到6个月，然后才能部署到企业环境中。即使在这种情况下,银行需要注意,毕竟投资和努力,仍然是有机会的,现有技术可能执行新的AI系统一样,至少在最初的一段时间中AI还没有足够的数据输入学习所有的细微差别合规监控。
因此，厌恶风险的银行业领袖可能不会倾向于进入人工智能领域，除非有明确的、确凿的市场回报证据。银行可能需要聘请合规部门的领导者，他们要了解人工智能项目的内容，要有更长远的整体数据战略眼光。我们对银行业专家的调查发现，大多数人认为，在银行开始采用人工智能之前，银行缺乏创新文化是需要克服的主要挑战。
考虑到他们目前对自动化的关注，法规遵循部门可能是最有可能雇佣能够引导部门采用AI的领导者之一。这些领导者可以作为人工智能的拥护者，确保部门人员理解人工智能项目是迭代过程，不能保证产生ROI，同时保持对技术试验的热情。他们可以雇佣数据科学家，并倡导预算以提高现有IT人员的技能，这样他们就可以帮助这些数据科学家为机器学习项目清理和协调数据。
这一切都表示，尽管与AI项目相关的不确定性，在这些项目中从事对银行来说是明白什么进入开发诸如系统和增益数据处理能力，将成为他们很好的未来的最快方法。
标题图片来源:分析培训博客
