banner large

Wells Fargo CIO: AI dan pembelajaran mesin akan memajukan industri jasa keuangan

Comment
X
Share

Kami sangat antusias untuk menghadirkan Transform 2022 kembali secara langsung pada 19 Juli dan 20 – 28 Juli secara virtual. Bergabunglah dengan AI dan pemimpin data untuk pembicaraan yang berwawasan luas dan peluang jaringan yang menarik. Daftar hari ini!


Sederhana saja: Dalam layanan keuangan, data pelanggan menawarkan layanan dan saran yang paling relevan.

Namun, seringkali, orang menggunakan lembaga keuangan yang berbeda berdasarkan kebutuhan mereka – hipotek mereka dengan satu; kartu kredit mereka dengan yang lain; investasi mereka, tabungan dan rekening giro dengan yang lain.

Dan di industri keuangan lebih daripada yang lain, institusi terkenal tertutup. Sebagian besar karena industri ini sangat kompetitif dan sangat diatur, belum banyak insentif bagi institusi untuk berbagi data, berkolaborasi, atau bekerja sama dalam suatu ekosistem.

Data pelanggan bersifat deterministik (yaitu, mengandalkan sumber orang pertama), jadi dengan pelanggan “tinggal di banyak pihak,” lembaga keuangan tidak dapat membentuk gambaran yang tepat tentang kebutuhan mereka, kata Chintan Mehta, CIO dan kepala digital teknologi dan inovasi di Wells Fargo.

“Data yang terfragmentasi justru merugikan,” katanya. “Bagaimana kita menyelesaikannya sebagai industri secara keseluruhan?”

Sambil mengadvokasi cara untuk membantu memecahkan tantangan data pelanggan ini, Mehta dan timnya juga secara konsisten menggabungkan inisiatif kecerdasan buatan (AI) dan pembelajaran mesin (ML) untuk mempercepat operasi, merampingkan layanan, dan meningkatkan pengalaman pelanggan.

“Ini bukan ilmu roket di sini, tetapi bagian yang sulit adalah mendapatkan gambaran yang baik tentang kebutuhan pelanggan,” kata Mehta. “Bagaimana kita benar-benar mendapatkan profil pelanggan lengkap?”

Serangkaian inisiatif AI untuk layanan keuangan

Saat raksasa jasa keuangan multinasional berusia 170 tahun itu bersaing di industri senilai $22,5 triliun yang mewakili sekitar seperempat dari ekonomi dunia, tim Mehta memajukan upaya seputar manajemen konten cerdas, robotika dan otomatisasi cerdas, teknologi buku besar terdistribusi, AI canggih, dan kuantum. komputasi.

Mehta juga memimpin kemitraan penelitian akademis dan industri Wells Fargo, termasuk dengan Stanford Institute for Human-Centered Artificial Intelligence (HAI), Stanford Platform Lab, dan MIT-IBM Watson Artificial Intelligence Lab.

Dalam pekerjaannya, tim Mehta mengandalkan berbagai alat AI dan ML: model statistik tradisional, jaringan pembelajaran mendalam, dan pengujian regresi logistik (digunakan untuk klasifikasi dan analitik prediktif). Mereka menerapkan berbagai platform asli cloud termasuk Google dan Azure, serta sistem buatan sendiri (berdasarkan lokalitas data).

Salah satu teknik yang mereka terapkan, kata Mehta, adalah memori jangka pendek panjang. Jaringan saraf berulang ini menggunakan koneksi umpan balik yang dapat memproses titik data tunggal dan seluruh urutan data. Timnya menerapkan memori jangka pendek panjang dalam pemrosesan bahasa alami (NLP) dan pemahaman bahasa lisan untuk mengekstrak maksud dari ungkapan. Salah satu contohnya adalah dalam manajemen keluhan, mengekstraksi “ringkasan yang ditargetkan secara spesifik” dari keluhan untuk menentukan tindakan terbaik dan bergerak cepat untuk mengatasinya, Mehta menjelaskan. Teknik NLP juga diterapkan pada permintaan formulir situs web yang memiliki lebih banyak konteks daripada yang ada di saran menu tarik-turun.

Teknik pembelajaran mendalam tradisional seperti jaringan saraf umpan maju – di mana informasi bergerak maju hanya dalam satu putaran – diterapkan untuk pengenalan gambar dan karakter dasar. Sementara itu, teknik pembelajaran mendalam seperti jaringan saraf convolutional – yang dirancang khusus untuk memproses data piksel – digunakan untuk menganalisis dokumen, kata Mehta.

Yang terakhir membantu membuktikan aspek-aspek tertentu dari dokumen pindaian yang dikirimkan dan menganalisis gambar dalam dokumen tersebut untuk memastikan bahwa dokumen tersebut lengkap dan berisi atribut, konten, dan komentar yang diharapkan. (Misalnya, dalam jenis dokumen tertentu seperti laporan rekening giro, enam atribut diharapkan berdasarkan masukan yang diberikan, tetapi hanya empat yang terdeteksi, menandai dokumen untuk diperhatikan.) Secara keseluruhan, ini membantu merampingkan dan mempercepat berbagai proses , kata Mahta.

Untuk inisiatif mendatang, tim juga memanfaatkan layanan komputasi tanpa server AWS Lamba, dan menerapkan model jaringan saraf transformator – yang digunakan untuk memproses data sekuensial termasuk teks bahasa alami, urutan genom, sinyal suara, dan data deret waktu. Mehta juga berencana untuk semakin menggabungkan jalur pipa ML hutan acak, teknik pembelajaran terawasi yang menggunakan banyak pohon keputusan untuk klasifikasi, regresi, dan tugas lainnya.

“Ini adalah area yang akan memajukan sebagian besar lembaga keuangan,” kata Mehta.

Mengoptimalkan, mempercepat, di tengah regulasi

Salah satu tantangan signifikan yang dihadapi Mehta dan timnya adalah mempercepat penerapan AI dan ML dalam industri yang sangat teregulasi.

“Jika Anda berada di industri yang tidak diatur, waktu yang diperlukan untuk memiliki kumpulan fitur data dan kemudian membangun model di atasnya, dan menerapkannya ke dalam produksi cukup singkat, secara relatif,” kata Mehta.

Padahal dalam industri yang diatur, setiap tahapan membutuhkan penilaian risiko eksternal dan validasi internal.

“Kami lebih condong ke model statistik ketika kami bisa,” kata Mehta, “dan ketika kami membangun solusi berbasis jaringan saraf yang besar, itu melewati sejumlah besar pengawasan.”

Dia mengatakan bahwa tiga kelompok independen meninjau model dan menantang mereka – kelompok risiko independen garis depan, kelompok tata kelola risiko model, dan kelompok audit. Grup ini membangun model terpisah untuk membuat sumber data independen; menerapkan proses post hoc untuk menganalisis hasil data eksperimen; memvalidasi bahwa set data dan model berada pada “rentang yang tepat”; dan menerapkan teknik untuk menantang mereka.

Rata-rata, tim Mehta menyebarkan 50 hingga 60 model setahun, selalu mengamati kerangka kerja penantang juara. Ini melibatkan pemantauan terus menerus dan membandingkan beberapa strategi bersaing dalam lingkungan produksi dan mengevaluasi kinerja mereka dari waktu ke waktu. Teknik ini membantu menentukan model mana yang memberikan hasil terbaik (“juara”) dan opsi runner-up (“penantang”).

Perusahaan selalu memiliki sesuatu dalam produksi, kata Mehta, tetapi tujuannya adalah untuk terus mengurangi waktu produksi. Departemennya telah membuat langkah dalam hal itu, dengan mengurangi proses pemodelan AI – penemuan ke pasar – dari 50 minggu lebih menjadi 20 minggu.

Ini adalah pertanyaan “Bagaimana Anda bisa mengoptimalkan aliran ujung ke ujung itu dan mengotomatisasi sebanyak mungkin?” kata Mahta. “Ini bukan tentang model AI tertentu. Secara umum, ‘Berapa banyak memori otot yang kita miliki untuk membawa hal-hal ini ke pasar dan menambah nilai?’”

Dia menambahkan bahwa “nilai ML secara khusus akan berada di sekitar kasus penggunaan yang bahkan belum kami pikirkan.”

Mendorong dialog industri jasa keuangan

Secara keseluruhan, industri ini juga akan sangat diuntungkan dengan menjembatani ekspansi digital di antara para pemain besar dan kecil. Kolaborasi, kata Mehta, dapat membantu menumbuhkan “wawasan cerdas” dan membawa industri ke tingkat interaksi berikutnya dengan pelanggan.

Ini dapat dicapai, katanya, melalui kemampuan seperti komputasi multipartai yang aman dan platform bukti tanpa pengetahuan – yang saat ini tidak ada di industri, kata Mehta.

Komputasi multipartai yang aman adalah proses kriptografi yang mendistribusikan komputasi ke banyak pihak, tetapi menjaga input tetap pribadi dan tidak mengizinkan pihak individu untuk melihat data pihak lain. Demikian pula, pemeriksaan pengetahuan nol kriptografi adalah metode di mana satu pihak dapat membuktikan kepada pihak lain bahwa pernyataan yang diberikan memang benar, tetapi menghindari pengungkapan informasi tambahan (yang berpotensi sensitif).

Membangun kemampuan seperti itu akan memungkinkan institusi untuk berkolaborasi dan berbagi informasi dengan aman tanpa memiliki masalah privasi atau kehilangan data, sementara pada saat yang sama bersaing dalam ekosistem dengan tepat, kata Mehta.

Dalam lima tahun atau lebih, dia memperkirakan, industri akan memiliki hipotesis yang lebih kuat seputar kolaborasi dan penggunaan alat canggih semacam itu.

Demikian pula, Wells Fargo mempertahankan dialog berkelanjutan dengan regulator. Sebagai pertanda positif, Mehta baru-baru ini menerima permintaan eksternal dari regulator seputar proses dan teknik AI/ML – sesuatu yang jarang, jika pernah, terjadi di masa lalu. Ini bisa menjadi kritis, karena institusi “cukup heterogen” dalam penggunaan alat untuk membangun model, dan prosesnya “bisa lebih industrialisasi,” kata Mehta.

“Saya pikir ada lebih banyak insentif, minat, dan selera di pihak regulator untuk memahami ini sedikit lebih baik sehingga mereka dapat memikirkan hal ini dan lebih terlibat dengannya,” kata Mehta. “Ini berkembang cepat, dan mereka perlu berevolusi bersamanya.”

Leave a Reply

Your email address will not be published.