生成式人工智能在银行业的4大用例

文章目录

  • 欺诈检测
  • 银行业中通过生成式人工智能进行欺诈检测的案例研究
  • 数据隐私
  • 风险管理
  • 生成有利于申请人的拒绝解释

AI-For-Banking-1024x576.webp

生成式人工智能对数据隐私、欺诈检测、风险管理等领域的贡献对金融服务公司来说至关重要。

本文解释了生成式人工智能在银行业的四大使用案例,并列举了一些现实生活中的例子。

欺诈检测

检测异常和欺诈性交易是生成式人工智能在银行业的应用之一。在一项研究中,研究人员构建了一个欺诈性交易的训练集,然后在生成式对抗网络(GAN)–一种基于深度神经网络的生成式模型–中利用它来产生合成的欺诈性交易。然后将合成数据与真实数据进行比较,看GAN是否能够形成识别异常交易的敏感性。最后,我们看到,使用GAN增强的训练集来检测此类交易的效果优于未经处理的原始数据集的效果。

作为这项研究的结果,为检测欺诈行为而训练的GANs似乎产生了成功的结果,因为在被训练以识别代表不足的交易后,发展了敏感性。这对处理大量交易的金融服务机构来说是一个特别重要的应用。

银行业中通过生成式人工智能进行欺诈检测的案例研究

GANs被训练来学习合法和非法交易,以便通过创建揭示其模式的图形来检测欺诈性交易。

然而,采用GANs进行欺诈检测有可能产生不准确的结果(见图1),需要额外的改进。

nZgYMURzTtVYktqfCQVD5zjdrV4-qBNmHKm9iTN5PJgmkiaefq6ZBVJjdO1E7pQAs3QvYTFNlgpg2GzM8RWz4ZG4CoedLeUnq-pWjaA8cEHsNlwV9Q2SdhyXqtU7Ok44XHdJViUJ3lQmVly_PKydsEJcZaILfQIlUCEDlyMJmzyWJVU2YVdmJkOp4a-k4w

图1. “将欺诈建模为二元分类问题的挑战

数据隐私

使用合成数据有可能克服银行业正面临的挑战,特别是在数据隐私方面。合成数据可用于创建可共享的数据,以取代因隐私问题和数据保护法而不能共享的客户数据。此外,合成客户数据是训练ML模型的理想选择,可以帮助银行确定客户是否有资格获得信贷或抵押贷款,以及可以提供多少贷款。

GANs能够产生合成数据(见图2),因此适合于银行业的需求。合成数据的生成可以通过不同版本的GAN实现,如条件GAN、WGAN、深度后悔分析GAN或TimeGAN。

JHHDygLOynmAHWmJ4sG8R7Ki-FX2bebN4yKe922_5UgS3cBwXmBUb7MoRHi7GdwLWOlpdvvNdcktB_lmJQnBZQb3ckQ2B-FRncn4EbreyVwYcFe4048H2-XgvVgi6QZ05_lNJK-zew9QpAQOGhqUdTEKiq157-qU7xg_enb_1Vbwt_APvOtz1HGUzaeCeQ

图2.  “基于GAN的医疗领域结构化数据的生成方法”

风险管理

建立风险管理计划对于银行保持适当的风险暴露水平,识别可能的风险领域,并采取行动保持盈利能力至关重要。如果流动性、信用、操作和其他风险没有得到适当的处理,银行可能会遭受损失。

除了某些用于风险最小化的软件系统,使用生成式人工智能是一个可能的解决方案,以最大限度地减少因缺乏适当的风险管理而造成的损失。

有了GANs,就有可能计算出风险价值估计,显示出特定时期的潜在损失金额,或者创造出有助于预测金融市场未来的经济情景。GANs通过在历史数据模式的基础上生成新颖的、无假设的情景(见图3)来促进理解波动的可能性。

H73TC8kBO-WcQAr1Fc1oCOSJ8pBbceV_I6woBbNxhzh0R9OAZ8iecz0BJ6xRXEOd_VeqA3UxdwhPQPmaB-C_4fv__gBFuaCXBOXOadvsWEZpAny36ruoTTJq4A9y0Cln7eDpfQiog_-QaGI5jMJblrUo1KonOsJgxeKI50PAxMnW3JVKga5sZxSx_XO-Xw

资料来源:GANs- “使用生成神经网络为市场风险模型生成情景”

生成有利于申请人的拒绝解释

贷款决策是人工智能在银行业的用途之一。人工智能使银行能够通过风险评分确定客户是否有资格获得信用贷款,以及根据评估的风险对客户的最大信用额度和贷款定价做出明智的决定。

尽管如此,不仅是决策者,而且贷款申请人也需要对基于人工智能的决策过程进行解释,例如他们的申请被拒绝的原因。之所以有这样的需求,是为了确保用户的信任,以及提高客户的意识,以便他们在未来能够做出更明智的申请。

在这种情况下,有条件的GAN–一种GAN的变体,其中生成器和判别器通过类别标签来设定条件–对于生成对申请人友好的拒绝解释是很有用的(见图4)。以分层的方式将拒绝的原因从简单到复杂地组织起来,为生成可理解的解释创造了两级条件。

zh6sgVOHlB4JN6-W9kj8G1KSfzcZE0nyZ0k0GBhqyCd9C326MMoQQ8OL6lXJeOmOvoq8UGkfDDBCyOkebUrQbABMsX2C4WnjIVNcRBsFdLy5SceVXw8ytfqsxKSkqQL6ygLOSE2b3_-pfa6tPAG2YhQ1S56ZQmbCmSNhgDJ1bPldNXY8pJ-LuaFbLvpUnw

图4. “使用生成式对抗网络为贷款拒绝生成用户友好的解释”

  1. Gartner Identifies Three Technology Trends Gaining Traction in Banking and Investment Services in 2022” (Press release). Stamford, Connecticut: Gartner. May 24, 2022. Retrieved November 11, 2022.
  2. “Fiore U.; De Santis A.; Perla F.; Zanetti P.; Palmieri F. (2019). “Using generative adversarial networks for improving classification effectiveness in credit card fraud detection”. Information Sciences. Volume 479: 448-455.
  3. “Mamaghani M.; Ghorbani N.; Dowling J.; Bzhalava D.; Ramamoorthy P.; Bennett M. (March 26, 2022). “Detecting Financial Fraud Using GANs at Swedbank with Hopsworks and NVIDIA GPUs”. NVIDIA Developer. Retrieved November 11, 2022.
  4. “Fiechtner L. (2019). “Risk Management with Generative Adversarial Networks”. [MSc Dissertion, University of Oxford]
  5. “Flaig S.; Junike G. (2021). “Scenario generation for market risk models using generative neural networks”. Risks. Vol. 10(11): 1-28.
  6. AI-powered decision making for the bank of the future” (PDF). McKinsey & Company. March 2021. Retrieved November 11, 2022.
微海报