Vooruitziende financiële instellingen begrijpen nu al dat goed ingezette AI-technologie waardevolle voordelen kan opleveren – niet alleen om de sector efficiënter te maken, maar ook om een intuïtievere, aantrekkelijkere gebruikerservaring te bieden. Volgens een rapport van Business Insider begrijpt 80% van de banken dat AI-technologie snel een standaardwerkwijze aan het worden is. Een vergelijkbaar aantal investeert reeds in onderzoek- en aankoopprogramma's om zich aan te passen aan de voor de hand liggende toekomst.
De centrale plaats die AI-technologieën vandaag de dag in de financiële sector innemen, dwingt zowel ontwikkelaars als bedrijfsmanagers om de manier waarop ze over nieuwe ontwikkelingen in de sector denken, te heroverwegen. Een decennium geleden werd elke consumentgerichte toepassing die met financiën te maken had, onderdeel van het ‘fintech-landschap’ genoemd. Vandaag de dag is de scheidslijn tussen ‘fintech’ en ‘financiën’ zo goed als onzichtbaar - DevOps-benaderingen worden nu gebruikt in banken en financiële instellingen en voorbeelden van AI in fintech zijn overal om ons heen te vinden.
In dit artikel gaan we in op deze opkomende samenvloeiing en de realiteit dat de financiële en de technologiesector steeds meer onlosmakelijk met elkaar verbonden zijn geraakt. De onderstaande casestudy’s vertegenwoordigen, naar onze mening, enkele van de meest opwindende nieuwe ontwikkelingen.
Adoptie en aanpassing
Laten we eerst een breed overzicht geven van de manieren waarop AI een impact heeft in de fintech-sector. De meest in het oog springende van deze ontwikkelingen zijn misschien wel chatbots, die de afgelopen vijf jaar zo explosief in populariteit zijn gestegen dat er een hele subindustrie omheen is gegroeid. Ze maken nu echt deel uit van het landschap van financieel advies dat voor consumenten beschikbaar is. Deze industrie groeit echter nog steeds en zal naar verwachting in 2027 een waarde hebben bereikt van meer dan 17.440 miljoen dollar (met een samengesteld jaarlijks groeipercentage van 17,9%). Tegen die tijd zullen chatbots naar schatting 862 miljoen uren hebben geregistreerd. Dit zijn uren die worden bespaard op de roosters van echte klantendienstmedewerkers.
Het vreemde aan de explosie van chatbots is dat ze oorspronkelijk waren bedacht als een onderdeel van een reeks AI-gestuurde mogelijkheden. De programmeringskaders die worden gebruikt om ze te trainen, worden nu in feite gebruikt om de ontwikkeling van veel geavanceerdere AI-mogelijkheden te vergemakkelijken. Zoals we eerder hebben gemeld, zijn sommige van deze gericht op hyperpersonalisatie. Anderen streven naar bedrijfsefficiëntie door een beter beheer van de middelen.
Andere zijn nog geavanceerder. Visa gebruikt bijvoorbeeld AI-tools om frauduleuze transacties in realtime op te sporen en beweert dat deze technologie tot 500 unieke kenmerken van transactierisico's kan opsporen. Volgens Visa bereikte het aandeel frauduleuze transacties op wereldniveau in het Visa-systeem voor 2019 een historisch minimum en bedraagt het minder dan 0,1%, wat grotendeels te danken is aan dit systeem.
Andere financiële instellingen hebben zich op andere toepassingen van AI-technologieën gericht. Bank of America bracht in 2016 bijvoorbeeld Erica uit – een digitale assistent die is geïntegreerd in de app voor mobiel bankieren van de bank. Hoewel de assistent op het eerste gezicht op een chatbot lijkt, maakt hij ook gebruik van enkele van de diepere mogelijkheden van de hierboven genoemde AI-frameworks. Het kan namens een gebruiker toegang krijgen tot systemen van derden en hem waarschuwen voor wijzigingen in zijn kredietwaardigheid. Bovendien integreert Erica Natural Language Processing (NLP) om gebruikers geavanceerde zoekmogelijkheden te bieden, zoals het vinden van bepaalde transacties en het labelen van betalingen die duurder zijn dan verwacht met behulp van ML-gestuurde anomaliedetectie.
Barclays en AI Simudyne
Het meest geavanceerde recente voorbeeld van financiële instellingen die de kracht van AI willen benutten, komt echter van het partnerschap tussen Barclays (een bank in het Verenigd Koninkrijk) en AI Simudyne, een startup die zich richt op agent-based modeling.
Het aanbod van Simudyne was oorspronkelijk gericht op het leveren van hyperpersonalisatie aan fintech-startups. Sinds hun partnerschap met Barclays hebben ze het systeem echter uitgebreid om zowel bankanalisten als klanten realtime-informatie te verstrekken. Dit is zelfs zo succesvol geweest dat het systeem nu autonoom financiële producten aan klanten kan aanbieden.
De technische details van het systeem blijven afgeschermd, maar het is duidelijk dat AI Simudyne erin is geslaagd om dezelfde AI-tools die worden gebruikt om te reageren op verzoeken van gebruikers, in te zetten om het gedrag van gebruikers op een veel bredere manier te modelleren. Ze hebben aangegeven dat het voor Barclays gebouwde systeem tot doel heeft de relatie tussen een kredietverstrekker en een klant te simuleren en op basis van deze simulatie het risico van het verstrekken van een lening aan deze klant te beoordelen. Door dit systeem te hergebruiken kan Barclays het risico van nieuwe producten of nieuwe markten inschatten.
Deze stap laat zien hoe bestaande instrumenten kunnen worden uitgebreid naar nieuwe omgevingen. De AI-systemen voor gegevensverzameling, training en modellering die nu al in chatbots en personaliseringssoftware worden gebruikt, lijken te kunnen worden uitgebreid om autonoom bedrijfsbeslissingen te nemen, op voorwaarde dat het management daarvoor openstaat.
Casestudy's
Hoewel de voorbeelden van AI in fintech die we hierboven hebben besproken zeker indrukwekkend zijn, blijven de details van hoe deze systemen werken over het algemeen geheim. Verscheidene bedrijven hebben echter gedetailleerde beschrijvingen gepubliceerd van systemen die zijn gebouwd om dezelfde soort resultaten te bereiken als degene die hierboven zijn geschetst – om fraude op te sporen of geautomatiseerd beheer van aandelenportefeuilles uit te voeren. In dit gedeelte zullen we twee voorbeelden hiervan bekijken.
Fraude voorkomen
Een van de meest gedetailleerde uiteenzettingen over de manier waarop AI kan worden gebruikt bij de opsporing van financiële fraude komt van Altexsoft. Ze wijzen er eerst op dat op ML gebaseerde fraudedetectie veel beter is dan de systemen die het heeft vervangen en die hoofdzakelijk op prescriptieve regels waren gebaseerd. ML-systemen, die zijn getraind op reële gegevens die door menselijke analisten ontdekte fraudegevallen bevatten, zijn zeer succesvol geworden.
Feedzai, bijvoorbeeld, beweert dat zijn ML-systeem tot 95 procent van alle fraude kan opsporen en de kosten van handmatige reconciliaties kan minimaliseren, die nu goed zijn voor 25 procent van de fraude-uitgaven. Capgemini beweert eveneens dat fraudedetectiesystemen die gebruikmaken van machinaal leren en analyses de tijd die nodig is voor fraudeonderzoek met 70 procent kunnen verminderen en de nauwkeurigheid van de detectie met 90 procent kunnen verbeteren.
Deze systemen maken gebruik van verschillende benaderingen om fraude op te sporen:
- Anomaliedetectie. Dit is een van de gangbare fraudebestrijdingsbenaderingen in de gegevenswetenschap, en is gebaseerd op het indelen van alle objecten in de beschikbare gegevens in twee groepen: normale distributie en uitschieters. Uitschieters zijn in dit geval de objecten (bv. transacties) die afwijken van de normale en als potentieel frauduleus worden beschouwd. In fintech-omgevingen kunnen deze gegevens variëren van transactiegegevens tot afbeeldingen en ongestructureerde teksten.
- Leren onder toezicht. houdt in dat een algoritme wordt getraind met behulp van gelabelde historische gegevens. In dit geval zijn in bestaande datasets reeds doelvariabelen aangegeven, en het doel van de training is het systeem deze variabelen in toekomstige gegevens te laten voorspellen.
- Random forest trees zijn een meer supervisie-intensieve vorm van fraudedetectie. In dit model worden de gegevens iteratief gesorteerd in een vooraf bepaald aantal categorieën. Menselijke analisten kunnen dan de transacties in deze categorieën controleren op mogelijke fraude.
- Voor complexere datasets zijn er meer geavanceerde modellen. Een support vector machine (SVM), bijvoorbeeld, is een model voor machinaal leren onder toezicht dat gebruikmaakt van een niet-probabilistische binaire lineaire classificator om records in een dataset te groeperen. Dit gebeurt door hypervlakken door de faseruimte van de beschikbare gegevens te snijden en vervolgens het hypervlak te kiezen dat de gegevens het duidelijkst scheidt als basis voor zijn fraude-isolatie.
Voor ontwikkelaars kunnen al deze benaderingen van technisch belang zijn. Voor banken komt de waarde van fraudedetectie echter neer op economie. Net zoals AI kan worden gebruikt om digitale activa te beveiligen, is het nu duidelijk dat het ook kan worden gebruikt om potentiële afschrijvingen te identificeren voordat ze geldelijke schade kunnen veroorzaken.
Investeringen maximaliseren
De andere kant van de medaille bij het verminderen van het potentieel voor financiële fraude is het gebruik van AI-systemen om de prestaties van beleggingsportefeuilles te verbeteren. Zoals we hierboven hebben besproken, heeft Barclays een dergelijk systeem gebruikt om het risico van leningen aan bepaalde klanten in te schatten; anderen hebben dezelfde technieken gebruikt om volledig geautomatiseerde beleggingsadviseurs aan te bieden die ontworpen zijn om de grootst mogelijke winsten te realiseren, dit alles op basis van de beleggingsstijl van de klant waaraan de voorkeur wordt gegeven.
En dit is niet alleen theoretisch. Medeoprichter van Carbon Collective, Zach Stein, schrijft het concept ‘robo-adviseur’ toe aan het opstartsucces van zijn op klimaatverandering gerichte investeringsmanagementbedrijf. "Ons algoritme heeft niet alleen kostenbesparingen mogelijk gemaakt door een kleiner personeelsbestand, maar verwijdert ook menselijke fouten en emotie uit het proces. Dankzij ons geautomatiseerde beheer van klantenportefeuilles hebben wij de afgelopen jaren beter gepresteerd dan de markt als geheel.
Sommige bedrijven zijn daar spectaculair in geslaagd. Betterment, bijvoorbeeld, biedt klanten een scala aan diensten – ze kunnen de robo-adviseur namens hen transacties laten uitvoeren of deze slechts als adviseur gebruiken om hun eigen investeringsbeslissingen te begeleiden. Op grotere schaal hebben we onlangs geschreven over het gebruik van Pony in een fintech-omgeving om high-performance tools te bouwen. Pony is een nieuwe actor-model-taal die statisch getypeerd is en van tevoren time gecompileerd (met behulp van LLVM), met een fully concurrent garbage collector en een data-race free type systeem, en wordt veel gebruikt als platform voor het bouwen van AI's voor beleggingsbeheer.
Ook hier geldt dat de details van de werking van robo-adviseurs vertrouwelijk zijn en nauwlettend worden bewaakt. Het is echter wel mogelijk te speculeren over de componenten die nodig zijn om een dergelijk systeem te bouwen:
- Eerst wordt de klant gevraagd om persoonlijke financiële gegevens te verstrekken – hetzij door een online formulier in te vullen, hetzij door bestaande rekeningen aan het systeem toe te voegen via een geschikte API.
- Het systeem voegt de gegevens vervolgens toe aan zijn Data Lake met behulp van beveiligde gedistribueerde opslag. HDFS (Hadoop Distributed File System) is in dit geval de standaard, omdat hiermee gegevens kunnen worden ontvangen en verwerkt uit diverse systemen met verschillende formaten en infrastructuren.
- De software gebruikt vervolgens specifieke algoritmen om de portefeuille van de klant samen te stellen, te beheren en te optimaliseren. Naarmate de omstandigheden op de financiële markten veranderen, wordt de portefeuille automatisch herschikt om dit weer te geven. Indien nodig voert het systeem tax-loss harvesting activiteiten uit om belastingverplichtingen te minimaliseren.
- In dit stadium is het mogelijk een breed scala van AI-systemen in te zetten om de genomen beslissingen te optimaliseren. In feite is een van de voordelen van dit soort systeem dat elke AI-engine kan worden aangesloten en kan worden gebruikt om de gegevens te beheren die door de bovenstaande stappen worden gegenereerd.
- Na verwerking van de transactiegegevens, voert de software ze naar het Enterprise Data Warehouse (EDW), een gecentraliseerde database die beschikbaar is voor analyses en breder gebruik.
- De beleggingsgeschiedenis van de klant, de voortgang van de portefeuille, de risico's en andere relevante informatie kunnen worden gevisualiseerd met het dashboard van het platform.
Als zodanig is een dergelijk systeem gebaseerd op een aantal geneste subcomponenten, waarvan er vele beschikbaar zijn als op zichzelf staande systemen. Hoewel ontwikkelaars zorgvuldig aandacht moeten besteden aan de manier waarop deze componenten op elkaar inwerken, is het technisch mogelijk om een AI-gestuurde beleggingsadviseur te bouwen met behulp van vooraf gebouwde componenten.
Dit wil natuurlijk niet zeggen dat het bouwen van dit soort robo-adviseurs zonder risico is. Zoals bij elke technologie in de fintech-sector moet de veiligheid van deze systemen zorgvuldig worden ontworpen en voortdurend worden beoordeeld, en moeten ontwikkelaars ervoor waken dat hun gretigheid om ML-modellen in te zetten hun zorg om de veiligheid en beveiliging van gegevens niet overstemt.
De toekomst
Dit zijn uiteraard slechts twee van de manieren waarop AI in fintech kan worden gebruikt. Er zijn tal van andere opwindende ontwikkelingen in de sector. Sommige ontwikkelaars maken nu gebruik van chaostests om de stabiliteit van fintech-producten te verbeteren en er wordt altijd gesleuteld aan hoe blockchain het best kan worden geïntegreerd.
Met andere woorden, AI is slechts een van de opkomende technologieën die de manier waarop de financiële sector in het komende decennium zal functioneren, zullen veranderen. En naarmate deze technologieën steeds meer in de sector worden geïntegreerd, zal de grens tussen technologie en financiën vager worden dan ooit tevoren.
