Il settore dei servizi finanziari è da decenni un grande utilizzatore di analisi avanzate. Oggi assistiamo all’implementazione delle prime soluzioni basate sull’intelligenza artificiale in grado di portare miglioramenti significativi in termini di servizio clienti, efficienza operativa e resilienza. Coerenza e standardizzazione di framework e piattaforme sono elementi fondamentali. Il punto di vista di Richard Harmon, vice president and global head of financial services, Red Hat.
Il settore finanziario sta affrontando una serie di sfide impegnative, legate in particolare al contesto macroeconomico globale, in cui il rischio di insolvenza del credito cresce a causa della stagnazione della crescita. Inoltre, vi è una crescente pressione alla modernizzazione: le istituzioni finanziarie devono migliorare l’efficienza, servire meglio i clienti, ridurre i rischi, combattere i crimini finanziari, affrontare la sostenibilità e implementare le modifiche normative. L’adozione dell’AI svolgerà un ruolo chiave nel raggiungimento di questi obiettivi.
Guidare la modernizzazione dei servizi finanziari con l’AI
Le tecnologie AI vengono già impiegate nel settore finanziario, ad esempio nei chatbot interattivi per il servizio clienti, nell’analisi dei documenti o nell’identificazione di anomalie nelle transazioni di pagamento per il rilevamento delle frodi. Le banche utilizzano da tempo l’AI predittiva – in gran parte soluzioni basate sull’apprendimento automatico – per automatizzare e semplificare i processi. L’AI generativa può migliorare significativamente le capacità di molte applicazioni esistenti, comprese le sfide ambientali, sociali e di governance (ESG) come dimostrato dal Progetto Gaia della BRI in grado di automatizzare l’estrazione e l’analisi dei dati ESG aziendali per rendere più trasparente ed efficiente la valutazione del rischio climatico.
Sebbene questi siano i primi risultati importanti per le singole istituzioni, la sfida globale che le banche centrali e le autorità di regolamentazione devono affrontare è quella di garantire la stabilità del sistema finanziario globale. Le imminenti modifiche normative introdotte a livello globale, a ritmo scaglionato, affronteranno nuovi tipi di potenziali rischi sistemici, tra cui la concentrazione nel cloud, l’utilizzo dell’AI, i cambiamenti climatici e i futuri rischi nascosti correlati che emergeranno da un sistema finanziario globale in continua evoluzione.
L’applicazione dell’AI all’automazione dei processi sarà fondamentale per garantire efficienza e resilienza. Quella basata sugli eventi, ad esempio, aiuterà gli istituti a soddisfare i prossimi requisiti di portabilità delle applicazioni per le tecnologie di informazione e comunicazione (ICT) di terze parti. Dimostrarlo è un requisito normativo fondamentale del Digital Operational Resilience Act (DORA) dell’UE.
Sul fronte dell’infrastruttura, l’attenzione continua a concentrarsi sulla modernizzazione di applicazioni legacy, come i sistemi bancari di base, per renderle più agili. Le piattaforme mainframe continueranno a essere utilizzate per alcune applicazioni, mentre altri carichi di lavoro saranno spostati nel cloud, o almeno resi cloud-nativi in modo da poter tenere il passo con il rapido sviluppo moderno ed essere trasportabili per essere eseguiti in ambienti cloud secondo necessità. Tuttavia, il replatforming o la riscrittura del software può essere un processo complesso e costoso. Questo è un settore in cui l’intelligenza artificiale generativa può fornire un supporto concreto, traducendo il software in diversi linguaggi di programmazione o aiutando a riqualificare il personale IT con assistenti di codifica che possono occuparsi della maggior parte del lavoro di base. L’AI può anche ottimizzare la distribuzione delle applicazioni, tenendo conto delle principali sfide aziendali, come le metriche di sostenibilità, l’efficienza operativa e i costi.
L’uso dell’AI può portare vantaggi significativi anche ai team operativi e di assistenza. In futuro, gli assistenti dotati di intelligenza artificiale saranno in grado di gestire richieste e problemi più complessi. Inoltre, l’uso dell’AI può semplificare la rendicontazione finanziaria nel settore bancario, automatizzando l’aggregazione e l’analisi dei dati per una rendicontazione più accurata e tempestiva.
L’AI svolgerà un ruolo importante anche nella capacità di una banca di gestire i rischi derivanti da shock macroeconomici esterni a breve termine o da mutamenti trasformativi a lungo termine come il cambiamento climatico. In queste situazioni, l’AI richiede l’accesso a grandi serie di dati diversificati che possono fornire nuovi spunti per migliorare le capacità predittive.
Il potenziale dei dati sintetici
L’AI può accelerare il processo decisionale in alcune situazioni e in futuro avrà la capacità di espandere e migliorare drasticamente ciò che molte applicazioni fanno oggi. Tuttavia, il suo successo rischia di essere frenato da una scarsa qualità dei dati, che si trovano isolati all’interno delle istituzioni a causa di requisiti di privacy, proprietà intellettuale e sovranità.
Fortunatamente, l’AI stessa potrà contribuire a superare la mancanza di fonti di dati di qualità adatte allo scopo attraverso la creazione di “dati sintetici”. Questo avviene quando le fonti di dati esistenti vengono replicate per anonimizzare la privacy e rendere i dati condivisibili. L’intelligenza artificiale può essere utilizzata per creare fonti di dati sintetici più robuste che consentiranno a determinate applicazioni di superare i limiti dei dati puramente storici per sviluppare approfondimenti più ricchi su possibili situazioni future.
Un’area di applicazione dei dati sintetici è la lotta alla criminalità finanziaria. Se un modello di apprendimento automatico o di intelligenza artificiale viene costruito a partire da un insieme di dati che contiene un numero limitato di casi di un certo tipo di crimine finanziario, può prevedere con un’elevata precisione il ripetersi di questi casi specifici. Ma la sua accuratezza predittiva diminuisce significativamente quando si tratta di catturare variazioni di questo tipo di crimine non presenti nei dati disponibili. Per rendere il modello più robusto e anticipare le minacce, le simulazioni basate sull’AI possono generare centinaia di migliaia o milioni di scenari sintetici, fornendo un sistema di rilevamento che può essere convalidato attraverso l’ispezione di probabili nuove varianti di un reato finanziario. In questo modo, i dati sintetici generati dall’AI possono migliorare significativamente il modo in cui vengono identificate le frodi. I modelli di reti avversarie generative (GAN) e le simulazioni di modelli basati su agenti (ABM) sono due approcci all’AI che vengono utilizzati per questo tipo di caso d’uso.
La sfida della spiegabilità dell’AI
Oltre ai dati, esistono sfide significative per rendere i modelli di AI affidabili e resilienti. Un’area chiave è rappresentata da uno sforzo di ricerca globale per sviluppare approcci innovativi verso la spiegabilità nell’AI (XAI) il cui obiettivo è quello di ottenere quadri di riferimento per rendere il processo decisionale trasparente e responsabile e migliorare affidabilità, processo decisionale e conformità normativa.
Questi framework XAI richiedono il superamento di sfide quali le soluzioni black box dovute alla complessità dei modelli, le limitazioni di accesso a un più ampio set di dati a causa della privacy e un panorama normativo sull’AI in rapida evoluzione.
Dal punto di vista normativo, la legge europea sull’AI recentemente approvata è il primo grande sforzo per creare un quadro normativo completo che adotta un approccio in cui più alto è il livello di rischio, più severe sono le regole che disciplinano la conformità all’AI. I sistemi di AI ad alto rischio devono soddisfare un’ampia gamma di requisiti che includono spiegabilità e documentazione, governance dei processi e dei dati, supervisione umana, gestione del rischio e verificabilità. Con la creazione di quadri normativi simili in altre regioni e Paesi, sarà necessario garantire un certo grado di coerenza globale basata sul rischio, in modo da incoraggiare l’innovazione continua nelle capacità e nelle soluzioni di AI.
In linea di principio, le possibilità dell’AI sono quasi illimitate, a patto che si riescano a identificare i team, i processi e le soluzioni giuste. Così come molti leader stanno prendendo in considerazione una strategia di cloud ibrido supportata da una piattaforma comune e da un livello di automazione per dare loro libertà e flessibilità, lo stesso vale per l’AI. In altre parole, fornire ai team di tutta l’azienda un’esperienza coerente e centralizzata per la formazione, la manutenzione, la messa a punto e l’implementazione dei modelli di AI in produzione. Un ambiente olistico, anziché a silos, eviterà di avere troppi punti di failure e contribuirà a standardizzare i test e la convalida per soddisfare i requisiti di controllo e trasparenza, così cruciali per garantire le approvazioni normative e far crescere l’adozione dell’AI.
