Financiële dienstverleners hebben grote hoeveelheden financiële gegevens die niet alleen rekeningsaldi of betalingstransacties bevatten, maar ook informatie zoals FICO-scores van klanten en kredietgeschiedenis. Historisch gezien konden organisaties niet veel met deze gegevens doen om hun bedrijf te verbeteren. Maar nieuwe geautomatiseerde kunstmatige intelligentie (AI)-methoden maken het mogelijk om de gegevens in realtime te analyseren. Financiële organisaties gebruiken in toenemende mate cloudgebaseerde, GPU-versnelde kunstmatige intelligentie (AI) en machine learning (ML) voorspellende analyse-aanbevelingssystemen om de enorme hoeveelheden financiële gegevens te analyseren. De analyseresultaten kunnen worden gebruikt om klanten suggesties te doen om de klantervaring te verbeteren, nieuwe producten te creëren en financiële organisaties te voorzien van nieuwe inkomstenbronnen.
Wat is een aanbevelingssysteem?
Aanbevelingssystemen, ook wel aanbevelingsengines genoemd, zijn AI-systemen die worden gebruikt om een product, dienst of informatie aan een gebruiker voor te stellen. Aanbevelingssystemen zijn gebaseerd op gebruikerskenmerken, voorkeuren, geschiedenis en gegevens, dus de aanbeveling is altijd gepersonaliseerd voor een bepaalde klant of gebruiker.
Financiële aanbevelingssystemen gebruiken om de klantervaring te verbeteren
Financiële dienstverleners gebruiken steeds vaker aanbevelingssystemen om nieuwe producten voor te stellen, vragen van gebruikers te beantwoorden of klantgegevens te analyseren om klanten te helpen bij het oplossen van problemen. Volgens een Forbes-artikel uit 2021: “Financiële dienstverleners kunnen ML/AI gebruiken om hun klanten en bedrijfsonderdelen effectiever te begrijpen. Veel bedrijven gebruiken bijvoorbeeld machine learning om financiële productaanbevelingsmotoren of klantbetrokkenheidsprompts aan relatiebeheerteams aan te sturen. Het combineert persoonlijke gegevens, inclusief hoe iemand krediet gebruikt, hun scores en saldo’s en stelt vervolgens geschikte producten voor die aan de behoeften van de individuen voldoen.”
Een effectieve AI-aanbevelingsoplossing bouwen
Voorspellende analyse met behulp van AI-aanbevelingssystemen vereist analyse van enorme hoeveelheden gegevens. Veel financiële organisaties hebben een verouderde infrastructuur, beperkte budgetten voor AI-ontwikkeling en personeel dat niet beschikt over datawetenschapsvaardigheden die nodig zijn om AI-aanbevelingsalgoritmen te implementeren. Uit dit onderzoek van Forrester-rapport blijkt dat “ruwweg twee derde (64%) van de technische besluitvormers niet volledig vertrouwen heeft in hun vermogen om de AI-doelen van hun organisatie te halen op basis van de huidige middelen.” Het trainen van ML-aanbevelingsmodellen vereist enorme rekenkracht. Een verouderde infrastructuur met op CPU gebaseerde verwerking kan de vereiste verwerkingssnelheden niet aan. Overstappen naar een op GPU gebaseerde infrastructuur zorgt voor veel snellere verwerking en training voor ML-inferentiemodellen.
Volgens de Forrester-enquête: “Wat organisaties nodig hebben, zijn vooraf gebouwde, configureerbare AI-cloudservices. Cloud AI-services stellen ontwikkelaars in staat om via API’s toegang te krijgen tot uitgebreide AI-mogelijkheden om applicatie-innovatie te stimuleren zonder dat er datawetenschapservaring vereist is.” De overstap naar een cloudgebaseerde AI-oplossing die vooraf gebouwde AI-modellen bevat, resulteert in een snellere implementatietijd en geeft organisaties toegang tot AI-modellen die op verantwoorde wijze zijn gebouwd en getest.
Het gebruik van cloudgebaseerde, GPU-versnelde AI- en ML-oplossingen neemt de belemmeringen weg waarmee financiële dienstverleners worden geconfronteerd bij het ontwikkelen van AI- en ML-aanbevelingsalgoritmen. Uit de “State of AI in Financial Services-enquête” bleek dat “bedrijven aanzienlijke financiële voordelen ondervinden van het inschakelen van AI in de hele onderneming. Meer dan 30 procent van de respondenten gaf aan dat AI de jaarlijkse inkomsten met meer dan 10 procent verhoogt, terwijl meer dan een kwart stelt dat AI de jaarlijkse kosten met meer dan 10 procent verlaagt.
Systeemvoorbeeld aanbevelen: een klant helpen de liquiditeit te verbeteren
Het aanbevelingssysteem van een bank werd gebruikt om realtime betalingsgegevens voor het bedrijf van een klant te analyseren. Uit de analyse blijkt dat een kleine handelsklant regelmatig op de derde dag van elke maand een negatieve liquiditeit heeft, zodat ze niet in staat zouden zijn om op dat moment een urgent probleem of een urgente kans aan te pakken als gevolg van het cashflowprobleem. Op basis van de analyse zou de bank de klant een dienst voor liquiditeitsanalyse kunnen aanbieden om de cashflow te helpen verbeteren en om beter te anticiperen op en te sturen op de dagelijkse activiteiten.
Technologiepartners bieden cloudgebaseerde, GPU-versnelde AI-aanbevelingsoplossingen
Microsoft en NVIDIA werken al lang samen om financiële instellingen te ondersteunen bij het leveren van technologie ter ondersteuning van AI- en ML-oplossingen, zoals aanbevelingssystemen. Het gebruik van de Microsoft Azure-cloud en het NVIDIA AI-platform biedt schaalbare, versnelde resources die nodig zijn om AI/ML-algoritmen, routines en bibliotheken uit te voeren.
De samenwerking tussen Microsoft en NVIDIA maakt NVIDIA’s krachtige GPU-versnelling beschikbaar voor financiële instellingen. De Azure Machine Learning-service integreert de NVIDIA open-source RAPIDS-softwarebibliotheek waarmee gebruikers van machine learning hun pijplijnen kunnen versnellen met NVIDIA GPU’s. De NVIDIA TensorRT-versnellingsbibliotheek is toegevoegd aan ONNX Runtime om de inferentie van deep learning te versnellen. Azure ondersteunt NVIDIA’s T4 Tensor Core Graphics Processing Units (GPU’s) en het NVIDIA DGX H100-systeem die zijn geoptimaliseerd voor de kosteneffectieve implementatie van machine learning inferencing of analytische workloads.
Microsoft cloudgebaseerde oplossingen voor financiële aanbevelingssystemen
De overstap naar de Microsoft Azure-cloudoplossing biedt financiële instellingen een complete set computer-, netwerk- en opslagbronnen die zijn geïntegreerd met workloadservices die in staat zijn om te voldoen aan de vereisten van de verwerking van aanbevelingsalgoritmen. Met Microsoft Azure kunnen ontwikkelaars sneller nieuwe AI-modellen bouwen en trainen met geautomatiseerde machine learning, automatisch schalen van cloudcomputing en ingebouwde DevOps.
Het vinden of ontwikkelen van het juiste financiële aanbevelingssysteem kan een tijdrovend proces zijn voor datawetenschappers. Microsoft biedt een GitHub-opslagplaats met Python-best practice-voorbeelden om het bouwen en evalueren van aanbevelingssystemen te vergemakkelijken met behulp van Azure Machine Learning-services.
Overzicht
Historisch gezien hadden financiële dienstverleners geen geautomatiseerde manier om hun enorme hoeveelheden gegevens te analyseren. Voorspellende analyse ondersteund door GPU-gebaseerde cloudoplossingen met behulp van AI- en ML-aanbevelingssystemen kunnen grote hoeveelheden snel bewegende gegevens in realtime analyseren. Deze analyse kan waardevolle inzichten opleveren over het koopgedrag van klanten, waardoor financiële organisaties aanbiedingen aan individuele klanten kunnen personaliseren. Het gebruik van aanbevelingssystemen kan ook informatie opleveren die financiële instellingen kunnen gebruiken om nieuwe bedrijfsmodellen of inkomstenbronnen op te bouwen.
0 Comments