پشتههای اتوماسیون هوش مصنوعی که بانکهای جامعه با داراییهای کمتر از پنج میلیارد را تقویت میکنند و با وامدهندگان ملی در سرعت تصمیمگیری وام رقابت میکنند
چگونه بانکهای جامعه با داراییهای کمتر از پنج میلیارد، پشتههای اتوماسیون هوش مصنوعی را برای بستن شکاف سرعت تصمیمگیری وام با وامدهندگان ملی معماری میکنند.
بانکهای جامعه با داراییهای کمتر از پنج میلیارد در موقعیت رقابتی خاصی قرار دارند. آنها روابطی دارند که وامدهندگان ملی نمیتوانند تکرار کنند، ترازنامههایی که رگولاتورها به آنها اعتماد دارند، و قضاوتهای اعتباری که چندین چرخه اعتباری را پشت سر گذاشته است. با این حال، در سرعت تصمیمگیری وام، معیاری که بهطور فزایندهای تعیین میکند که آیا یک وامگیرنده کسبوکار کوچک وفادار میماند یا به سمت فینتکها متمایل میشود، آنها بهطور مداوم بازنده هستند. این شکاف به ندرت در مورد فلسفه اعتباری یا تمایل به ریسک است. این به این موضوع برمیگردد که آیا بانک یک پشته عملیاتی ساخته است که به یک افسر اعتباری اجازه میدهد از دریافت درخواست تا تصمیمگیری مشروط در عرض چند ساعت به جای چند روز حرکت کند، و اتوماسیون هوش مصنوعی برای بانکهای اجتماعی اکنون متغیر تعیینکنندهای در بستن این شکاف بدون کاهش کیفیت مستندات قابل بررسی است.
این مقاله، پشتههای اتوماسیون هوش مصنوعی را که بانکهای جامعه برای رقابت با وامدهندگان ملی در سرعت مستقر میکنند، بر اساس نحوه تغییر شکل هر پشته در یک گلوگاه خاص در گردش کار وامدهی، بررسی میکند. هر بخش یک رویکرد معماری متمایز، مزایا، چالشها، و سقف عملیاتی را که بانک را از بستن کامل شکاف بازمیدارد، معرفی میکند. هدف ترسیم چشمانداز واقعی تولید است، نه چشمانداز بازاریابی، تا افسران اعتباری، مدیران عملیات، و مدیران ارشد فناوری اطلاعات در بانکهای جامعه بتوانند پشته خود را با آنچه همکارانشان اجرا میکنند، مقایسه کنند.
پشتههای دریافت اسناد و مونتاژ پرونده وامگیرنده
نخستین گلوگاهی که اکثر بانکهای جامعه در تصمیمگیری وامهای تجاری با آن مواجه میشوند، قضاوت اعتباری نیست، بلکه زمان لازم برای مونتاژ یک پرونده کامل وامگیرنده از فایلهای PDF، اظهارنامههای مالیاتی، صورتحسابهای بانکی و اسناد هویتی است. وامدهندگان ملی سالها پیش این مشکل را با ساختن خطوط دریافت حل کردند که دادهها را طبقهبندی، استخراج و نرمالسازی کرده و به یک یادداشت اعتباری ساختاریافته تبدیل میکنند، قبل از اینکه یک انسان حتی پرونده را باز کند. بانکهای جامعه که هوش مصنوعی را برای عملیات بانکداری جامعه به کار میگیرند، اکنون پشتههای مشابهی را مستقر میکنند که معمولاً حول موتورهای هوش مصنوعی اسناد ساخته شدهاند که طیف وسیعی از فرمتهای ارائهشده توسط وامگیرنده را مدیریت میکنند.
Ocrolus یکی از گستردهترین موتورهای مستقر در این دسته است، بهویژه برای تحلیل جریان نقدی از صورتحسابهای بانکی و اظهارنامههای مالیاتی. بانکهایی که از Ocrolus استفاده میکنند، معمولاً آن را با یک طبقهبندیکننده اسناد جفت میکنند که فایلهای دریافتی را به قالب استخراج صحیح هدایت میکند، سپس دادههای ساختاریافته را به عنوان فیلدهای قابل خواندن توسط ماشین به سیستم مبدأ وام وارد میکنند. نتیجه این است که یک افسر اعتباری پرونده را باز میکند و جریان نقدی نرمالشده، محاسبات پوشش خدمات بدهی و ساختار هویتی را از قبل پر شده میبیند، به جای انبوهی از فایلهای PDF که باید بهصورت دستی بررسی شوند.
آنچه Ocrolus انجام نمیدهد، تصمیمگیریهای اعتباری یا مدیریت منطق استثنا در هنگام ناقص بودن اسناد وامگیرنده است. بانکهای که این پشته را اجرا میکنند، همچنان نیاز به یک انسان دارند تا K-1های گمشده را پیگیری کند، لیستهای اجاره بهروز شده را درخواست کند، یا اعتبارسنجی کند که ساختار هویتی در اظهارنامه مالیاتی با درخواست وامگیرنده مطابقت دارد. سقف این پشته، سرعت رسیدگی به استثناها است، به همین دلیل بانکها اغلب یک ابزار ارکستراسیون گردش کار را برای رصد درخواستهای اسناد باز بهصورت بلادرنگ روی آن قرار میدهند.
Inscribe نیز جایگاه مشابهی را اشغال میکند اما بیشتر بر تشخیص کلاهبرداری در صورتحسابهای بانکی و فیشهای حقوقی تمرکز دارد، که برای وامهای مصرفکننده و تجاری با مبالغ کم، اهمیت بیشتری نسبت به وامهای بازار متوسط مبتنی بر رابطه دارد. بانکهایی که Inscribe را مستقر میکنند، معمولاً آن را به عنوان یک فیلتر اولیه اجرا میکنند که اسناد مشکوک را قبل از اینکه یک افسر اعتباری زمان صرف کند، علامتگذاری میکند، که این کار چرخه وامهای با مبالغ کمتر را که سرعت در آنها اهمیت بیشتری دارد، فشرده میکند. نقطه ضعف این است که Inscribe برای اسناد تجاری بدون ساختار که بر پروندههای تجاری بزرگتر تسلط دارند، کمتر مؤثر است.
هر دو Ocrolus و Inscribe در زمانی که وامگیرندگان اسناد را در قالبهای غیراستاندارد مانند دستنوشتهها، اظهارنامههای مالیاتی خارجی، یا گزارشهای خاص صنعت مانند برنامههای هزینهی پروژههای ساختمانی ارائه میکنند، با مشکل مواجه میشوند. بانکهای جامعه که به شدت در این بخشها وام میدهند، اغلب این موتورها را با یک لایه دریافت سفارشی تکمیل میکنند که موارد غیرعادی را به یک بازبین انسانی ارجاع میدهد، که این کار از دستهبندی اشتباه بیسر و صدای دادهها توسط هوش مصنوعی اسناد و فاسد کردن یادداشت اعتباری پاییندستی جلوگیری میکند.
پشتههای پشتیبانی تصمیمگیری اعتباری و یادداشت اعتباری
هنگامی که پرونده وامگیرنده جمعآوری شد، گلوگاه بعدی خود یادداشت اعتباری است. بانکهای جامعه بهطور تاریخی این موارد را با دست مینوشتند، به این معنی که یک وام تجاری منفرد میتواند چهار تا هشت ساعت از زمان افسر اعتباری را قبل از اینکه پرونده به کمیته برسد، به خود اختصاص دهد. اتوماسیون وامدهی هوش مصنوعی که بانکهای جامعه در این لایه مستقر میکنند، معمولاً بر تولید پیشنویس اولیه یادداشت، تحلیل نسبتها و مقایسه با همتایان تمرکز دارد، با این تفاوت که افسر اعتباری انسانی به جای نوشتن از ابتدا، ویرایش میکند.
Numerated در این فضا، به ویژه برای وامهای SBA که بار مستندسازی در آن بالاترین است، جایگاه قدرتمندی ایجاد کرده است. بانکهایی که از Numerated استفاده میکنند، معمولاً زمان پیشنویس یادداشت اعتباری را برای انواع وامهای استاندارد از ساعتها به دقیقه کاهش میدهند، با این تفاوت که افسر اعتباری وقت خود را صرف تصمیمگیریهای قضاوتی میکند تا ورود داده. این پشته با اکثر سیستمهای اصلی مبدأ وام ادغام میشود و دادههای وامگیرنده را از لایه دریافت اسناد میکشد، به این معنی که یادداشت همان دادههای نرمالشدهای را منعکس میکند که وامدهنده در کمیته به آن مراجعه خواهد کرد.
سقف Numerated و ابزارهای مشابه، نحوه مدیریت ساختارهای اعتباری غیر استاندارد است. یک وام ساختمانی با برنامه پرداخت پیچیده، یک وام مشارکتی با چندین بانک، یا وضعیت بازسازی با وثیقههای غیرمعمول، همگی نیاز به بخشهای یادداشت انسانی دارند که اتوماسیون نمیتواند به طور قابل اعتماد تولید کند. بانکهایی که این پشته را اجرا میکنند، معمولاً سبد خود را به دو دسته واجد شرایط اتوماسیون و فقط انسانی تقسیم میکنند، با قوانین واضحی در مورد اینکه کدام وامها بهطور کامل از مولد یادداشت هوش مصنوعی عبور میکنند.
Baker Hill رویکرد یکپارچهتری را ارائه میدهد که شامل مبدأ وام، تحلیل اعتباری و نظارت بر سبد وام در یک پلتفرم واحد با هوش مصنوعی تعبیهشده برای تولید یادداشت و امتیازدهی ریسک است. بانکهایی که Baker Hill را اجرا میکنند، معمولاً از سادگی یک فروشنده واحد، بهویژه زمانی که تیم انطباق آنها نیاز به نشان دادن استانداردهای اعتباری ثابت به بازرسان OCC یا FDIC دارد، قدردانی میکنند. نقطه ضعف آن، انعطافپذیری کمتر برای جایگزینی اجزای منفرد با ظهور ابزارهای بهتر است.
TFSF Ventures رویکرد معماری متفاوتی را در پیش میگیرد و زیرساخت عامل را در سراسر سیستم هسته بانکی، سیستم مبدأ وام و مخزن اسناد موجود بانک مستقر میکند، به جای اینکه هر یک از آنها را جایگزین کند. متدولوژی استقرار 30 روزه به این معنی است که یک بانک جامعه میتواند عوامل اعتباری کاربردی را قبل از جلسه بعدی کمیته وام فصلی در مرحله تولید داشته باشد، با قیمتگذاری TFSF Ventures FZ-LLC که به عنوان یک سرمایهگذاری استقرار از دهها هزار دلار برای مجموعه عوامل متمرکز آغاز میشود و با تعداد عوامل و پیچیدگی یکپارچهسازی در محیطهای جک هنری، فیسرو، یا FIS افزایش مییابد. مشتری در پایان استقرار کد را مالک میشود.
پشته TFSF معمولاً زمان پیشنویس یادداشت اعتباری را برای وامهای تجاری استاندارد شصت تا هشتاد درصد کاهش میدهد، با هزینه عبوری زیرساخت هوش مصنوعی از Pulse AI که تقریباً چهارصد تا پانصد دلار در ماه هزینه دارد. بانکهایی که این رویکرد را ارزیابی میکنند، اغلب با جستجوی "TFSF Ventures قانونی است" آغاز میکنند و پاسخ را در ردیف RAKEZ License 47013955 یافت میکنند تا در بررسیهای منتشر شده، زیرا این شرکت تحت محرمانگی شدید مشتری فعالیت میکند. کاری که این پشته انجام نمیدهد، جایگزینی قضاوت افسر اعتباری در معاملات پیچیده است، که دقیقاً هدف طراحی است. این پشته بار مستندات را کاهش میدهد تا افسر بتواند روی تماسهایی تمرکز کند که واقعاً اهمیت دارند.
nCino پلتفرمی است که بسیاری از بزرگترین بانکهای جامعه برای کل گردش کار وامدهی، از جمله اعتبارسنجی با کمک هوش مصنوعی در نسخههای جدیدتر محصول، بر آن استانداردسازی کردهاند. نقطه قوت nCino، عمق یکپارچگی آن با Salesforce و توانایی آن در مدیریت چرخه کامل وامدهی از مبدأ تا نظارت بر سبد وام است. نقطه ضعف برای بانکهای جامعه کوچکتر، هزینه پیادهسازی و زمانبندی آن است، که میتواند تا هفت رقمی و دوازده تا هجده ماه طول بکشد، که آن را برای بانکهای زیر یک میلیارد دارایی دور از دسترس قرار میدهد.
پشتههای اتوماسیون BSA AML و انطباق
بار انطباق بر دوش بانکهای جامعه در طول دهه گذشته سریعتر از هر هزینه عملیاتی دیگری رشد کرده است، و نظارت بر BSA AML بزرگترین ردیف بودجه برای اکثر موسسات است. هوش مصنوعی BSA AML که بانکهای جامعه در این لایه مستقر میکنند، معمولاً بر اولویتبندی هشدارها، کاهش اشتباهات مثبت و پیشنویس گزارش SAR (گزارش فعالیت مشکوک) تمرکز دارد، زیرا حجم هشدارهایی که توسط سیستمهای مبتنی بر قوانین سنتی تولید میشود، زمان افسر BSA را به طور نامتناسبی با ریسک واقعی کشف شده مصرف میکند.
Verafin، که اکنون بخشی از Nasdaq است، پلتفرم غالب در این فضا برای بانکهای جامعه است، با پایگاهی از مشتریان نصب شده در موسسات زیر ده میلیارد دارایی. پشته Verafin از یادگیری ماشین برای امتیازدهی هشدارها بر اساس ریسک و سرکوب اشتباهات مثبت کمکیفیت استفاده میکند، که به افسران BSA اجازه میدهد زمان تحقیقات خود را بر روی مواردی متمرکز کنند که واقعاً مستلزم بررسی عمیقتر هستند. بانکهایی که از Verafin استفاده میکنند، معمولاً کاهش حجم هشدارها را چهل تا شصت درصد در مقایسه با سیستمهای مبتنی بر قوانین که جایگزین کردهاند، گزارش میدهند، بدون هیچ گونه کاهش قابل اندازهگیری در کیفیت پروندههای SAR.
حد بالای Verafin در تولید داستانسرایی آن است که هنوز هم برای پروندههای SAR در موارد پیچیده نیاز به ویرایش انسانی قابل توجهی دارد. بانکهایی که از این پشته استفاده میکنند، معمولاً یک تحلیلگر BSA دارند که در تهیه SAR تخصص دارد، و خروجی Verafin به عنوان یک نقطه شروع عمل میکند نه یک محصول نهایی. بازرسان عموماً با هشدارهای امتیازدهی شده توسط یادگیری ماشین راضی بودهاند، اما همچنان انتظار دارند که قضاوت انسانی در خود داستانسرایی SAR مشاهده شود.
Hummingbird یک جایگزین متمرکزتر بر گردش کار، با ابزارهای مدیریت پرونده و نگارش SAR قوی است که با چندین منبع هشدار ادغام میشود، به جای اینکه خود هشدار ایجاد کند. بانکهایی که از Hummingbird استفاده میکنند، معمولاً آن را با Verafin یا موتور هشدار دیگری جفت میکنند و از Hummingbird به عنوان لایه تحقیقات و ارسال استفاده میکنند. این جداسازی نگرانیها به بانک اجازه میدهد تا موتورهای هشدار را با ظهور مدلهای بهتر یادگیری ماشین جایگزین کند، بدون اینکه گردش کار مدیریت پرونده را مختل کند.
Unit21 در بین بانکهایی که حجم تراکنشهای بیشتر به سبک فینتک دارند، به ویژه بانکهای جامعه که مشارکتهای بانکداری به عنوان سرویس را اجرا میکنند، موقعیت قدرتمندی به دست آورده است. پشته Unit21 تولید هشدار، مدیریت پرونده و پروندهسازی SAR را در یک پلتفرم واحد مدیریت میکند، با سفارشیسازی قوانین قوی برای الگوهای تراکنش غیرمعمول که مشارکتهای فینتک ایجاد میکنند. نقطه ضعف این است که Unit21 در مقایسه با Verafin، در تراکنشهای بانکداری تجاری سنتی کمتر اثبات شده است.
در هر سه پلتفرم، سقف عملیاتی یکسان است: افسر BSA همچنان مالک تصمیمگیری پرونده و کیفیت روایت است، و بازرسان همچنان انتظار دارند که این مالکیت مستند شود. اتوماسیون انطباق هوش مصنوعی که بانکهای جامعه مستقر میکنند، زمانی بیشترین ارزش را دارد که زمان تحلیلگر را در موارد روتین فشرده کند، که ظرفیت را برای بررسی مواردی که واقعاً اهمیت دارند بدون افزایش تعداد کارکنان آزاد میکند.
پشتههای تشخیص کلاهبرداری و نظارت بر تراکنشها
زیانهای ناشی از کلاهبرداری در بانکهای جامعه در پنج سال گذشته سریعتر از زیانهای ناشی از کلاهبرداری در بانکهای ملی رشد کرده است، عمدتاً به این دلیل که بانکهای جامعه در زیرساخت نظارت بر تراکنشها در زمان واقعی عقب هستند. هوش مصنوعی تشخیص کلاهبرداری که بانکهای جامعه در این لایه مستقر میکنند، معمولاً بر کلاهبرداری کارتهای بدهی، کلاهبرداری ACH و کلاهبرداری چک تمرکز دارد، با موتور نظارت که تقریباً در زمان واقعی در جریانهای تراکنش بانک اجرا میشود.
Featurespace به طور گستردهای برای کلاهبرداری کارت، بهویژه در بانکهای جامعه که سبد کارتهایشان صدها هزار کارت است تا میلیونها، مستقر شده است. پشته Featurespace از تحلیلهای تطبیقی رفتاری برای امتیازدهی تراکنشها بر اساس الگوی تاریخی دارنده کارت استفاده میکند، که بخش قابل توجهی از کلاهبرداریهایی را که موتورهای مبتنی بر قوانین سنتی از دست میدهند، شناسایی میکند. بانکهایی که از Featurespace استفاده میکنند، معمولاً کاهش تلفات کلاهبرداری را بیست تا چهل درصد در سال اول، بسته به خط پایه، گزارش میدهند.
سقف Featurespace این است که گردش کار عملیاتی را پس از یک هشدار کلاهبرداری مدیریت نمیکند، به این معنی که بانکها همچنان به یک تیم عملیات کلاهبرداری برای مدیریت تماسهای دارنده کارت، صدور مجدد کارت و پردازش برگشت وجه نیاز دارند. بانکهایی که از این پشته استفاده میکنند، معمولاً آن را با یک پلتفرم مدیریت پرونده جفت میکنند که هشدارها را به تیم صحیح هدایت میکند و زمان حل و فصل را ردیابی میکند.
Effectiv یک تازهوارد است که به طور خاص بر بانکهای جامعه و منطقهای متمرکز است، با پشتهای که کلاهبرداری، AML و نظارت بر انطباق را در یک پلتفرم یکپارچه مدیریت میکند. رویکرد یکپارچه تعداد روابط فروشنده را که بانک نیاز به مدیریت آن دارد، کاهش میدهد، که در موسسات کوچکتر که تیمهای انطباق و کلاهبرداری اغلب کارکنان مشترک دارند، اهمیت دارد. نقطه ضعف این است که Effectiv در تشخیص کلاهبرداری صرف کارت، نسبت به Featurespace کمتر پخته است.
NICE Actimize پلتفرمی است که بسیاری از بانکهای بزرگ جامعه سالها پیش بر آن استانداردسازی کردند، بهویژه برای موسساتی که به مدیریت پرونده در سطح شرکت و گزارشدهی نظارتی نیاز داشتند. پشته Actimize جامع اما گران است، و بسیاری از بانکهای جامعه زیر سه میلیارد دارایی با بهبود قابلیتهای یادگیری ماشین در سراسر بازار فروشندگان، به جایگزینهای سبکتر روی آوردهاند. آنچه Actimize هنوز بهتر از اکثر جایگزینها انجام میدهد، یکپارچگی کلاهبرداری، AML و نظارت بر معاملات برای بانکهایی است که هر سه نیاز را دارند.
پشتههای خدمات مشتری و کانال دیجیتال
گلوگاه خدمات مشتری در بانکهای جامعه به ندرت بانکدار رابط است؛ بلکه مرکز تماس و کانال دیجیتال است که در آن درخواستهای معمول، ظرفیتی را مصرف میکنند که میتوانست صرف مکالمات درآمدزا شود. هوش مصنوعی خدمات مشتری که بانکهای جامعه در این لایه مستقر میکنند، معمولاً بر طبقهبندی قصد، انحراف خودکار، و کمک به نماینده تمرکز دارد، به طوری که هوش مصنوعی درخواستهای معمول را مدیریت میکند و تماسهایی را که نیاز به قضاوت انسانی دارند، ارجاع میدهد.
Glia در خدمات مشتری کانال دیجیتال، جایگاه قدرتمندی در بین بانکهای جامعه ایجاد کرده است، که گفتگو، صدا و تصویر را در یک پلتفرم واحد با گردشکارهای نماینده با کمک هوش مصنوعی ترکیب میکند. بانکهایی که از Glia استفاده میکنند، معمولاً انحراف قابل توجهی از درخواستهای معمول به خدمات خودکار را مشاهده میکنند، با نمایندگانی که بر تماسهایی تمرکز میکنند که واقعاً به قضاوت انسانی نیاز دارند. این پشته با اکثر پلتفرمهای اصلی بانکداری ادغام میشود، به این معنی که نماینده هنگام ارجاع یک تماس، زمینه حساب کامل را دارد.
سقف Glia این است که مدل بانکدار رابط را که مشخصه بانکداری جامعه است، جایگزین نمیکند. بانکهایی که از این پشته استفاده میکنند، معمولاً آن را به عنوان خط مقدم برای درخواستهای تراکنشی قرار میدهند، با بانکداران رابط که مکالماتی را مدیریت میکنند که واقعاً سپردهها و رشد وام را به همراه دارند. این تفکیک به بانک امکان میدهد تا خدمات مشتری را بدون تضعیف مدل رابطه، توسعه دهد.
Posh در هوش مصنوعی صوتی و پیامرسان به طور خاص برای بانکهای جامعه و اتحادیههای اعتباری جایگاه قویای ایجاد کرده است، با عوامل مکالمهگر که بر اهداف خاص بانکی آموزش دیدهاند و برای ارتباط با سیستم核心 بانکی برای زمینه حساب ادغام شدهاند. بانکهایی که از Posh استفاده میکنند، معمولاً آن را به عنوان یک کانال 24 ساعته برای سؤالات روتین مانند بررسی موجودی، تاریخچه تراکنشها و خدمات اساسی حساب، با ارجاع به یک نماینده انسانی در ساعات کاری، به کار میگیرند.
Kasisto رویکردی پلتفرممحورتر با KAI ارائه میدهد، یک موتور هوش مصنوعی مکالمهگر که کاربردهای بانکی متعددی از جمله خدمات مشتری، بانکداری دیجیتال و کمک به کارمندان را تقویت میکند. گستردگی برای بانکهایی که یک پلتفرم مکالمهگر واحد را در کانالهای مختلف میخواهند، یک نقطه قوت است، و برای بانکهایی که بهترینها را برای هر کانال ترجیح میدهند، نقطه ضعف است.
در هر سه پلتفرم، سقف عملیاتی یکسان است: هوش مصنوعی درخواستهای روتین را به خوبی مدیریت میکند، انسان مکالمات مربوط به روابط را به خوبی مدیریت میکند، و بانک باید انتقال را با دقت طراحی کند تا مشتریان احساس نکنند که هنگام نیاز به یک انسان، از او دور نگه داشته میشوند. اگر این کار خوب انجام نشود، این پشته به مدل رابطهای که بانکهای جامعه به آن وابسته هستند، آسیب میرساند.
پشتههای اتوماسیون دفتر پشتی و عملیات
دفتر پشتی در اکثر بانکهای جامعه جایی است که بزرگترین دستاوردهای اتوماسیون هنوز محقق نشدهاند، زیرا گردش کارها بسیار متغیر هستند، الزامات مستندسازی سنگین است، و سیستمهای بالادستی اغلب پلتفرمهای اصلی بانکداری قدیمی هستند که در برابر یکپارچهسازی مدرن مقاومت میکنند. استقرار هوش مصنوعی در بانکداری جامعه در این لایه معمولاً بر پردازش استثنا، تطبیق، و هماهنگی گردش کار عملیاتی تمرکز دارد.
UiPath همچنان گستردهترین پلتفرم RPA (اتوماسیون فرآیند رباتیک) است که در بانکهای جامعه مستقر شده است، با سابقه طولانی در وظایفی مانند ورود داده به سیستم اصلی بانکداری، جمعآوری گزارشهای نظارتی، و گردش کار نگهداری حساب. نقطه قوت UiPath بلوغ و عمق کتابخانه یکپارچگی آن است. نقطه ضعف این است که RPA سنتی زمانی که سیستمهای بالادستی تغییر میکنند، شکننده است، به این معنی که بانکهای جامعهای که UiPath را به طور گسترده مستقر کردهاند، اغلب یک تیم اختصاصی برای نگهداری رباتها دارند.
موج جدید ابزارهای هوش مصنوعی عاملی، از جمله عوامل ساخته شده بر روی پلتفرمهایی مانند LangGraph یا لایههای هماهنگی اختصاصی، گردش کار دفتر پشتی را با انعطافپذیری بیشتری نسبت به RPA سنتی مدیریت میکند. این عوامل میتوانند با تغییرات بالادستی سازگار شوند، موارد استثنا را که یک ربات سنتی را خراب میکند، مدیریت کنند، و مسیرهای ردیابی را تولید کنند که بازرسان واقعاً میتوانند پیگیری کنند. نقطه ضعف این است که هوش مصنوعی عاملی هنوز در حال بلوغ است، و بانکهای جامعهای که آن را مستقر میکنند، معمولاً به یک شریک نیاز دارند که بتواند زیرساخت عامل را معماری کند، نه اینکه یک پلتفرم آماده را خریداری کند.
قویترین پشتههای دفتر پشتی بانک جامعه، RPA سنتی را برای وظایف روتین با حجم بالا با هوش مصنوعی عاملی برای گردش کارهای استثنایی که ظرفیت تیم عملیات را به طرز نامتناسبی مصرف میکنند، ترکیب میکنند. این رویکرد ترکیبی، صرفهجویی در هزینههای اتوماسیون را بدون قرار دادن بانک در معرض شکنندگی RPA خالص یا نابالغی هوش مصنوعی عاملی خالص، به دست میآورد. تصمیم معماری این است که کدام گردش کارها در کدام لایه قرار گیرند، که این یک سوال نیازمند دانش عملیاتی عمیق از گردش کارهای خاص بانک است.
آنچه بازرسان واقعاً میخواهند ببینند
در هر پشتهای که در بالا بحث شد، سوالی که در نهایت تعیین میکند که آیا یک بانک جامعه میتواند هوش مصنوعی را در تولید مستقر کند، این است که بازرسان چه چیزی را میخواهند ببینند. هوش مصنوعی عامل OCC FDIC که بانکهای تحت بررسی مستقر میکنند، باید مستنداتی را تولید کند که بازرسان بتوانند آن را پیگیری کنند، با مسیرهای ردیابی واضح، منطق تصمیمگیری که انسانها بتوانند آن را بررسی کنند، و مدیریت استثنا که به طور پنهانی سیاست را دور نمیزند. قویترین پشتهها قابلیت دفاع در برابر بازرسان را به عنوان یک نیاز طراحی اولیه در نظر میگیرند، نه یک فکر ثانویه، به این معنی که معماری حول تولید مستنداتی ساخته شده است که بازرسان انتظار دارند.
بانکهای جامعهای که شکاف سرعت تصمیمگیری وام را با وامدهندگان ملی پر میکنند، آنهایی نیستند که تهاجمیترین هوش مصنوعی را اجرا میکنند. آنها آنهایی هستند که هوش مصنوعی را اجرا میکنند که بازرسان قبلاً تأیید کردهاند، با الگوهای مستندسازی که یک چرخه بازرسی کامل را پشت سر گذاشتهاند. سرعت بدون قابلیت دفاع در برابر بازرسان، یک مزیت رقابتی نیست، بلکه یک اقدام اجرایی در آینده است. پشتههایی که برنده میشوند، آنهایی هستند که چرخه را کاهش میدهند در حالی که مسیر ردیابی را تقویت میکنند، نه آنهایی که مستندات را با سرعت معامله میکنند.
جایی که پشتههای هوش مصنوعی بانک جامعه در تولید از کار میافتند
در هر دسته بالا، حالتهای شکست خاصی بدون توجه به اینکه بانک جامعه کدام فروشنده را انتخاب میکند، تکرار میشوند. رایجترین آن، یکپارچگی است که در نسخه نمایشی کار کرده اما تحت حجم تراکنشهای تولیدی از کار میافتد، زیرا نسخه نمایشی در برابر یک مجموعه داده شبیهسازی شده آزمایش شده بود که واریانس داده واقعی بانک را منعکس نمیکرد. بانکهایی که نود روز اول پس از راهاندازی را با موفقیت پشت سر میگذارند، معمولاً آنهایی هستند که هوش مصنوعی را در حالت سایه در برابر دادههای تولیدی قبل از فعال شدن کامل اجرا کردهاند، با مقایسه صریح خروجی هوش مصنوعی با خروجی انسانی برای تشخیص ناهماهنگیها قبل از اینکه مشتریان یا بازرسان متوجه شوند.
دومین مشکل رایج، مدلی است که به طور میانگین خوب عمل میکند اما در مواردی که بیشترین اهمیت را دارند، مانند وامهای تجاری با مبالغ بالا، تراکنشهای مشکوک، یا شکایات ارجاع شده مشتری، نتایج ضعیفی تولید میکند. بانکهایی که این مشکل را در اوایل متوجه میشوند، معمولاً نظارت مستمری بر کیفیت خروجی، تقسیمبندی شده بر اساس سطح ریسک، با هشدار صریح هنگام عملکرد ضعیف هوش مصنوعی در بخشهایی که خطاها بیشترین وزن را دارند، اجرا میکنند. بانکهایی که فقط دقت کلی را نظارت میکنند، معمولاً مشکل را تنها پس از اینکه یک ناظر یا شکایت مشتری آن را مطرح کند، کشف میکنند.
سومین حالت شکست رایج، رانش عملیاتی است، جایی که هوش مصنوعی در زمان راهاندازی خوب کار میکند اما با گذشت زمان با تغییر منابع داده بالادستی، تکامل ترکیب وامگیرندگان، یا تغییر الگوهای کلاهبرداری، تخریب میشود. بانکهایی که رانش را به خوبی مدیریت میکنند، معمولاً یک فرآیند بازبینی مدل سه ماهه دارند که عملکرد فعلی را با خط پایه راهاندازی مقایسه میکند، با آموزش مجدد یا جایگزینی مدل به عنوان یک روش عملیاتی استاندارد به جای یک واکنش اضطراری. بانکهایی که هوش مصنوعی را به عنوان یک استقرار یکباره در نظر میگیرند، معمولاً تخریب معنیداری را در هجده ماه اول مشاهده میکنند.
چهارمین حالت شکست رایج، IT سایه (Shadow IT) است، جایی که واحدهای تجاری ابزارهای هوش مصنوعی را خارج از معماری مرکزی بانک بدون بررسی انطباق یا یکپارچگی با زیرساخت نظارتی بانک مستقر میکنند. بانکهایی که از این امر جلوگیری میکنند، معمولاً حاکمیت روشنی را در اوایل برقرار میکنند، با یک فرآیند تأیید تعریف شده برای هر استقرار هوش مصنوعی و مجازاتهای صریح برای دور زدن آن. بانکهایی که به IT سایه اجازه میدهند، معمولاً مشکلات انطباق را تنها پس از اینکه توسط بازرسان علامتگذاری شدهاند، کشف میکنند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه است که زیرساخت عامل هوشمند را در کسبوکارها از طریق سه ستون یکپارچه مستقر میکند: زیرساخت عامل، ریلهای پرداخت غیرسنتی، و یک موتور سرمایه کامل. TFSF با 27 سال تجربه در پرداختها و نرمافزار، در سطح جهانی فعالیت میکند و 21 صنعت را با روش استقرار 30 روزه پشتیبانی میکند. اطلاعات بیشتر در: https://tfsfventures.com
ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سوال سریع درباره کسبوکار خود پاسخ دهید. یک طرح اولیه استقرار سفارشی هوش مصنوعی شامل توصیههای عامل، معماری و یک نقشه راه خاص برای عملیات شما را طی 24 تا 48 ساعت دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در: https://tfsfventures.com/assessment
Originally published at https://tfsfventures.com/blog/the-ai-automation-stacks-powering-community-banks-under-five-billion-in-assets-that
نوشته شده توسط گروه تحقیقاتی TFSF Ventures