L'apprendimento automatico trasforma la prevenzione delle frodi
La precisione dell'apprendimento automatico (ML) consente ai fornitori di servizi finanziari di superare le sfide dell'efficienza e dei costi, sottolinea il team Digital Transformation di Frost & Sullivan. Si prevede che i servizi robotizzati e il credit scoring diventeranno uno standard per i fornitori di servizi finanziari.
L'apprendimento automatico, come area dell'intelligenza artificiale (AI), dovrebbe diventare lo standard nei servizi finanziari nei prossimi cinque anni. Man mano che le prove di concetto e i casi d'uso si mettono a fuoco, una miriade di usi del ML avranno un impatto su diverse funzioni aziendali.
La prevenzione delle frodi, i servizi robotizzati, la conformità normativa e il credit scoring creeranno enormi opportunità di crescita per l'uso del ML da parte delle aziende di servizi finanziari.
Studi di casi
L'ultimo studio di Frost & Sullivan, "Disruption in Global Financial Services, 2017-Machine Learning is imperative", fornisce una panoramica delle dinamiche di mercato del machine learning e copre le tendenze e i driver tecnologici, così come le barriere all'adozione del mercato. Fornisce anche casi di studio e profili di alcuni attori chiave del mercato, tra cui Google, IBM, Orange, Swisscom, Onfido, Darktrace, Klarna, Infosys, SAP e Rasa.ai.
"Il più grande vantaggio delle soluzioni ML è la loro capacità di imparare da ogni transazione e caso. Oggi, le imprese e i consumatori trovano più facile trattare con servizi ibridi. Tuttavia, il fatto che le macchine si evolvono molto rapidamente, imparano continuamente e questa conoscenza può essere utilizzata per migliorare la soddisfazione e l'esperienza del cliente - questo è il più grande elemento di differenziazione", spiega Deepali Sathe, analista senior del settore della trasformazione digitale.
"Il ML permette la velocità e la precisione, e questi sono criteri critici per le aziende del settore dei servizi finanziari che stanno affrontando sfide crescenti in termini di efficienza e costi".
Le esigenze strategiche per il successo e la crescita includono:
- vari partecipanti del settore, come i regolatori, gli operatori storici e le startup, che lavorano insieme per costruire un robusto ecosistema in cui il potenziale di ML possa essere pienamente realizzato;
- Fornire un accesso sicuro ai dati per aiutare i sistemi di ML a rilevare comportamenti normali e scorretti;
- Facilità d'uso e sicurezza dei dati e delle transazioni quando si usano servizi robotizzati;
- La capacità di catturare dati strutturati e non strutturati per permettere al ML di padroneggiare le abilità cognitive e individuare i comportamenti che rivelano uno schema di frode; e
- forti algoritmi di back-end per offrire risultati rilevanti per servizi come il credit scoring e l'inclusione finanziaria.
"Una mancanza di professionisti con conoscenze e competenze relative alla ML e una mancanza di opportunità di formazione stanno impedendo alla ML di diffondersi rapidamente", ha detto Sathe. "D'altra parte, l'educazione al mercato è essenziale. Le imprese finanziarie non sono ancora pienamente consapevoli delle opportunità offerte dal ML e di quali siano i benefici e le implicazioni associate per il loro business. Se questi aspetti sono combinati con i costi e le spese associate, in termini di mantenimento delle infrastrutture legacy, allora il ML ha bisogno solo di altri tre o quattro anni per diventare lo standard in questo settore".
Ulteriori informazioni gratuite in lingua inglese su questo studio possono essere trovate su qui
Lo studio, "Disruption in Global Financial Services, 2017-Machine Learning is imperative", fa parte del programma Digital Identification Growth Partnership Service di Frost & Sullivan.
