인공지능과 데이터의 중요성 

 AI는 데이터를 이해하는 것입니다. AI는 데이터 내부의 다양한 패턴과 서로 다른 개체 간의 관계를 해독하려고 시도하며 이벤트를 예측하거나 더 많은 데이터를 생성하려고 시도합니다.

초기에는 ML과 딥러닝의 도움으로 AI를 사용하여 사건의 가능성을 예측했습니다. AI는 이벤트의 선행 지표를 캡처하는 데 사용되며, 과거 데이터를 기반으로 다른 이벤트의 미래를 나타내는 데 사용됩니다.

이제 Generative AI를 통해 AI 모델은 수많은 데이터에 대해 훈련을 받습니다. 여기에는 Deep Learning, Attention, Transformer 모델과 같은 다양한 방법이 사용됩니다.

변환기 모델을 사용하면 AI는 새로운 데이터 유형을 생성할 수 있습니다. 입력 데이터는 텍스트, 이미지, 오디오 또는 기타 형식일 수 있습니다. 유사한 라인에서 출력 데이터는 텍스트, 사진, 오디오 또는 기타 형식이 될 수 있습니다.

은행의 목표

모든 은행의 주요 목표는 다음과 같습니다.

1. 최저 비용으로 돈을 모으는 능력. 이는 CASA 계좌 또는 예금 계좌 형태일 수 있습니다. 
2. 차용인에게 돈을 빌려줄 수 있는 능력 은행에 유리한 금리로.
3. 기타 금융상품 제공 가능 그리고 수수료를 징수합니다.

이것이 주요 목표이기는 하지만, 은행도 이를 주시하고 있는지 확인해야 합니다.

1. 그들의 관행은 모든 규제 지침을 준수합니다. 
2. 그들에게 빌려준 돈이 합의된 조건에 따라 반환되는지 확인합니다.
3. 은행은 필요할 때마다 예금자에게 돈을 돌려줄 수 있도록 올바른 유형의 유동성이 은행에 유지됩니다. 예를 들어 단기대출에는 단기예금금을 준다는 뜻이다. 마찬가지로 장기예금자금은 장기대출에 대해서만 제공됩니다.

이 모든 것을 결합하여, 은행이 성공하려면 이러한 점에 집중해야 합니다.

A.그 확인 그들은 모든 고객의 다양한 여정에 참여할 수 있습니다. 그들은 그의 개인 생활과 직업 생활에 도움을 제공하고 그가 성장하도록 도울 수 있어야 합니다. 

여기에는 고객의 주택 구매 지원, 고객 또는 가족 구성원이 고등 교육을 받기를 원하는 경우 고객 지원, 자동차 구매, 비즈니스에 필요한 물품 수출 또는 수입 지원 등 다양한 일이 포함될 수 있습니다.

B. 그 확인 그들은 모든 규제 기관의 규칙을 준수할 수 있습니다.

C. 확인 위의 작업을 수행하는 동안 비용이 가장 낮습니다.  

위의 내용을 통해 은행은 고객의 신뢰할 수 있는 파트너가 되어야 하고 규제 기관의 신뢰할 수 있고 투명한 행위자가 되어야 한다는 점은 분명합니다.

신뢰는 데이터와 함께 제공되며, 여기서 은행이 우위를 점합니다.

은행에는 고객에 대한 많은 데이터가 있습니다.

고객이 계좌를 개설하고 해당 계좌를 유지하면 은행에서 데이터를 캡처하는 다양한 이벤트가 있습니다.

데이터는 다음 기간 동안 수집됩니다.

1. 온 보딩 
2. KYC 및 AML 확인 중
3. 후보자 및 가족 데이터
4. 교육 자격 데이터, 
5. 직업 및 급여 데이터 
6. 일일 지출. 
7. 전체 저장 데이터
8. 어떤 경우 크로스 셀, 관련 데이터 신용카드 사용내역, 투자정보
9. 고객이 은행에서 대출을 받으면 많은 해당 대출과 관련된 데이터 (고객의 다양한 습관이나 비즈니스와 연결되어) 수집됩니다.
10. 경우에 고객은 무엇이든 사거나 판매합니다., 수집과 관련된 데이터입니다.

이 모든 포인트는 모든 소매 고객에게 유효합니다. 기업고객의 경우 데이터가 수집될 때 더 많은 이벤트가 발생합니다.

은행은 인공 지능 덕분에 지난 수십 년 동안 운영, 고객 관계 및 서비스에 상당한 변화를 목격했습니다.

주로 머신러닝(ML)과 생성적 AI의 하위 집합을 통해 제공되는 이 기술은 은행이 오래된 과제와 기회에 접근하는 방식을 바꾸는 데 중요한 역할을 했습니다.

역사적 관점

XNUMX년대 초반의 금융계는 오늘날의 세계와 크게 달랐습니다. 

예를 들어, 전체 거래의 10% 미만이 컴퓨터 시스템을 통해 이루어졌습니다.

주요 거래 방법은 전통적 중개인, 현장 거래, 전화 통화 등이었습니다.

그러나 기술이 발전하기 시작하면서 거래 수단도 발전했습니다. 1990년대가 시작되고 이후 개인용 컴퓨터가 등장하면서 거래는 디지털 플랫폼으로 전환되기 시작했습니다.

2000년대 초반에 변화가 현실화되었습니다. 인터넷의 급성장하는 힘은 수많은 분야에 혁명을 일으켰고 금융도 예외는 아니었습니다. 거의 하룻밤 사이에 업계에서는 전자 거래가 급증했습니다.

이때까지 모든 거래의 거의 70%가 전자적으로 실행되었습니다. 이러한 변화는 단지 편의성에 관한 것이 아니었습니다. 또한 거래 세계에 더 큰 효율성, 투명성 및 속도를 가져왔습니다.

이제 현 시대로 눈을 돌려보자. 인공지능(AI)이 등장하면서 거래는 또 다른 심오한 변화를 경험했습니다.

AI 알고리즘을 기반으로 한 초단타매매(HFT)가 주식 시장에서 지배적인 세력이 되었습니다. 밀리초 단위로 많은 거래가 이루어지는 이 방법은 널리 보급되어 현재 전체 주식 시장 거래량의 50% 이상을 차지합니다.

그래서 수십 년 안에 우리는 수동에서 AI 기반 HFT로 전환했습니다. 이는 기술 발전의 끊임없는 속도와 그것이 은행 생태계에 미치는 영향을 보여줍니다.

금융 분야 AI의 기술적 기반

1. 신경망: 2019년 한 연구에 따르면 글로벌 은행의 27%가 위험 평가를 위해 신경망을 사용하는 것으로 나타났으며 이는 이 기술에 대한 신뢰가 높아지고 있음을 보여줍니다.

2. 딥 러닝: 연구에 따르면 딥 러닝 모델은 사기 탐지 정확도를 최대 20% 높이는 데 도움이 될 수 있습니다.

3. 변신 로봇: 최첨단 ML 연구의 핵심이 되는 모델 아키텍처입니다.

변압기는 여러 하위 레이어가 있는 여러 레이어로 구성됩니다.

여기서 두 가지 주요 하위 계층은 Self-Attention 계층과 Feedforward 계층입니다. 

Self-attention은 인간이 단락을 읽는 방식과 유사합니다. 우리는 문단의 이전 문장과 문장의 마지막 단어를 기억하고 읽으면서 다음 문장이나 단어를 연결합니다.

우리는 해당 문장의 의미를 결정하기 위해 순서대로 각 단어의 중요성을 평가합니다.  

같은 방식으로 self-attention 레이어는 문장의 각 단어의 중요성을 살펴보고 도출하는 반면, 피드포워드 레이어는 입력 데이터에 비선형 변환을 적용합니다. 

이러한 레이어의 도움으로 변환기는 문장에 있는 단어 간의 관계를 학습하고 이해합니다. 

미래의 은행 환경

현재 은행의 지평은 인공 지능으로 재정의되고 있습니다. 

인공지능을 은행업에 접목시키는 것은 단순한 '유행 트렌드'가 아닙니다. 이는 돈, 투자, 금융 서비스에 대한 우리의 생각을 재정의하는 패러다임 전환을 가져올 것입니다.

이는 현대성을 위해 기술을 수용하는 것 이상의 의미를 갖습니다. 이러한 대규모 전환 뒤에는 매우 실질적인 인센티브가 있습니다.

미래는 단지 기술에 관한 것이 아닙니다. 이는 모두를 위한 더 나은, 더 혁신적이며 더 포용적인 금융 세계에 관한 것입니다.

1. 강화된 고객 경험: 기존 서비스를 넘어

A. 챗봇과 가상 비서: 챗봇 한동안 거기에 있었어요. 그러나 이제 생성 AI를 통해 챗봇은 외부 및 내부 은행과 고객 데이터에 대한 교육을 받을 수 있습니다. 이는 챗봇이 매우 개인화된 방식으로 응답하는 데 도움이 될 것입니다. 고객마다 다릅니다.

그러나 고객 프로필과 최근 거래(ATM 카드가 작동하지 않아 고객이 화가 나서 은행 지원 센터에 전화한 경우)를 기반으로 챗봇은 개인화된 방식으로 답변을 제공할 수 있습니다.  

챗봇은 고객을 진정시킬 수 있는 언어발언을 도와줄 수 있습니다. GEN AI 및 ML 기반 챗봇을 사용하면 신속하고 정확하며 실시간으로 개인화된 응답을 제공할 수 있으며 이는 모두에게 win-win 상황이 될 것입니다. 은행은 운영 비용을 절감하고 고객은 더 빠른 서비스를 받을 수 있습니다.

B. 맞춤형 뱅킹: 은행 부문에서 만능 패러다임이 사라지고 있습니다. GEN AI 및 ML 알고리즘은 개별 거래 데이터를 사용하여 재무 조언을 맞춤화하고, 관련 상품을 제안하거나, 비정상적인 지출 행동에 대해 사용자에게 알릴 수도 있습니다.

한 설문조사에 따르면 소비자의 83%가 개인화된 경험을 위해 데이터를 공유하는 데 열려 있는 것으로 나타났습니다.

2. 강화된 위험 관리:

여기서 우리는 AI의 예측 능력을 활용할 수 있습니다.

A. 적응형 사기 탐지: 2022년에는 전 세계적으로 카드 사기로 인한 손실이 수십억 달러에 달하므로 사기 탐지가 무엇보다 중요합니다. ML은 몇 초 만에 수백만 건의 거래를 검사하고, 의심스러운 패턴을 감지하고, 즉각적인 경고를 발생시켜 강력한 솔루션을 제공합니다.

B. 신용평가의 혁명: 신용 점수를 결정하기 위한 기존 지표는 개인의 재정적 안정성을 정확하게 나타내지 않는다는 이유로 면밀히 조사되는 경우가 많습니다. AI와 ML을 입력하세요. 그들은 비전통적인 데이터 포인트를 포함한 많은 데이터 포인트를 분석하여 보다 전체적인 신용 평가를 보장합니다.

3. 투자 및 거래: 알고리즘이 장악하고 있습니다

A. 알고리즘 거래: ML 기반 고주파 거래가 시작되면서 주식 시장 상황이 크게 바뀌었습니다. 

B. 로보어드바이저: 이러한 알고리즘 중심의 투자 플랫폼의 상승은 그야말로 눈부셨습니다. 

4. 프로세스 자동화: 효율성을 위한 추진력

A. 원활한 고객 온보딩: 문서를 분석하고, 원활하게 KYC 확인을 수행하고, 고객을 등록하는 Generative AI의 기능을 통해 한때 며칠이 걸리던 프로세스를 단 몇 분으로 단축할 수 있습니다.

B. 최적화된 예측 분석: 이제 금융 기관에서는 ML을 배포하여 ATM의 현금 인출 패턴을 예측하여 항상 적절한 재고를 확보하고 있습니다.

이는 고객 만족을 보장하고 현금 물류와 관련된 간접비를 크게 줄입니다.

5. 재무 예측: 데이터 및 기본 감정 분석 

다양한 소셜 미디어 콘텐츠와 정서 분석부터 글로벌 거시 경제 지표에 이르기까지 광범위한 데이터 세트를 조사함으로써 생성 모델과 ML은 놀라울 정도로 정확한 시장 움직임 예측을 할 수 있는 능력을 갖추고 있습니다.

전 세계의 헤지 펀드는 점점 더 이러한 AI 모델에 의존하고 있으며, 종종 AI 모델이 기존 예측 방법을 능가하는 경우가 많습니다.

6. 은행이 배우고 기뻐할 수 있는 기회(굵은 글씨): 생성적 AI를 통해 은행은 고객과 다양한 글로벌 이벤트 관행에 대해 학습하고 각 고객에게 맞춤형 제품을 제공할 수 있습니다. 이는 정말 큰 즐거움입니다. 

7. 긴 문서 요약: 고객은 종종 은행에서 긴 문서를 검토해야 합니다. 이제 이러한 문서를 GEN AI 기반 챗봇에 업로드할 수 있으며 고객은 이 챗봇에 관련 질문을 할 수 있습니다.

GEN AI 기반 챗봇은 문서 요약을 제공하고 모든 질문에 대한 답변을 제공할 수 있습니다. 이를 통해 고객은 문서에 언급된 모든 이용 약관을 신속하게 알 수 있습니다.

8. 보험 인수를 쉽게 하기: 위에서 언급한 내용과 마찬가지로 은행가도 인수 과정에서 다양한 서류를 자주 검토해야 합니다. 이제 모든 데이터는 질문-답변 형식이나 은행원에게 적합한 다른 방식으로 추출되어 제공될 수 있습니다.  

9. 지식 관리 및 교육: GEN AI를 사용하면 은행원의 교육을 개인화할 수 있습니다. GEN AI를 사용하면 과거 데이터(금융 시장 붕괴, 통화 전쟁, 다양한 무역 및 공급망 문제 등) 및 해당 은행과 관련된 모든 관련 데이터에 대해 모델을 훈련할 수 있습니다. 이는 은행에 합류하는 직원의 온보딩 문제를 완화하고 은행의 측면 직원에게 도움이 될 것입니다.

10. 규정 준수: GEN AI 모델을 사용하면 은행 직원에게 최신 규정에 대한 브리핑을 제공할 수 있습니다. 이는 또한 은행이 모든 업무 보고서가 법률을 준수하는지 확인하는 데 도움이 됩니다.

11. 재정적 포용: 은행 직원은 특별한 도움이 필요하거나 공식적인 신용 기록이 없는 사람을 대하는 방법을 배워야 하는 경우가 많습니다. GEN AI를 사용하면 은행 직원 교육 과정에서 이러한 상황을 만들어내고 필요한 교육을 제공할 수 있습니다.

유사한 라인에서는 고객의 동의 하에 고객의 신용 점수를 확인하기 위해 고객의 다른 데이터를 사용할 수 있습니다. 이와 같은 관행은 재정적 포용성을 높이는 데 도움이 될 것입니다.  

12. GEN AI를 갖춘 로우 코드-노 코드 플랫폼: GEN AI 및 LC-NC 플랫폼을 통해 은행 IT 담당자는 소프트웨어를 변경하고 다양한 기능을 출시할 수 있습니다. 

비슷한 맥락에서 GEN AI가 탑재된 LC-NC 플랫폼은 은행을 위한 다양한 도구에 도움을 줄 수 있습니다. 은행의 기업 고객은 이를 사용하여 템플릿과 문서를 생성할 수 있습니다.  

금융시장의 인공지능 사례

1. 풍부한 고객 경험:

JPMorgan의 COiN(계약 정보 플랫폼): 은행에서 인수 문서를 처리하는 것은 정확성과 막대한 인적 시간을 요구하는 힘들고 힘든 과정이었습니다.

JPMorgan의 COiN은 AI의 능력을 활용하여 전통적으로 수천 시간이 걸렸던 이러한 문서를 이제 단 몇 초 만에 처리합니다. 이러한 놀라운 효율성은 오류를 최소화하고 상당한 비용을 절감하여 JPMorgan의 재무 건전성에 긍정적인 영향을 미칩니다.

뱅크 오브 아메리카(Bank of America)의 에리카: AI 기반 가상 비서인 Erica는 Bank of America가 고객과 상호 작용하는 방식을 변화시켰습니다. 항상 개인화된 통찰력을 갖춘 가상 금융 보조원으로, 출시 이후 1.5억 건 이상의 상호 작용을 수행했습니다. 

2. 강화된 위험 관리:

Mastercard 의사결정 인텔리전스: 사기 예방은 금융 기관의 가장 중요한 관심사로 남아 있습니다.

Mastercard의 Decision Intelligence는 수천 개의 데이터 포인트를 살펴보고 각 거래에 최첨단 모델링 기술을 적용하여 단일 거래 결정 점수에 도달하는 실시간 승인 결정 솔루션입니다.

이는 발급자가 승인 결정을 세부적으로 조정하는 데 도움이 됩니다. 

3. 투자 및 거래:

BlackRock의 Aladdin(자산, 부채, 부채 및 파생 투자 네트워크):  포괄적인 투자 관리 및 거래 플랫폼인 이 플랫폼은 포괄적인 포트폴리오 관리와 함께 정교한 위험 분석을 사용합니다.  

숫자: 크라우드소싱의 개념은 금융 부문에서 수익성 있는 적용을 발견했습니다. Numerai는 양적 금융에 혁명을 일으키기 위해 AI가 운영하는 크라우드 소싱 헤지 펀드입니다. 

4. 프로세스 자동화 :

DBS 은행의 짐 (Jobs Intelligence Maestro): 채용은 모든 기관에서 중요하면서도 시간이 많이 걸리는 프로세스입니다. DBS Bank의 AI 도구인 Jim은 채용 효율성을 높입니다. 

5. 재무 예측:

알파센스: 빠르게 변화하는 금융 세계에서는 시기적절한 정보가 매우 중요합니다. AlphaSense는 사용자가 회사 정보를 찾고 XNUMX초 안에 연구 데이터를 제공할 수 있도록 도와줍니다. 

켄쇼: Kensho는 S&P Global의 AI 및 혁신 허브입니다. 복잡한 문서 음성 데이터 및 기계 학습 모델을 포함한 자연어 데이터와 함께 작동합니다. 

위에서 언급한 이름 외에도 Capital One, NatWest, Raiffeisen Bank, Commonwealth Bank, Goldman Sachs, ING, Citigroup, TD Bank, UBS, Capital One, Royal Bank of Canada, Wells Fargo, Commonwealth Bank of Australia 등이 AI를 운영에 활용하고 있습니다. 

이면: AI 중심 금융 세계의 과제

모든 장점에도 불구하고 AI의 금융 통합에는 장애물이 전혀 없습니다.

1. 데이터 개인정보 보호 문제: 데이터 기반 접근 방식의 불가피한 파생물은 잠재적인 데이터 오용이나 위반에 대한 우려가 커지고 있다는 것입니다. 우리는 각 시민이 개인 정보 보호 및 데이터 보호에 대한 기본 권리를 가지고 있음을 인정해야 합니다. 기관은 GDPR 및 CCPA와 같은 규정을 엄격하게 준수해야 합니다.

 2. 윤리적 의미 : AI 시스템이 적절하게 조정되지 않으면 편견을 물려받을 수 있으며, 이로 인해 편향된 대출 결정이나 신용 승인과 같은 차별적인 관행이 발생할 수 있습니다. 은행은 AI 모델을 훈련하는 동안 이 부분에 매우 주의해야 합니다. 

또한 '낮은 품질의 데이터', '환각 성향', '전체 생태계와의 통합', '인재 가용성'과 관련된 우려 사항도 해결해야 합니다.  

결론

다양한 아바타를 갖춘 인공지능은 확실히 은행 환경을 변화시킬 것입니다. 정말 획기적인 기술이네요. 그러나 다른 기술과 마찬가지로 이는 조력자 역할만 할 수 있습니다. 이 기술의 힘을 활용하고 금융계에 긍정적인 변화를 가져오는 것은 우리에게 달려 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.finextra.com/blogposting/25361/artificial-intelligence-in-banking?utm_medium=rssfinextra&utm_source=finextrablogs