پشته‌های اتوماسیون هوش مصنوعی که بانک‌های جامعه در وام‌دهی، BSA AML، خدمات مشتری و مستندات بازرس مستقر می‌کنند

{ "title": "چگونه بانک‌های جامعه‌ای با هوش مصنوعی در وام‌دهی و AML رقابت می‌کنند", "excerpt": "بانک‌های جامعه‌ای با هوش مصنوعی در وام‌دهی و مبارزه با پولشویی (AML) فشار عملیاتی را کاهش می‌دهند و با موسسات بزرگ‌تر رقابت می‌کنند.", "slug": "how-community-banks-arent-burning-out-their-staff-under-the-squeeze", "tags": ["AI", "Community Banking", "Lending", "BSA AML"], "content": "بانک‌های جامعه‌ای تحت فشار فزاینده‌ای عمل می‌کنند که هیچ ربطی به اندازه ترازنامه آنها ندارد و تماماً به پیچیدگی عملیاتی اداره یک موسسه مالی تحت نظارت در محیطی برمی‌گردد که اکنون نیازمند تصمیم‌گیری‌های فوری، نظارت مستمر و مستندسازی در حد بازرس در هر گردش کاری است که با مشتری یا معامله‌ای در ارتباط است. موسساتی که از این فشار بدون فرسایش کارمندانشان (افسران وام، افسران BSA یا کارکنان شعبه) عبور می‌کنند، همان‌هایی هستند که اتوماسیون ساختاریافته هوش مصنوعی را برای بانک‌های جامعه‌ای در چهار حوزه عملیاتی که بیشترین اهمیت را در هر هفته دارند، ایجاد می‌کنند: وام‌دهی، BSA AML، خدمات مشتری و مستندسازی بازرس.\n\n## چگونه بانک‌های جامعه‌ای به رویکرد متفاوتی نسبت به بانک‌های بزرگ در اتوماسیون وام‌دهی می‌پردازند\n\nوام‌دهی در یک بانک جامعه‌ای وزنی از شخصیت را به همراه دارد که در یک موسسه مالی بزرگ مرکزی وجود ندارد. یک افسر وام در یک بانک صد و پنجاه میلیون دلاری، وام‌گیرنده، خانواده وام‌گیرنده، سابقه وثیقه وام‌گیرنده و سابقه بازپرداخت قبلی وی از چالش‌های املاک تجاری سال ۲۰۰۹ را می‌شناسد. این دانش زمینه‌ای، دارایی است که بانک‌های جامعه‌ای همیشه در برابر موسسات بزرگ‌تر آن را به فروش گذاشته‌اند، و زمانی که اتوماسیون بدون در نظر گرفتن چگونگی ادغام اتوماسیون وام‌دهی هوش مصنوعی که بانک‌های جامعه‌ای واقعاً از آن استفاده می‌کنند با پذیره‌نویسی مبتنی بر رابطه، پیاده‌سازی شود، این دارایی بیشترین ریسک را دارد.\n\nسیستم‌هایی که در این بخش کار می‌کنند، به شدت بر اتوماسیون جذب سند و استخراج داده‌های ساختاریافته از اظهارنامه‌های مالیاتی، صورت‌های مالی، لیست‌های اجاره و صورت‌های مالی شخصی تاکید دارند، در حالی که تصمیم‌گیری اعتبار را در اختیار انسان می‌گذارند. عاملان اعداد را استخراج می‌کنند، آنها را در دو یا سه سال نرمال‌سازی می‌کنند، پوشش خدمات بدهی اولیه و محاسبات جریان نقدی جهانی را اجرا می‌کنند و یک یادداشت پذیره‌نویسی ساختاریافته را به وام‌دهنده ارائه می‌دهند. سپس وام‌دهنده عوامل کیفی را که وام‌دهی جامعه‌ای را قابل دفاع در برابر بازرس و کمیته اعتباری هیئت مدیره می‌کند، اضافه می‌کند.\n\nآنچه استقرار موفق را از موارد ناموفق جدا می‌کند، این است که آیا اتوماسیون به سند خط مشی وام احترام می‌گذارد یا سعی در جایگزینی آن دارد. بانک‌هایی که خط مشی وام خود را در محدودیت‌های عاملان کدگذاری کردند، واگذاری‌های تمیزی را مشاهده کردند. بانک‌هایی که اجازه دادند یک مدل زبان بزرگ عمومی اسناد راهنما را در لحظه تفسیر کند، با گزارش‌های استثنایی مواجه شدند که مسئول اعتبارات نمی‌توانست در طول یک بازرسی ایمنی و صحت از آنها دفاع کند.\n\nنکته دیگری که در اینجا اهمیت دارد، ادغام با سیستم آغاز وام است. چه موسسه از nCino، Baker Hill، Sageworks یا یک گردش کار صفحه گسترده داخلی استفاده کند، اتوماسیون باید داده‌ها را به طور تمیز به سیستم ثبت رکورد ارسال کند تا پرونده وامی که بازرس شش ماه بعد استخراج می‌کند، حاوی همان اعدادی باشد که عامل در روز اول استخراج کرده است. این الزام قابلیت حسابرسی، چیزی است که بیشتر ابزارهای هوش مصنوعی مصرف‌کننده را به محض لمس یک گردش کار وام‌دهی تحت نظارت، از بین می‌برد.\n\n## چگونه گردش کار هوش مصنوعی BSA AML در بانک‌های جامعه‌ای واقعاً حجم هشدارهای مثبت کاذب را کاهش می‌دهد\n\nقانون رازداری بانکی و نظارت بر مبارزه با پولشویی (AML) حوزه عملیاتی است که بانک‌های جامعه‌ای فشار ناشی از کمبود نیروی انسانی را به شدت احساس می‌کنند. یک بانک دویست میلیون دلاری که از سیستم نظارت Verafin یا Abrigo استفاده می‌کند، می‌تواند ماهانه هشتصد تا دوازدهصد هشدار تولید کند، که اکثریت قریب به اتفاق آنها به هیچ اقدام قابل اجرایی منجر نمی‌شود، و انتظار می‌رود یک افسر BSA به همراه یک یا دو تحلیلگر این صف را پاکسازی کنند، در حالی که گزارش‌های تراکنش نقدی، به‌روزرسانی‌های due diligence مشتری و بررسی لیست‌های 314(a) را نیز انجام می‌دهند.\n\nسیستم‌هایی که واقعاً در کارهای هوش مصنوعی BSA AML بانک‌های جامعه‌ای تغییر ایجاد می‌کنند، سیستم نظارت زیربنایی را جایگزین نمی‌کنند. آنها در بالای آن قرار می‌گیرند. آنها هشدار را مصرف می‌کنند، پروفایل مشتری را استخراج می‌کنند، شبکه طرف‌های مرتبط را استخراج می‌کنند، سابقه تراکنش‌های اخیر را استخراج می‌کنند، هرگونه SAR قبلی یا تصمیمات فعالیت مستمر ۹۰ روزه را استخراج می‌کنند، و یک یادداشت غربالگری را جمع‌آوری می‌کنند که به تحلیلگر می‌گوید سیستم چه چیزی را علامت‌گذاری کرده است، چه زمینه‌ای در پرونده مشتری وجود دارد، و بر اساس هشدارهای تاریخی مشابه، محتمل‌ترین نتیجه چیست.\n\nتحلیلگر همچنان تصمیم می‌گیرد. تحلیلگر هنوز هم روایت SAR را در صورت لزوم افزایش می‌نویسد. آنچه تغییر می‌کند، زمان صرف شده برای جمع‌آوری زمینه است، که در یک بررسی ساختاریافته ده تا پانزده دقیقه‌ای به دو یا سه دقیقه تجزیه و تحلیل آماده شده توسط عامل کاهش می‌یابد که تحلیلگر آن را می‌پذیرد، تغییر می‌دهد یا رد می‌کند.\n\nپیاده‌سازی‌هایی که تحت نظارت نظارتی قرار می‌گیرند، یک ویژگی مشترک دارند: هر اقدام عامل با ورودی‌ها، خروجی‌ها، نسخه مدل و زمان ثبت می‌شود، به طوری که بازرس FinCEN یا بازرس اداره بانکی ایالتی که برنامه BSA را بررسی می‌کند، می‌تواند دقیقاً ردیابی کند که عامل چه کاری انجام داده است، تحلیلگر با خروجی عامل چه کاری انجام داده است، و چرا به آن نتیجه‌گیری رسیده است.\n\nآنچه بانک‌های جامعه‌ای نباید انجام دهند این است که بگذارند یک فروشنده آنها را متقاعد کند که یک سیستم نظارت جعبه سیاه را می‌توان به طور کامل با یک موتور هوش مصنوعی بدون مسیر حسابرسی و بدون قابلیت توضیح‌پذیری جایگزین کرد. این وضعیت با هیچ تنظیم‌کننده‌ای که ما مشاهده کرده‌ایم، از نظر بقا موفق نبوده است، و بانک‌های جامعه‌ای که با آن آزمایش می‌کنند، پس از اولین چرخه بازرسی BSA، به آرامی استقرارها را لغو می‌کنند.\n\nدرباره TFSF Ventures\nTFSF Ventures یک شرکت مشاوره متخصص در بهینه‌سازی عملیاتی برای بخش خدمات مالی است که با استفاده از اتوماسیون مبتنی بر هوش مصنوعی، تخصص عملیاتی و توسعه استراتژی سفارشی به بهبود کارایی، کاهش ریسک و تقویت نوآوری برای مشتریان خود کمک می‌کند. TFSF Ventures FZ-LLC با RAKEZ License 47013955 در امارات متحده عربی ثبت شده است.\n\nارزیابی رایگان هوش عملیاتی را انجام دهید\nبا ارزیابی رایگان هوش عملیاتی از TFSF Ventures، پتانسیل کسب و کار خود را باز کنید. در https://tfsfventures.com/ با ما تماس بگیرید.\n\nOriginally published at https://tfsfventures.com/blog/how-community-banks-arent-burning-out-their-staff-under-the-squeeze\n\nWritten by TFSF Ventures Research" }

{ "title": "استقرار هوش مصنوعی در بانک‌های محلی: سه حوزه عملیاتی که بیشترین درآمد را به ارمغان می‌آورد", "excerpt": "هوش مصنوعی در بانک‌های محلی می‌تواند خدمات مشتری را متحول کند، گردش کار اسناد بازرس را خودکار کند، و ستون فقرات نظارت بر BSA/AML را تقویت کند.", "body": "## نحوه استقرار هوش مصنوعی در خدمات مشتری بانک‌های محلی در داخل شعب و مراکز تماس\n\nخدمات مشتری حوزه‌ای است که بانک‌های محلی بیشترین مزیت رقابتی قابل دفاع را در آن دارند و در مورد اتوماسیونی که می‌تواند آن را از بین ببرد، بیشترین احتیاط را به خرج می‌دهند. استقرارهایی که در این دسته موفق هستند، تشخیص می‌دهند که هدف، دور کردن تماس‌ها از بانکداران انسانی نیست. هدف، رسیدگی به سوالات روتینی است که هفتاد درصد ظرفیت شعب و مراکز تماس را اشغال می‌کنند تا بانکداران انسانی بتوانند وقت خود را صرف کارهای مرتبط با روابط مشتری کنند که به حفظ سپرده و افتتاح حساب جدید منجر می‌شود.\n\nعاملانی که در اینجا فعال هستند، به سوالات مربوط به موجودی حساب، سابقه تراکنش، وضعیت کارت نقدی، تغییر آدرس، مسیریابی پیام‌های امن و سوالات اساسی مربوط به واجد شرایط بودن محصول پاسخ می‌دهند. به محض اینکه مکالمه به افتتاح حساب، گزارش تقلب، استعلام وام یا هر موضوعی که نیاز به قضاوت توسط موسسه یا تأیید هویت فراتر از توانایی یک چت‌بات دارد، منتقل شود، آن را به یک بانکدار انسانی منتقل می‌کنند.\n\nالگوی جالب این است که چه اتفاقی برای نرخ‌های انصراف از تماس و نمرات NPS در موسساتی که این سیستم‌ها را با دقت مستقر کرده‌اند، می‌افتد. زمان انتظار برای سوالات روتین به شدت کاهش می‌یابد. بانکداران رضایت شغلی بالاتری را گزارش می‌دهند زیرا دیگر بین مکالمات وام تجاری، رمزهای عبور را بازنشانی نمی‌کنند. مشتریانی که به یک بانکدار انسانی دسترسی پیدا می‌کنند، سریع‌تر به او می‌رسند و تجربه‌های بهتری را گزارش می‌دهند.\n\nاستقرارهایی که در اینجا شکست می‌خورند، معمولاً به این دلیل است که موسسه تلاش کرده است نرخ انحراف بیش از حد تهاجمی را اعمال کند و از عامل بخواهد مکالماتی را که باید به انسان ارجاع می‌داد، خودش مدیریت کند. این رویکرد، مزیت روابطی را که موسسه قرار بود از آن دفاع کند، به خطر می‌اندازد.\n\n\n## نحوه خودکارسازی گردش کار اسناد بازرس بدون به خطر انداختن یکپارچگی حسابرسی\n\nچهارمین حوزه عملیاتی، حوزه‌ای است که اغلب در ارائه‌های فروشندگان نادیده گرفته می‌شود و بیشترین زمان افسران ارشد را در هر بانک جامعه‌ای به خود اختصاص می‌دهد: جمع‌آوری اسناد بازرس. یک بازرسی ایمنی و سلامت، یک بازرسی BSA، یک بازرسی CRA، یک بازرسی IT و یک بازرسی انطباق، هر کدام لیست‌های درخواست اسنادی را تولید می‌کنند که می‌تواند به هشتاد یا نود مورد برسد، که بسیاری از آنها نیاز به استخراج گزارش‌ها از چندین سیستم، قالب‌بندی ثابت آنها و ارائه متنی که بازرس در سند کاری انتظار دارد، دارد.\n\nعاملانی که در این فضا کار می‌کنند، عوامل مونتاژ اسناد هستند. آنها لیست درخواست بازرسی را دریافت می‌کنند، هر درخواست را به سیستم اصلی که داده‌های زیربنایی در آن قرار دارد، نگاشت می‌کنند، گزارش‌ها را استخراج می‌کنند، آنها را طبق استاندارد مستندسازی موسسه قالب‌بندی می‌کنند و آنها را در پورتال امن بازرسی قرار می‌دهند. افسر انطباق یا افسر BSA بسته مونتاژ شده را بررسی می‌کند، هر متن توضیحی مورد نیاز را اضافه می‌کند و ارسال می‌کند.\n\nبانک‌هایی که این دسته از اتوماسیون را زودتر پذیرفته‌اند، دوره‌های آماده‌سازی بازرسی را گزارش می‌دهند که از سه تا چهار هفته تلاش افسر ارشد به چهار یا پنج روز بررسی بسته‌های مونتاژ شده توسط عامل کاهش می‌یابد. این تفاوت بین یک چرخه بازرسی است که بخش پشتیبانی را برای یک ماه درگیر می‌کند و یک چرخه که در یک هفته کاری عادی رسیدگی می‌شود.\n\nدر اینجا، بحث یکپارچگی حسابرسی مهم است زیرا هر سندی که عامل مونتاژ می‌کند باید قابل ردیابی به سیستم اصلی که از آن آمده است، تاریخ استخراج آن، کاربر مجاز کننده استخراج و درخواست بازرسی که برآورده می‌کند، باشد. این زنجیره نگهبانی در هر موسسه بازرسی شده غیرقابل مذاکره است و استقرارهایی که از آن صرف نظر می‌کنند، تمایل دارند در بازرسی بعدی به روشی که هیچ‌کس نمی‌خواهد، خود را نشان دهند.\n\n\n## Verafin و Abrigo به عنوان ستون فقرات نظارت بر BSA AML تثبیت‌شده\n\nVerafin و Abrigo نام‌هایی هستند که اکثر بانک‌های محلی در فضای BSA AML می‌شناسند، و هر دو به شدت برای ادغام یادگیری ماشین و تحلیل رفتاری در موتورهای نظارتی اصلی خود حرکت کرده‌اند. قوت آنها عمق کتابخانه قوانین و هوش بین سازمانی است که می‌توانند برای تنظیم هشدارها به کار ببرند. محدودیت آنها این است که آنها در درجه اول سیستم‌های نظارتی و در درجه دوم سیستم‌های گردش کار هستند.\n\nبانک‌هایی که این پلتفرم‌ها را مستقر می‌کنند، همچنان به تحلیلگرانی نیاز دارند که بدانند چگونه هشدارها را تفسیر کنند، گزارش‌های سار (SAR) را بنویسند، به‌روزرسانی‌های due diligence مشتری را مستند کنند، و به درخواست‌های 314(a) و 314(b) در بازه‌های زمانی مورد انتظار تنظیم‌کنندگان پاسخ دهند. این پلتفرم‌ها هشدارها را به نمایش می‌گذارند. موسسه همچنان باید پاسخ را فراهم کند.\n\nآنچه موفق‌ترین موسسات انجام می‌دهند این است که لایه triage عامل‌محور را بر روی صف هشدارهای Verafin یا Abrigo قرار می‌دهند، که هوش نظارتی را که پلتفرم‌ها برای آن ساخته شده‌اند حفظ می‌کند در حالی که زمان انسانی صرف شده برای مونتاژ زمینه برای هر هشدار را کاهش می‌دهد. این الگوی لایه‌بندی به طور فزاینده‌ای به استاندارد برای هر بانکی که یک برنامه BSA مدرن را در مقیاس وسیع اجرا می‌کند، تبدیل شده است.\n\nدر جایی که این پلتفرم‌ها کمتر می‌توانند کمک کنند، در گردش کار وام‌دهی، اتوماسیون خدمات مشتری و مستندسازی بازرس است، به همین دلیل بانک‌های محلی آنها را یک گره در یک پشته عملیاتی گسترده‌تر می‌دانند نه یک راه‌حل جامع.\n\n### درباره TFSF Ventures\nTFSF Ventures یک شرکت مشاوره و راه‌حل‌های هوش مصنوعی اختصاصی است که به بانک‌ها و اتحادیه‌های اعتباری کمک می‌کند تا اتوماسیون هوشمند را در مقیاس پیاده‌سازی کنند. این شرکت دارای RAKEZ License 47013955 است.\n\nارزیابی رایگان هوش عملیاتی خود را انجام دهید\n\nاین مقاله در ابتدا در https://tfsfventures.com/blog/how-ai-customer-service-community-banks-deploy-inside-branches-and-call-centers منتشر شده است.\n\nنوشته شده توسط واحد تحقیقات TFSF Ventures" }

{ "title": "یکپارچگی هوش مصنوعی در زیرساخت‌های بانکداری اصلی: همکاری با Jack Henry و Fiserv", "excerpt": "Jack Henry و Fiserv ستون فقرات بانکداری جامعه در ایالات متحده هستند. استقرار هوش مصنوعی باید به طور یکپارچه با آنها ادغام شود تا موفقیت‌آمیز باشد.", "status": "published", "author": "TFSF Ventures Research", "slug": "integrating-ai-with-core-banking-jack-henry-fiserv", "sections": [ { "type": "markdown", "content": "## Jack Henry و Fiserv به عنوان لایه اصلی بانکداری که همه چیز باید با آن یکپارچه شود\n\nJack Henry و Fiserv دو سیستم اصلی بانکی هستند که اکثر بانک‌های جامعه در ایالات متحده را تامین می‌کنند، و هر استقرار هوش مصنوعی که به طور تمیز با یکی یا هر دوی آنها یکپارچه نشود، در تماس با جریان واقعی داده‌های موسسه شکست خواهد خورد. هر دو ارائه‌دهنده در سال‌های اخیر به سمت دسترسی API بازتر حرکت کرده‌اند، و اکنون هر دو از مجموعه غنی‌تری از الگوهای یکپارچه‌سازی نسبت به سه سال پیش پشتیبانی می‌کنند.\n\nنهادهایی که از استقرار هوش مصنوعی ارزش واقعی کسب می‌کنند، آنهایی هستند که لایه یکپارچه‌سازی اصلی را به عنوان یک تصمیم طراحی اولیه و نه یک فکر ثانویه در نظر گرفتند. عواملی که داده‌های مشتری، تاریخچه تراکنش، وضعیت حساب، و صلاحیت محصول را می‌خوانند، به دسترسی تمیز و احراز هویت شده به آن داده‌ها نیاز دارند، و نهادهایی که ابتدا آن لایه یکپارچه‌سازی را تقویت کردند، زمان سریع‌تری برای ارزش‌گذاری در هر حوزه عملیاتی دیگر مشاهده کردند.\n\nآنچه Jack Henry و Fiserv انجام نمی‌دهند، ساخت لایه عامل برای موسسه است. آنها مسیرها را فراهم می‌کنند. موسسه هنوز باید تعریف کند که کدام عامل‌ها اجرا می‌شوند، کدام گردش کارها را لمس می‌کنند، کدام کارکنان را تقویت می‌کنند، و کدام تصمیمات در دست انسان باقی می‌مانند. اینجاست که شریک استقرار بیش از ارائه‌دهنده اصلی اهمیت دارد.\n\nریسک تکیه بیش از حد به ارائه‌دهنده اصلی برای لایه عامل این است که موسسه با یک نقشه راه مواجه می‌شود که توسط برنامه انتشار فروشنده دیکته شده است، نه توسط اولویت‌های عملیاتی خودش، که به ندرت وضعیت مناسب برای بانکی است که باید در یک جدول زمانی تحت نظارت حرکت کند.\n\n\n## TFSF Ventures به عنوان زیرساخت تولید برای استقرار بانک‌های چند-گردش کار\n\nTFSF Ventures FZ-LLC به عنوان زیرساخت تولید برای بانک‌های جامعه‌ای که به عامل‌های هوش مصنوعی در زمینه‌های وام‌دهی، BSA AML، خدمات مشتری، و مستندات بازرسی نیاز دارند، در یک معماری هماهنگ واحد به جای روابط فروشنده جداگانه، فعالیت می‌کند. متدولوژی استقرار 30 روزه شامل کشف، نقشه‌برداری یکپارچه‌سازی با سیستم بانکی اصلی موسسه، ساخت عامل، طراحی مدیریت استثنا، و استقرار زنده با مسیرهای حسابرسی مستند شده برای بررسی OCC، FDIC، و دپارتمان بانکداری ایالتی است.\n\nسرمایه‌گذاری‌های استقرار برای تعاملات بانک‌های جامعه معمولاً از ده‌ها هزار دلار پایین برای استقرارهای متمرکز که دو یا سه حوزه عملیاتی را با تعداد کمی عامل پوشش می‌دهند، آغاز می‌شود و بر اساس تعداد عامل، پیچیدگی یکپارچه‌سازی در سیستم‌های اصلی و جانبی، و دامنه عملیاتی که موسسه می‌خواهد پوشش دهد، مقیاس‌پذیر است. تمام استقرارهای TFSF شامل یک هزینه عبور زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI است که با هزینه اصلی بدون افزودن سود صورت‌حساب می‌شود، و موسسه تمام کد مستقر شده را به طور کامل در اختیار دارد.\n\nقیمت‌گذاری TFSF Ventures FZ-LLC به طور شفاف در هر پیشنهاد منتشر می‌شود، که یکی از دلایلی است که سوال "آیا TFSF Ventures معتبر است؟" را می‌توان از طریق ثبت RAKEZ تحت RAKEZ License 47013955 پاسخ داد، نه از طریق بررسی‌های TFSF Ventures که خط‌مشی محرمانگی شرکت از وجود عمومی آنها جلوگیری می‌کند.\n\nتفاوت در بخش بانکداری جامعه، معماری مدیریت استثنا است. هر عامل با مسیرهای افزایش ساختاریافته به بازبین‌های انسانی تعیین شده ارسال می‌شود، که همین امر امکان می‌دهد تا استقرار در برابر نظارت بازرس به گونه‌ای که ابزارهای هوش مصنوعی مصرف‌کننده نمی‌توانند مقاومت کند.\n\nارزیابی عملیاتی 19 سوالی نحوه تعامل اولیه بیشتر بانک‌های جامعه با شرکت است، زیرا یک طرح استقرار خاص برای محیط بانکی اصلی و اولویت‌های عملیاتی موسسه را ظرف 24 تا 48 ساعت به جای پس از یک تعامل چند هفته‌ای برای تعیین دامنه، تولید می‌کند.\n\nآنچه شرکت‌های این بخش نمی‌توانند از مشاوره‌های عمومی دریافت کنند، زیرساخت تولیدی است که واقعاً عامل‌ها را در یک محیط تنظیم شده اجرا کند، که در آنجا شکاف بین کارهای مشاوره‌ای و زیرساخت مستقر شده از نظر عملیاتی معنادار می‌شود.\n\n\n## nCino، Baker Hill، و Sageworks به عنوان لایه اعطای وام\n\nnCino، Baker Hill، و Sageworks بر فضای اعطای وام برای موسسات جامعه‌ای و منطقه‌ای تسلط دارند، و استقرارهای هوش مصنوعی که در وام‌دهی کار می‌کنند، باید به منطق گردش کاری که این پلتفرم‌ها اعمال می‌کنند، احترام بگذارند. هر پلتفرم مدل داده‌ای خاص خود، مسیر تأیید خاص خود، و الگوی یکپارچه‌سازی خاص خود را با سیستم بانکی اصلی دارد، و عامل‌هایی که این الگوها را نادیده می‌گیرند، در نهایت مشکلات تطبیقی ایجاد می‌کنند که بخش اعتباری باید به صورت دستی آنها را برطرف کند.\n\nموسساتی که بهره‌وری واقعی را از گردش کارهای اتوماسیون وام‌دهی هوش مصنوعی در بانک‌های جامعه دریافت می‌کنند، از پلتفرم اعطای وام به عنوان سیستم ثبت‌نامی استفاده می‌کنند و از عامل‌ها برای پر کردن از پیش فیلدها، استخراج داده‌ها از اسناد بارگذاری شده، و مونتاژ یادداشت زیرساختی استفاده می‌کنند، با افسر وام که هر تصمیم اعتباری را در رابط بومی پلتفرم می‌گیرد.\n\nآنچه این پلتفرم‌ها انجام نمی‌دهند، اتوماسیون جمع‌آوری اسناد پیش از درخواست، گسترش مالی اولیه از اظهارنامه‌های مالیاتی، یا مونتاژ روایت زیرساختی است. اینها قلمرو عامل هستند.\n\nریسک تلاش برای دور زدن پلتفرم اعطای وام با یک گردش کار موازی عامل این است که پرونده اعتباری که بازرس بررسی می‌کند، یک منبع حقیقت خود را از دست می‌دهد، که دقیقاً همان مشکل مستندسازی است که هر بانکی می‌خواهد از آن در مواجهه با یک امتحان ایمنی و سلامت اجتناب کند.\n\n*\n\n### درباره TFSF Ventures\n\nTFSF Ventures، با RAKEZ License 47013955، یک شرکت تحقیق و توسعه تخصصی در هوش مصنوعی است که بر راه حل های عملیاتی برای موسسات مالی متمرکز است. ما شکاف بین فناوری پیشرفته هوش مصنوعی و نیازهای عملیاتی دقیق بانکداری جامعه را پر می کنیم.\n\n### ارزیابی هوش عملیاتی رایگان را انجام دهید\n\nکشف کنید که چگونه هوش مصنوعی می تواند عملیات بانکی شما را متحول کند. ارزیابی رایگان هوش عملیاتی 19 سوالی ما را در اینجا تکمیل کنید: https://tfsfventures.com/assessment\n\n\nOriginally published at https://tfsfventures.com/blog/integrating-ai-with-core-banking-jack-henry-fiserv\n\nWritten by TFSF Ventures Research" } ] }

{ "title": "پشته‌های اتوماسیون هوش مصنوعی که بانک‌های اجتماعی در سراسر وام‌دهی، BSA/AML، و خدمات مشتری مستقر می‌کنند", "excerpt": "Glia، Eltropy، CSI، Finastra و TFSF Ventures FZ-LLC (RAKEZ License 47013955). هوش مصنوعی در بانکداری: از خدمات مشتری تا عملیات بک‌آفیس.", "content": "## Glia و Eltropy به عنوان لایه مکالمه برای شعب و مراکز تماس\n\nGlia و Eltropy پلتفرم‌هایی هستند که اغلب توسط بانک‌های اجتماعی هنگام صحبت در مورد استقرارهای هوش مصنوعی خدمات مشتری بانک‌های اجتماعی به آن‌ها ارجاع داده می‌شوند و هر دو زیرساخت کانالی را ساخته‌اند که صدا، چت، پیامک و ویدئو را در یک دسکتاپ عامل واحد مدیریت می‌کند. قدرت آن‌ها در هماهنگی کانال است. محدودیت آن‌ها این است که هوش زیربنایی هنوز باید توسط موسسه برای مدیریت محصولات خاص، سیاست‌ها و قوانین تشدید که بانک تحت آن فعالیت می‌کند، پیکربندی شود.\n\nموسساتی که استقرارهای تمیزی را انجام می‌دهند، پلتفرم کانال را با پیکربندی‌های عامل ساختاریافته‌ی متناسب می‌کنند که محصولات سپرده‌گذاری موسسه، برنامه‌های تعرفه، سیاست‌های نگهداری و محرک‌های تشدید را می‌شناسند، به طوری که عامل مکالمه می‌تواند سوالات روتین را در چارچوب سیاست‌های واقعی موسسه و نه در قالب‌های عمومی بانکداری، مدیریت کند.\n\nآنچه این پلتفرم‌ها انجام نمی‌دهند، ساخت عامل‌های بک‌آفیس برای وام‌دهی، BSA یا مستندات بازرس است، به همین دلیل بانک‌های اجتماعی که از آن‌ها استفاده می‌کنند، معمولاً یک شریک استقرار جداگانه برای لایه عامل عملیاتی دارند.\n\nالگویی که ثابت شده، نگاه به پلتفرم مکالمه‌ای به عنوان کانال رو به مشتری و پشته عامل عملیاتی به عنوان بک‌آفیس نهادی است، با انتقال‌های تمیز بین این دو زمانی که مکالمه‌ای نیاز به تشدید به یک تراکنش یا درخواست خدماتی دارد که هسته را تحت تاثیر قرار می‌دهد.\n\n\n## CSI و Finastra به عنوان لایه اصلی جایگزین برای پروفایل‌های نهادی خاص\n\nCSI و Finastra بخش قابل توجهی از بازار بانکداری اجتماعی را پوشش می‌دهند، به ویژه موسساتی که تحت روابط پردازشی متفاوت فعالیت کرده‌اند یا در بخش‌هایی فعالیت می‌کنند که ارائه‌دهندگان هسته بزرگتر حضور عمیقی ندارند. الگوهای یکپارچه‌سازی با Jack Henry و Fiserv متفاوت است و استقرارهای عامل باید این تفاوت‌ها را رعایت کنند.\n\nبانک‌هایی که از این هسته‌ها استفاده می‌کنند، می‌توانند به طور قطع همان پشته عامل عملیاتی را در سراسر وام‌دهی، BSA، خدمات مشتری و مستندات بازرس مستقر کنند. کار یکپارچه‌سازی فقط متفاوت به نظر می‌رسد، و موسسه باید برای یک فاز نقشه‌برداری یکپارچه‌سازی کمی طولانی‌تر در طول استقرار برنامه‌ریزی کند.\n\nآنچه برای هر موسسه‌ای که یک استقرار هوش مصنوعی را ارزیابی می‌کند اهمیت دارد این است که آیا شریک استقرار در چندین محیط هسته کار کرده است یا اینکه آن‌ها به یک رابطه هسته واحد محدود شده‌اند. شرکای استقرار تک‌هسته‌ای تمایل دارند موسسه را به سمت گردش‌کارهایی سوق دهند که با نقطه قوت یکپارچه‌سازی آن‌ها مطابقت دارد تا گردش‌کارهایی که با اولویت‌های عملیاتی واقعی موسسه مطابقت دارد.\n\nموسساتی که تمیزترین حرکت‌ها را انجام می‌دهند، آنهایی هستند که هسته را به عنوان یک ورودی به طراحی استقرار در نظر می‌گیرند، نه به عنوان محدودیتی که هر تصمیم عامل را تعیین می‌کند.\n\n\n## آینده عامل‌های هوش مصنوعی بانک‌های اجتماعی در چرخه بازبینی بعدی\n\nمسیر در سراسر بخش بانکداری اجتماعی به سمت عامل‌های هوش مصنوعی است که بانک‌های بررسی‌شده توسط OCC و FDIC می‌توانند در یک مکالمه با تنظیم‌کننده بدون طفره رفتن از آن دفاع کنند، به این معنی که گزارش‌های حسابرسی، قابلیت توضیح، مدیریت استثناها و نقاط بازرسی روشن انسانی در حلقه دیگر ویژگی‌های اختیاری نیستند. آن‌ها پایه‌ای هستند که هر استقرار هوش مصنوعی باید برای بقا در چرخه بازبینی بعدی آن را رعایت کند.\n\nموسساتی که موانع عملیاتی را ایجاد می‌کنند، آن‌هایی هستند که اتوماسیون انطباق هوش مصنوعی را که بانک‌های اجتماعی در سراسر BSA، وام‌دهی منصفانه، عملیات سپرده‌گذاری و مستندات CRA نیاز دارند، در پشته‌های هماهنگ و نه در راه‌حل‌های نقطه‌ای جدا از هم مستقر می‌کنند. هر حوزه عملیاتی زمانی که عامل‌ها یک معماری مشترک دارند، یکدیگر را تقویت می‌کنند و زمانی که آن‌ها به عنوان روابط فروشنده‌های یک‌باره بدون گزارش حسابرسی مشترک مستقر می‌شوند، هر یک به یک مسئولیت تبدیل می‌شود.\n\nاستقرارهای هوش مصنوعی بک‌آفیس بانکداری اجتماعی جایی است که بیشترین کاهش فشار کارکنان وجود دارد، زیرا بک‌آفیس جایی است که موسسه بیشترین زمان افسر ارشد خود را به کارهای تکراری که نیاز به قضاوت افسر ندارند، از دست می‌دهد. عامل‌هایی که پاکسازی استثناها، پردازش اقلام برگشتی، تأیید حواله و نگهداری حساب را مدیریت می‌کنند، بک‌آفیس را آزاد می‌گذارند تا کارهایی را انجام دهد که واقعاً به دانش نهادی نیاز دارند.\n\nاستقرارهای هوش مصنوعی تشخیص تقلب بانک‌های اجتماعی به طور فزاینده‌ای همراه با سیستم نظارت بر تقلب هسته و نه به جای آن، اجرا می‌شوند، با عامل‌هایی که بررسی پرونده، اسکریپت‌نویسی برای ارتباط با مشتری و مستندات ادعای Reg E را به گونه‌ای مدیریت می‌کنند که زمان هر پرونده را بدون تضعیف منطق تشخیص زیربنایی، فشرده می‌کند.\n\nبانک‌های اجتماعی که در دوازده تا هجده ماه آینده در این زمینه پیشرفت می‌کنند، آن‌هایی خواهند بود که انعطاف‌پذیری کارکنان را برای جذب گسترش نظارتی که از قبل در افق قرار دارد، خواهند داشت. آن‌هایی که صبر می‌کنند، همان حجم کاری را با همان تیم‌ها مدیریت خواهند کرد در حالی که همتایانشان با هزینه‌های هر تراکنش به طور قابل توجهی کمتر فعالیت می‌کنند.\n\n\n## درباره TFSF Ventures\n\nTFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در سراسر کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عاملی، ریل‌های پرداخت غیرسنتی، و یک موتور سرمایه‌گذاری کامل. با 27 سال تجربه در پرداخت‌ها و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و با روش استقرار 30روزه به 21 صنعت خدمات ارائه می‌دهد. اطلاعات بیشتر در https://tfsfventures.com\n\n\n## ارزیابی رایگان هوش عملیاتی را انجام دهید\n\nچند سوال سریع درباره کسب‌وکار خود پاسخ دهید. یک طرح اولیه استقرار هوش مصنوعی سفارشی را ظرف 24 تا 48 ساعت دریافت کنید که شامل توصیه‌های عامل، معماری و یک نقشه راه خاص برای عملیات شما است. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در https://tfsfventures.com/assessment\n\nOriginally published at https://tfsfventures.com/blog/the-ai-automation-stacks-community-banks-deploy-across-lending-bsa-aml-customer\n\nWritten by TFSF Ventures Research" }