首页 > 互联网 > > 正文
2019-04-30 15:56

NatWest银行扩展AI的挑战

工智能已经在金融领域出现。例如,欺诈检测系统已经存在了一段时间,但是还有许多其他方式可以很好地利用自动预测技术。为此,NatWest银行两年前组建了一个团队,目的是了解业务背景下自动化的可能性。与以往一样,挑战是超越概念证明,转变为对高度监管,面向客户的业务真正有用的东西。

“客户不会来NatWest,因为我们有AI,”NatWest人工智能实践和开发主管Tom Castle说。

“人工智能是一个解决问题的潜在解决方案。是否有更简单的方法可以做到这一点?如果是这样,那么鉴于当前技术的成熟,这是正确的方法。”

Castle的团队与银行金融产品的业主密切合作,以协调他们的努力。在上周举行的计算机 IT领导者峰会上发表的主题演讲中,他介绍了一些所追求的方法和从如何在银行扩大人工智能的经验教训。

该公司采用英国政府数字服务(GDS)开发的敏捷方法,该方法侧重于四个关键领域:战略和愿景; 工作方式; 教育和意识; 并吸引和留住人才。

在大多数方面,开发机器学习算法和应用程序遵循PoC-alpha-beta版本的标准生命周期,因此它不是重新发明轮子,但有一些重要的差异,Castle解释说。首先,必须不断监测,改进和培训模型。另一个区别是治理必须在更早的阶段纳入开发过程。

“你仍然需要做经典的软件生产生命周期,但有些事情需要更早出现。我们必须考虑治理,以确保我们在这个过程中尽快实施正确的控制,”他说。

第三个区别是机器学习算法需要不断迭代和重新训练。“一旦它存在,你必须继续监控并改进它,这与标准的软件交付模式完全不同。”

前线工作人员认为“这将取消我的工作”,对于高管而言,这是一个银色的子弹 - 汤姆城堡

扩展AI的大多数挑战都是非技术性的。在“工作方式”标题下,围绕偏见有许多道德考虑因素,教育在让人们了解AI是什么以及什么不是AI方面发挥着重要作用。

“前线工作人员认为'它将把我的工作带走',对于高管来说,这是他们一直在谈论的任何初创公司或咨询公司出售的银弹,”Castle说。

“我们的工作是揭开神秘面纱并对其进行解读并解释它能做些什么。它可以从消息中提取文本,它可以分析情绪,预测贷款违约情况 - 它是用他们理解的语言来解释它。”

AI参与决策过程

Castle的团队使用“ 预测机器 ”一书中列出的模型,其中任务通常分为五个阶段:输入; 预测; 判断; 行动; 和结果。目前,机器学习在“预测”阶段才真正有益(尽管RPA越来越多地被用来对这些预测采取行动)。

但重要的是能够衡量算法预测的准确性。例如,文本分析算法可能会判断客户电子邮件是否以95%的置信度停止支票 - 但作为一项业务,这种确定性是否足以对该结论采取行动?如果客户要求停止检查而系统错过了,会有什么后果?处理此类请求是否可以通过人工助理以传统方式更有效地执行?如果出现误报,将消息不正确地归类为停止检查的请求,实际上它是关于其他什么的呢?

Castle的团队使用风险矩阵为每个场景分配概率。如果人工智能足够成熟,那么积极的后果应该超过算法错误分类输入的风险。如果错误结果的可能性太高而失败的后果太大,那么它又回到了绘图板。

缩小AI的其他障碍

技术和业务风险不是扩展AI的唯一障碍。即使是能够支付超过大多数吸引人才的银行,也很难在像伦敦这样的城市与谷歌和Facebook等竞争对手。

然后就可以访问数据了。机器学习算法是数据饥渴的野兽,但在高度监管的行业中,银行的大部分数据可能超出界限,或者至少需要一些重型混淆和匿名化才能使用。当不同的部门使用不同的云时,会出现另一个问题,如果没有良好的治理,可能会导致核心数据不完整或不一致。

“我们已经看到了云采用方法,不同的团队使用不同的云,因此所有地方的东西都很难在一个地方集合在一起,特别是如果你将数据存储在一个云中并在另外,“城堡说。

最终,人工智能将重复性任务,帮助人类决策,提高效率和降低错误成本。

“在很多地方,企业对风险没有胃口,因此我们正在考虑'我们如何利用预测来帮助人们做出更好,更快,更一致的决策,”Castle说道。呼叫中心,其中语音生物识别用于在操作员处理呼叫之前验证呼叫者。

“我们利用最好的机器学习来识别客户 - 或欺诈者 - 但让那里的人们保持对话中更有价值的部分。”

相关推荐