Poskytování finančních služeb znamená spravovat obrovské databáze údajů, zahrnující kromě historie transakcí také veškerou dokumentaci spojenou s klientskými účty, komunikaci s klienty a mnoho provozních dat. Současné modely strojového učení (Machine Learning – ML) přitom mohou tato data zpracovávat, analyzovat a generovat z nich užitečné informace. S využitím strojového učení mohou banky poskytovat svým klientům vysoce personalizované služby, optimalizovat svůj provoz a například také efektivněji odhalovat podvody. Každá velká banka má dnes svoji strategii pro využití strojového učení a je velmi pravděpodobné, že se s některou z konkrétních aplikací ML setkala už naprostá většina jejich klientů.
Konverzace s robotem
Typickou službou poháněnou strojovým učením jsou inteligentní chatboti a voiceboti na klientských linkách bank. Průkopníkem takového způsobu využití ML u nás je Česká spořitelna, která svého chatbota George spustila jako první z českých bank už na konci roku 2019. Technologie ML umožňuje konverzačním botům lépe porozumět požadavkům zákazníků a zrychlit jejich odbavení, ale také poskytovat skutečně personalizované finanční poradenství.
Personalizace je obecně záležitostí strojového učení. Na základě analýzy dat mohou banky pomoci klientům se správou jejich osobních financí a také činit kvalifikovanější rozhodnutí o spotřebě a úsporách – podle jejich individuálních potřeb a přání. Poskytovat takové služby milionům klientů by bylo bez analýzy dat a automatizace neřešitelné.
Rychlejší zpracování žádostí i auditů
Automatizace a zpracování dat pomocí technologie strojového učení ale není jedinou oblastí, do které banky ML zapojují. Silnou stránkou strojového učení je také analýza dokumentů za účelem kontroly, zdali obsahují všechny náležitosti, resp. odpovídají stanoveným podmínkám. Díky tomu mohou banky rychleji a s daleko menší chybovostí vyhodnocovat žádosti klientů o půjčky či hypotéky a kontrolovat dokumentaci poskytnutou klienty, stejně jako svoje interní dokumenty, související s regulacemi a audity. Odhalení drobných, ale přesto potenciálně závažných nesrovnalostí v datech, představuje i významné přispění ML k řízení rizik.
Ale ML toho zvládne zkontrolovat ještě mnohem víc. Například analyzovat také všechny bankovní transakce, ve kterých je možné hledat anomálie a různé indikátory podvodů. Se zavedením internetového a mobilního bankovnictví totiž počet transakcí extrémně narostl, stejně jako se neustále rozšiřuje paleta taktik, které využívají podvodníci. Jen sofistikované modely strojového učení, vyškolené na obrovských souborech dat, umožňují bankám najít skryté souvislosti a rychle identifikovat podezřelé transakce.
Posílení kybernetické bezpečnosti
Bezpečnost banky a jejích klientů znamená i obranu před kybernetickými útoky, jejichž množství i závažnost dlouhodobě strmě roste. Banky jsou samozřejmě velmi lákavým cílem, především kvůli množství citlivých informací, se kterými pracují. Proto se nemohou spolehnout jen na standardní bezpečnostní mechanismy a opatření. Stále častěji zapojují do své kybernetické ochrany i nástroje podporované strojovým učením, které nepřetržitě monitorují prostředí IT, vyhodnocují obrovské množství signálů a identifikují potenciální hrozby. ML je při detekci daleko citlivější a zároveň přesnější, než mohou být lidé, takže pomáhá současně posílit zabezpečení i snížit množství planých poplachů.
S postupující digitalizací bankovních služeb se bude význam analýzy dat a strojového učení dále zvyšovat – jak směrem ke zdokonalování služeb klientům, tak i v rámci samotného fungování bank.
ČLÁNKY DO MAILU