Az Nvidia olyan megoldást mutatott be a bankok számára, amellyel a jelenleg különálló, sokféle mesterségesintelligencia-rendszerüket egyetlen modellbe vonhatják össze. Ezt az egyesített rendszert a bankok saját tranzakciós adatain képeznék, és egyszerre lenne képes csalásfelderítésre, hitelbírálatra és kockázatelemzésre, ahelyett hogy ezeket külön-külön rendszerek végeznék.
Az Nvidia 2026-os, a pénzügyi szolgáltatásokban alkalmazott mesterséges intelligencia (AI) helyzetéről szóló jelentése szerint a pénzügyi intézmények 65 százaléka használ mesterséges intelligenciát, és közel 90 százalékuk már bevezeti vagy teszteli azt. A jelentés szerint ugyanakkor ma már nem az AI bevezetése jelenti a legnagyobb kihívást, hanem az a széttagoltság, amelyet ezek a fejlesztések eredményeztek. A legtöbb bank ugyanis számos, egymástól függetlenül működő AI-rendszert épített ki, és éppen ez a töredezett struktúra lassítja a működésüket és a további fejlődésüket.
Több száz modell helyet egy
Erre jelenthet megoldást, ha a bankok ahelyett, hogy minden új problémára külön mesterségesintelligencia-rendszert fejlesztenének, egyetlen modellt tanítanak be a teljes tranzakciós adatállományukon, majd ezt a modellt többféle feladatra is alkalmazzák. Ez a közös adatbázis jelentősen növelheti a rendszer összefüggés-felismerő képességét. Egy éjfélkor indított fizetés például egészen más megítélés alá esik, ha kiderül, hogy ez az elmúlt tíz percben végrehajtott negyedik tranzakció, egy korábban nem használt eszközről érkezett, ráadásul egy olyan városból, ahol az ügyfél korábban még soha nem vásárolt.
Másképpen fogalmazva: a rendszer nem elszigetelt eseményként vizsgál egy tranzakciót, hanem a teljes ügyfélmúlt és az aktuális körülmények összefüggéseiben értékeli azt. Ez pontosabb csalásfelderítést, hitelbírálatot és kockázatelemzést tehet lehetővé.
Már működő megoldások
A Revolut áprilisban mutatta be, hogyan működhet mindez a gyakorlatban. A neobank közzétette a PRAGMA nevű modell eredményeit, amelyet 40 milliárd tranzakció adatai alapján tanítottak be. Az adatok 25 millió ügyféltől származtak, 111 országot lefedve.
A korábban külön rendszereket igénylő feladatokat – például a hitelbírálatot, a csalásfelderítést és a személyre szabott termékajánlásokat – ma már egyetlen modell végzi. A Revolut érintett területének vezetője, Tadas Kriščiūnas szerint a fejlesztés drámaian felgyorsította az új alkalmazási területek bevezetését. Mint fogalmazott, míg korábban egy új felhasználási eset kialakítása heteket vagy akár hónapokat vett igénybe, ma ehhez gyakorlatilag „egyáltalán nincs szükség időre”.
A Mastercard hasonló irányba halad, csak jóval nagyobb léptékben. A PYMNTS márciusban arról számolt be, hogy a kártyatársaság olyan mesterségesintelligencia-modellt fejleszt, amelyet több milliárd anonimizált bankkártyás tranzakció adatain tanítanak be. A tanítóadatok között szerepelnek csalási esetek, visszaterhelések (chargebackek), kereskedői adatok és hűségprogramokhoz kapcsolódó aktivitások is.
A személyes azonosításra alkalmas információkat még a modell tanítása előtt eltávolítják az adathalmazból, így a rendszer nem egyes ügyfelek adataiból, hanem a költési és tranzakciós mintázatokból tanul. Ennek köszönhetően képes összefüggéseket felismerni és előrejelzéseket készíteni anélkül, hogy konkrét személyekhez kapcsolódó információkat használna fel.
A Stripe szintén saját mesterségesintelligencia-stratégiát épít. A TechCrunch májusi beszámolója szerint a vállalat úgynevezett „payments foundation model” rendszerét több tízmilliárd tranzakció adatain tanítottak be. A modell egy gyakori online fizetési csalástípus felismerésében jelentős előrelépést hozott: a nagyvállalati ügyfeleknél az észlelési arány 59 százalékról 97 százalékra emelkedett.
A Stripe az NVIDIA és az Amazon Web Services (AWS) technológiai platformjait használja. Az NVIDIA június 1-jén közzétett blogbejegyzése szerint a rendszer tavaly közel 112 milliárd dollár értékű csalási kísérletet akadályozott meg, miközben az átlagos csalási arányt 38 százalékkal csökkentette.
A Stripe példája megmutatja, hogy az óriási mennyiségű tranzakciós adaton tanított, egységes AI-modellek nemcsak több feladatot képesek egyszerre ellátni, hanem a csalások felderítésében is nagyságrendi javulást hozhatnak a hagyományos, elkülönült rendszerekhez képest.
Üzleti érvek
Az AI-rendszerek összevonása mellett szóló érv nem csupán működési hatékonysági kérdés, hanem versenyelőnyt is jelenthet. Minden olyan bank, amely külön mesterségesintelligencia-modellt tart fenn az egyes problémák kezelésére, egyre növekvő költségekkel szembesül. Minden új piacra lépés újratanítást igényel, minden új felhasználási terület egy újabb rendszer fenntartását teszi szükségessé, ráadásul ezek a modellek nem tudják hasznosítani egymás tapasztalatait és tanulságait.
A Adyen – amely évente mintegy ezer milliárd dollári fizetési forgalmat dolgoz fel – az NVIDIA blogbejegyzése szerint arra hívta fel a figyelmet, hogy már a sikeresen teljesülő fizetések arányának 0,1 százalékpontos javulása is számottevő többletbevételt eredményezhet a kereskedők számára. Az egységes, közös tudásbázison működő AI-rendszerek éppen azért értékesek, mert ezeket a javulásokat nem csupán egyetlen termék vagy szolgáltatás esetében, hanem a teljes működésben képesek érvényesíteni.
Egy olyan bank, amely a teljes tranzakciós történetére épülő, egységes AI-modellt használ, gyorsabban reagálhat a változásokra, pontosabb döntéseket hozhat, és az egyik területen megszerzett tudást könnyebben alkalmazhatja új problémák megoldására is. Nem kell minden egyes új feladatnál a nulláról kezdenie a fejlesztést és a modellépítést.
Értékes adatvagyon
Nem minden pénzügyi intézmény rendelkezik akkora adatmennyiséggel, mint a Revolut, vagy olyan fejlesztői kapacitással, mint a Stripe. Az Nvdia által kidolgozott modell ezért elsősorban kiindulópontot kíván nyújtani a kisebb bankok és pénzügyi szolgáltatók számára: lehetővé teszi, hogy saját tranzakciós adataikra építve fejlesszenek korszerű AI-rendszereket anélkül, hogy mindent a nulláról kellene felépíteniük.
A megközelítés bevezetésében olyan technológiai és tanácsadó cégek segítik a bankokat, mint az Infosys, az EXL vagy a Thoughtworks. Feladatuk, hogy az új AI-megoldásokat összekapcsolják a már működő hitelbírálati, ügyfélkiszolgálási és megfelelőségi (compliance) rendszerekkel. A Revolut, a Stripe, a Mastercard és az Adyen ugyanakkor rendelkezik egy olyan versenyelőnnyel, amelyet a riválisok nem tudnak könnyen lemásolni: ügyfeleik sok éven át felhalmozott tranzakciós történetével. Ezek az adatok nemcsak hatalmas mennyiségűek, hanem rendkívül értékesek is, mert lehetővé teszik olyan AI-modellek fejlesztését, amelyek a valós ügyfélviselkedésből és pénzügyi mintázatokból tanulnak. Minél hosszabb és gazdagabb ez az adattörténet, annál nehezebb utolérni azokat a szereplőket, amelyek már most is rendelkeznek ezzel.
Forrás: Pymnts
(Címlapkép: Depositphotos)
