人工智能在零售银行-当前应用| Emerj - 万博x官网,msports万博体育官网,万博官方软件

在零售银行的许多业务流程中，使用人工智能实现自动化的时机已经成熟。所有类型的银行都可能喜欢支付处理自动化的用例欺诈识别，但零售银行也可能从自动化中受益信用评分和客服聊天机器人。

我们已经探索人工智能广泛应用于银行业但在本文中，我们将具体讨论在零售银行业中使用人工智能的可能性。我们提供了一个银行使用该软件取得成功的例子，并详细说明了该软件如何适合于银行企业。我们的讨论分为几个部分，详细介绍了以下功能:

欺诈检测零售银行：人工智能的方法，如异常检测，可以用来检测欺诈和减少误报。
信用评分与预测分析：如何AI可以用来确定一个信用评分和数据类型进入这一点。
多种语言的客户服务聊天机器人:如何自然语言处理(NLP)软件的工作，以改善客户体验和节省客户服务成本。

我们开始我们的人工智能软件的概述与基于AI-欺诈检测零售银行。

零售银行中的欺诈检测

有多家公司向零售银行出售基于人工智能的欺诈检测解决方案，用于其消费者银行服务，如借记卡和抵押贷款应用程序。他们最常用的异常检测软件使其成为可能。

银行业的异常检测应用程序比其他的应用程序更常见预测分析。银行在进行软件集成投资时，需要将异常检测软件安装到现有的欺诈管理系统中。然后，软件会根据交易或贷款申请的标记数据流进行实时培训。

机器学习算法分析每一个新的数据块，以逐步形成一个正常的基线，然后它可以开始标记该基线的偏差为欺诈。

当任何银行事件，如信贷、取款或收费，偏离了软件正常识别的模式时，它将通知人工雇员。该人将有权选择接受或拒绝此通知。

这将使有关交易是否是欺诈在其结论软件的反馈。该软件使用拒绝通知的信号，以允许从最初登记为异常的规范一定偏差。

银行的支付专家还可以通过搜索在过去交易的新识别欺诈法的其他情况下提高算法，并利用它们作为对如何该方法可以提出自己进一步的证据。

这可能发生的一种方式是通过对客户行为模式，可以起到信号的算法，别人除了假定用户试图完成一个动作。我们采访了欧文大厅，首席执行官Heliocor，关于AI对我们的播客的强项和弱点进行诈骗和降低风险，人工智能在银行业。当我们提到更传统的基于规则的系统时，Hall做了一个观察，这个观察也适用于开箱即用的AI应用:

人们在日常生活中会留下越来越多的“面包屑”，而这些“面包屑”会被用于诈骗钱财。整个区域都是银行看看“我怎么知道坐在网上做交易的人就是我认为的那个人。”他说，我认为人工智能将在其中发挥作用。

我们的读者可以通过以下方式找到更多关于异常检测应用程序如何为重要银行工作的信息:下载行政摘要为我们的人工智能在银行供应商记分卡和能力地图报告。

人工智能如何检测异常

异常检测应用可以用于识别和防止欺诈通过与每个交易相关联的多个数据点。如果客户的信用卡信息被盗取和小偷进行的购买数百英里之外，该软件可能能够认识到客户是不是在交易的起源和标志的交易。同样的，反常的消费行为，如重复支付的尖峰可能被标记为好。

异常检测软件可以识别内部的欺诈贷款申请以及其他类似的财务文件。它可以根据以前客户的大量数据，在潜在客户提供的财务信息中搜索异常情况。这可能包括银行已经拥有的关于客户的任何财务信息，这样它就可以更快地识别虚假信息。

对于银行业的业务领导来说，考虑这种类型的AI应用程序将对其部门的工作流产生的影响是很重要的。例如，审查贷款文件和银行欺诈历史的员工可能需要在软件的用户界面上接受培训，以便他们能够接受或拒绝欺诈通知。即使欺诈检测软件工作正常，增加的摩擦也会降低员工的工作效率。

我们采访了穆里尔Serrurier Schepper荷兰合作银行(Rabobank)高级数据分析与人工智能(Advanced Data Analytics & Artificial Intelligence)业务顾问。当我们问及她在将人工智能引入一家成熟公司方面所经历的挑战时，Schepper说:

很多AI公司的进来......，告诉我们有没有需要更多的人。然后，我们开始一个项目，哎呀，我们仍然需要做很多工作我们自己，那继续在公司内部各个层面。

Schepper强调的事实，即公司不应该，希望完全自动地从一开始他们所需的业务流程正确的方法解决AI的重要性。在欺诈检测的情况下，仍将需要员工有最终决定权交易是否为欺诈行为（至少直到算法充分的培训），以及接受或训练期间拒绝欺诈检测实例。

一家为零售银行提供欺诈检测的人工智能公司就是其中之一Threatmetrix，LexisNexis公司的子公司。他们的动态决策平台据称提高了账户认证和身份验证。

该公司声称使用了异常检测找到可以接受的客户行为的基线和探测异常的交易，从这种行为偏离。然后，这些交易都是拿下自己被欺诈，有多远，从规范交易偏离其可能相关因素的可能性。

Threatmetrix称，动态决策平台从数据库中提取数据数字标识网他们使用这个平台来存储事务性数据。

以下是来自ThreatMetrix网站的图片，详细介绍了他们的数字身份网络的四个主要组成部分。这包括为单个客户提供唯一的ID代码，并为员工提供附加到给定客户的所有凭据的可视化。然后，该系统根据“信心，即交易被欺诈的可能性”，以及“信任”，即客户ID代码的相对声誉，对客户进行评分。

根据一项案例分析从Threatmetrix的网站，该公司帮助银行之外通过替换其现有的欺诈检测解决方案减少被盗的财务信息造假。案例研究状态诈骗者瞄准了少了习惯于数字世界是除了银行的客户和滥用自己的无知网上得到他们的凭据。

整合后，除了银行看到了软件识别他们的客户信息，培训后回访客户的98％。该软件也被评为了其中70％是可信的，这意味着它能够根据自己的消费行为，认识到银行的合法客户。与此同时，客户谁没有回来“受信任”很可能为过去的造假情况审查。这导致减少误报率，以及。通过检测异常交易，银行是据称能够预防和客户帐户停止收购的攻击。

预测分析的信用评分

除了欺诈检测，零售银行还可以使用人工智能应用程序来自动信用评分。特别是预测分析应用程序可以帮助零售银行更准确地估计潜在客户的风险。这些应用程序还可以使用传统信用和财务历史之外的数据来确定某人的信用评分。

在确定客户的信用评分时，预测分析软件会通过算法运行银行拥有的有关客户的数据。然后，该软件计算出，如果银行选择承销，它们将承担多大的风险。

这种类型的应用程序可以帮助零售银行增加他们可以提供信贷的人数，因为他们可以使用更广泛的数据类型来进行信贷评分。这包括社交媒体上的帖子，以及诸如点赞、分享或评论等互动。客户的在线行为可能是他们将按时付款并全额偿还贷款的一个指标。

从社交媒体帖子中提取数据需要使用自然语言处理软件。这可以识别这些帖子的内容，并确定他们的情绪是积极的还是消极的。这篇文章的观点变成了一个数据点，预测分析软件可以把它作为信用评分计算的一个因素。

使用这类应用程序的零售银行可能能够准确地为客户评分，否则他们将无法获得较高的分数。银行或许能够利用其社交媒体活动和电子商务互联网历史，提高存款不足人群的贷款偿还率。

随着人工智能技术的进步和自动化的信用评分越来越广泛，在银行业务领导人可能要考虑员工的不断变化的需求。例如，如果一家银行采取了信用评分的应用程序，一旦他们提出贷款申请可能会自动评分的客户，承销商可能只需要查看软件的报告和批准。

我们采访了乔伊·达斯古普塔，首席执行官Empirican关于我们播客的话题，AI在工业。当被问及企业使用人工智能最重要的员工角色时，达斯古普塔说:

会发生什么的人在过程中，我们使用自动化AI我们的解决方案，我们的知识基础自动化？我们的任务......是真正手工流程自动化，当然也会有排量在这里。和仍然存在的角色是例外管理团队......在新的模型，可以的棋子，谁拥有更广阔的视野和更广泛的一套常务其流程责任的高端检查。

本例中的“检查人员”是指那些监视AI应用程序并批准或拒绝传入通知和结果的人员。当人工智能在信用评分和其他包销用例中变得更加普遍时，承销商可能需要发展对人工智能系统的理解，从而成为它们。

SAS提供一款名为“预测分析”的软件SAS企业矿工信用评分。该解决方案是其较大的企业矿工解决方案的附加功能。通过对有关客户的金融史的所有相关信息的客户银行的企业数据的软件的机器学习算法进行筛选，。然后，该软件使用预测分析来确定基于数据客户的信用评分。

右边的图片来自SAS的网站，展示了他们信用评分软件的“互动分组”功能。这显示了用户如何更改被测试变量的数量，以了解它们对客户信用评分的影响，并将结果相互进行比较。

该公司出版了一份案例分析在他们声称已经帮助比雷埃夫斯银行集团准确的信用评分新的潜在客户。

根据该案例研究，SAS的软件帮助比雷埃夫斯加快信用数据分析和报告生成时间的30％。该银行还据称使用的软件，找到最好的方式来预测这些预测到未来。这包括能力测试多个变量和它们之间容易地切换。每个变量取决于出现在客户的数据的其他变量不同的权衡。

聊天机器人在多语言的客户服务

一些零售银行增加客户服务聊天机器人自己的手机银行应用程序，以便消费者能够轻松浏览通过应用程序用更少的摩擦寻求帮助。客户可以键入或讲关于大部分的银行服务问题进入聊天机器人。包括检查其横跨多个账户余额，抵押贷款审批，以及如何要求取消信用卡或借记卡。

聊天机器人运行在NLP软件上，实时确定客户问题背后的意图。这将需要对机器学习模型进行银行术语的培训，以及它们与银行移动应用程序的哪些部分相关联，比如在哪里查看一个人的余额或切换他们正在查看的账户。此外，聊天机器人可以继续改进它们的答案，并通过标记新问题供人类员工审阅来扩展它们可以处理的问题类型。然后，员工可以利用这个问题作为培训机会，教聊天机器人将来如何回答这个问题。

银行业领导人可能会发现，客户在某些领域遇到的摩擦最多，因此希望创建一个聊天机器人来处理这些问题。公司可能希望专注于特定的客户问题，而不是应对所有类型的零售银行问题。相反，如果一家银行的客户服务部门不够健全，那么它可能需要一个聊天机器人来处理最简单、最常被客户问到的问题，从而降低呼叫中心的流量。

在本例中，对于单个银行来说，上述每种可能性都可能是正确的决策。然而，这两种方法都不是每家银行的正确答案。我们采访了Sid Reddy首席科学家Conversica，关于这个，以及一般能力和聊天机器人的局限性。当被问及它是否更重要的是准备一个聊天机器人用于多种用途或训练它来处理一个特定的任务很好，雷迪说：

其实都不是。我们让不同的主体做不同的事情的根本原因是自然语言处理和机器学习尚未解决，而且很难理解人类书写自然语言的方式。我们没有一个模型可以理解每种环境下的一切。

因此，研究人员和公司所做的是，他们为特定的任务或特定的知识总结目标收集注释数据，他们试图为特定的注释任务、特定的意图和相应的实体集建立模型。那个特定的模型只能基于它所拥有的例子来做得很好。因此，不同的公司关注不同的意图和实体。

Reddy的报价清楚地表明，培养了聊天机器人不是那么简单的决定，银行希望它能够回答什么类型的问题。相反，银行必须不断地意识到了什么问题，他们的客户都在问，并利用这些新的问题，以帮助机器学习模型适应新的主题和方式，询问他们。

例如,银行可能会有很多客户困惑于如何查看他们的储蓄帐户余额当他们的支票账户是默认应用程序。如果银行没有准备这类型的问题最初,聊天机器人可能无法识别什么是问。