Al decennia gebruikt de financiële wereld geavanceerde analytics. Vandaag omarmt de sector AI, en zet het grote stappen in customer service, operationele efficiëntie en weerbaarheid. Consistentie en standardisatie in de raamwerken en platformen zijn de sleutels voor succes.
Vandaag de dag kampt de financiële sector met grote uitdagingen. De macroeconomische situatie is veranderd en de globale groeit stagneert, wat impact heeft op het terugbetalen van leningen. Daarnaast wordt van de sector verwacht dat hij mee moderniseert. Financiële instituties moeten efficiënter werken, hun klanten beter bedienen, risico’s beperken, financiële criminaliteit te lijf gaan, duurzaamheid omarmen en de regels volgen. AI zal hierbij een belangrijke rol spelen.
Weerbaar moderniseren met AI
AI wordt al gebruikt in de financiële wereld. Denk maar aan interactieve chatbots, de analyse van documenten of fraudedetectie. Vandaag zijn er bovendien nieuwe types systemische risico’s die de wetgeving probeert aan te pakken: de concentratie van de cloud, het gebruik van AI of de klimaatverandering.
Door AI te verwerken in de automatisering van processen kunnen bedrijven efficiënter en weerbaarder te werk gaan. Dankzij AI in eventgedreven automatisatie zullen instituties bijvoorbeeld portabiliteitseisen voor applicaties aanpakken voor kritische IT. Dat is ook een vereiste voor DORA, de Digital Operational Resilience Act van de Europese Unie.
Langs infrastructuurkant blijft de focus op oudere applicaties, waaronder de centrale banksystemen, moderniseren. Het doel: een agiele werkstructuur. Sommige mainframe platformen zullen nog steeds als basis dienen voor enkele applicaties, terwijl andere apps naar de cloud zullen verhuizen (of ten minste cloud-native zullen worden gemaakt in het geval dat een verhuis naar de cloud nodig blijkt).
Alleen kost software herschrijven of herformateren veel tijd en moeite. Enter, generatieve AI, die software kan vertalen naar verschillende programmeertalen, of medewerkers kan trainen met codeerassistenten die de simpele taken voor hun rekening nemen. AI kan applicaties ook helpen optimaliseren waar ze worden uitgerold, rekening houdend met bepaalde KPI’s zoals duurzaamheid, operationele efficiëntie en kost.
Ook bij de dagdagelijkse werking en klantcontact kan AI van grote hulp zijn. AI-assistenten zullen in de toekomst complexe klantvragen kunnen oplossen. Daarnaast kan artificiële intelligentie financiêle rapportages stroomlijnen met data-aggregatie en ‑analyse. Ten laatste kan AI ook helpen macroeconomische schokken, zoals klimaatverandering, te dempen door nieuwde inzichten te verwerven via grote hoeveelheden gegevens.
Synthetische data
Echter, dataschaarste blijft een probleem, en kan voorkomen door silo’s in organisaties als gevolg van gegevensbescherming, intellectueel eigendom en vereisten van soevereiniteit. Gelukkig heeft AI ook hierop een antwoord, met name “synthetische data”. Bij synthetische gegevens worden bestaande databronnen gerepliceerd en anoniem gemaakt, zodat ze kunnen worden gedeeld. Dankzij AI kunnen synthetische gegevens robuuster worden gemaakt. Die data leveren soms betere inzichten voor toekomstige scenario’s dan puur historische gegevens.
Een goede toepassing van synthetische data is bijvoorbeeld het bestrijden van financiêle misdaad. Een AI-model kan worden getraind op bestaande gevallen van financiële misdaden en zo herhaling voorspellen. Alleen is het veel moeilijker voor dat model om variaties in te schatten op de beschikbare informatie. Met AI kunnen miljoenen synthetische scenario’s worden afgespeeld, waardoor fraudedetectie potentieel veel robuuster wordt.
Transparantie
Voor de grootste nauwkeurigheid en de minste bias moet AI transparant en verklaarbaar zijn, wat ze explainability in AI (XAI) noemen. Het doel van XAI is raamwerken ontwikkelen waarbij de besluitvorming met AI overzichtelijk en helder wordt. Dit moet het vertrouwen in de nieuwe technologie opkrikken en de beslissingen beter maken.
De EU AI Act is één van de eerste inspanningen om een overzichtelijk regelgevend kader uit te werken voor AI-systemen. Dit kader is gebaseerd op risico, waarbij de regels strenger worden naarmate het gevaar dat AI met zich meebrengt, groot is. AI-systemen met een hoog risico moeten voldoen aan strenge voorschriften, zoals documentatie, risicobeheer en auditeerbaarheid.
Het potentieel van AI is enorm, zolang de juiste teams, processen en oplossingen worden ingezet. Net als voor de cloud, is een hybride strategie het juiste pad voor AI, waarbij beroep wordt gedaan op een gemeenschappelijk platform mét automatisatie. Vrijheid en flexibiliteit zijn de sleutel. Teams moeten voor de business kunnen berusten op een consistente, gecentraliseerde ervaring wanneer ze de AI-modellen trainen, onderhouden, bijstellen en uitrollen. Een goede AI-strategie vraagt om een holistische aanpak zonder silo’s en veel faalpunten. Door de testing en validatie te standardiseren kunnen de regels voor controle en transparantie gerespecteerd worden, en kan AI op schaal worden ingezet.
