AI in bankieren en financiën. Stripe, Monzo en Grab | AI in business #78

AI in de banksector – introductie

Kunstmatige intelligentie wordt al op grote schaal gebruikt in veel gebieden van de bank- en financiële sector. Het zijn niet alleen chatbots voor klantenservice of goed beveiligde applicaties. Kunstmatige intelligentie wordt in de financiële sector voor nog ernstigere doeleinden gebruikt. Hier zijn de belangrijkste toepassingen van AI in de banksector:

• Fraudedetectie en -preventie – geavanceerde algoritmen analyseren transacties in real-time en detecteren verdachte activiteitspatronen. Dit beschermt klanten effectief tegen oplichting,
• Optimalisatie van financiële liquiditeitsprognoses – AI-gebaseerde voorspellende modellen analyseren enorme hoeveelheden data om toekomstige kasstromen nauwkeurig te voorspellen en liquiditeit beter te beheren.
• Stroomlijnen van processen met betrekking tot kredietwaardigheidsbeoordeling – ook hier komen machine learning-algoritmen van pas, die op basis van de analyse van duizenden kredietaanvragen de financiële geloofwaardigheid van een klant nauwkeurig kunnen beoordelen,
• Personalisatie van aanbiedingen en aanbevelingen voor klanten – banken maken gebruik van geavanceerde aanbevelingsmodellen om financiële producten af te stemmen op de individuele behoeften van klanten,
• Automatisering van backofficeprocessen – routinetaken, zoals documentverificatie of transactieafhandeling, kunnen volledig worden geautomatiseerd met behulp van AI.

Maar hoe hebben bedrijven die actief zijn op wereldmarkten de implementatie van deze innovaties aangepakt?

Stripe: transactiecredibiliteit door AI in financiën

Een van de leiders in het toepassen van AI op financiën is Stripe. Het heeft een systeem ontwikkeld genaamd Stripe Radar, dat meer dan 1.000 kenmerken van een transactie in minder dan 100 milliseconden analyseert om de betrouwbaarheid ervan te beoordelen. Het systeem heeft een nauwkeurigheid van 99,9% en behoudt een laag percentage valse alarmen.

Hoe is dit bereikt? Ten eerste maakt Stripe gebruik van geavanceerde machine learning-technieken zoals diepe neurale netwerken. Het systeem wordt voortdurend verbeterd en ontwikkeld met nieuwe mogelijkheden, zoals transfer learning.

Ten tweede is het bedrijf voortdurend op zoek naar nieuwe signalen in transactiegegevens die kunnen helpen bij het identificeren van anomalieën die op mogelijke fraude wijzen. De ingenieurs van Stripe bekijken zorgvuldig elke fraudekwestie om de operationele patronen van de criminelen te begrijpen en verrijken het systeem met aanvullende regels.

Stripe Radar is een uitstekend voorbeeld van hoe AI in de banksector klanten effectief kan beschermen tegen financiële oplichting.

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

Monzo: AI in financiën

Monzo, een in het VK gevestigde neobank die uitsluitend in de digitale ruimte opereert, heeft machine learning-capaciteiten toegepast in een totaal ander gebied: het optimaliseren van marketingcampagnes.

De bank heeft modellen gebouwd die, op basis van historische gegevens, de bereidheid van een bepaalde klant kunnen inschatten om gebruik te maken van een extra aanbieding, zoals het openen van een spaarrekening, als ze een specifiek bericht van de bank ontvangen.

Vervolgens geeft het systeem aan welke klanten welk promotiebericht moeten ontvangen om de efficiëntie van de campagne te maximaliseren. Dit maakt het mogelijk om de boodschap nauwkeurig te richten en aanzienlijk betere resultaten te behalen dan in het geval van massale, niet-gepersonaliseerde communicatie.

In sommige gevallen heeft de implementatie van een dergelijke optimalisatie Monzo in staat gesteld de effectiviteit van campagnes met maar liefst 200% te verhogen! Dit toont aan hoe AI in de banksector kan helpen om klanten efficiënter te bereiken met op maat gemaakte aanbiedingen die bij hen aansluiten.

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

Grab: AI in de classificatie van gevoelige gegevens

Grab is een technologisch gigant uit Zuidoost-Azië, die diensten aanbiedt zoals transport en levering. Het bedrijf heeft besloten de mogelijkheden van Language Models (LLM) te benutten om het classificatieproces van gevoelige gegevens die het opslaat te automatiseren. Dit is cruciaal omdat het bedrijf de persoonlijke en financiële gegevens van zijn klanten beheert.

Voor dit doel is een set tags voorbereid die verschillende categorieën van gegevens beschrijven, zoals:

• Persoonlijke gegevens,
• Contactinformatie,
• Identificatienummers.

Vervolgens zijn geschikte queries ontworpen voor het taalmodel om deze tags automatisch toe te wijzen op basis van tabel- en kolomnamen in de databases.

Als resultaat kan Grab opgeslagen informatie veel sneller en goedkoper classificeren op basis van gevoeligheid. Dit vergemakkelijkt de handhaving van gegevenstoegang en privacybeleid. Volgens de schattingen van het bedrijf heeft de oplossing maar liefst 360 werkdagen per jaar bespaard die voorheen aan handmatige gegevensclassificatie werden besteed.

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

Samenvatting. De toekomst van AI in de banksector en financiën

Zoals de voorbeelden van Stripe, Monzo en Grab laten zien, levert kunstmatige intelligentie al echte zakelijke waarde voor banken en financiële instellingen. Het kan helpen om fraude effectiever te voorkomen, klanten nauwkeuriger te targeten of saaie taken te automatiseren.

In de komende jaren zal de rol van AI in de banksector gestaag blijven groeien. We kunnen de volledige automatisering van veel backofficeprocessen, hyper-personalisatie van financiële producten en een nauwere integratie van machine learning-modellen met banksystemen verwachten.

Als je onze inhoud leuk vindt, sluit je dan aan bij onze drukke bijengemeenschap op Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.