Bankalar için yapay zeka stratejisi: üç yıllık yol haritası

Yönetim kurulunu etkileyen, sonra model riski incelemesinde takılıp kalan bir banka yapay zeka pilotu tanıdık bir hikayedir. Bankalar için sağlam bir yapay zeka stratejisi, yönetişimli veriden gerçek iş yapan ajanlara dört aşamada ilerleyerek bunun önüne geçer.

DXC'deki görevim sayesinde Orta Doğu ve Afrika'daki bankalarla çalıştım. Hırs nadiren onların sorunudur.

Sorun veridir. Müşteri, hesap ve işlem kayıtları bir çekirdek bankacılık sisteminde, bir kart platformunda, bir CRM'de ve bir düzine elektronik tabloda durur. Her birinin müşterinin kim olduğuna dair kendi fikri vardır.

Bu yol haritası, düzenleyicinizin kabul ettiği her çekirdek bankacılık platformu, bulut ya da model sağlayıcıyla çalışır. Bireysel, KOBİ ve kurumsal bankacılığı kapsar.

Üç yıl, dört aşama

1. 01

   Şimdi: veri temeli

   Müşteri, ürün ve risk verisi, düzenleyicilerin izini sürebileceği köken bilgisiyle tek bir yönetişimli platformda.

2. 02

   1. yıl: yönetişimli zeka

   Müşteriler, hesaplar ve işlemler için tek bir iş dili, yapay zeka yönetişimi ve ilk hızlı kazanımlar.

3. 03

   2. yıl: yapay zeka ajanlarını ölçeklendirme

   Müşteri edinimi, kredi, dolandırıcılık ve AML ajanları, yanında neredeyse gerçek zamanlı müşteri etkileşimi.

4. 04

   3. yıl: ölçekte yerleşik yapay zeka

   Yapay zeka kilit iş fonksiyonlarının içinde, insanlar ve ajanlar birlikte çalışıyor ve her karar izlenebiliyor.

Temel, güvenilir veri ve daha temiz düzenleyici raporlama sayesinde kendi maliyetini karşılar. Yapay zekanın ilk değeri birinci yılda görünür, daha büyük kazanımlar ise ajanlar ikinci yılda gerçek iş yapmaya başladığında gelir.

Bankalar verinin neden önemli olduğunu zaten bilir, çünkü bunu onlara düzenleyiciler öğretti. Risk verisinin toplulaştırılmasına ilişkin BCBS 239 ilkeleri, sahipleri belli, doğru, eksiksiz ve zamanında risk verisi ister. İyi bir yapay zeka temeli aynı disiplindir, yalnızca müşteri ve ürün verisini de kapsayacak şekilde genişletilmiştir.

İş şu, benim yapacağım sırayla.

1. Çekirdek bankacılık, kartlar, ödemeler, krediler, CRM ve dijital kanal verisini tek bir platformda toplayın. Bu genellikle bir lakehouse'tur, yani ham ve temizlenmiş veri için tek bir depo, bulutta ya da ülke içinde.
2. Bir katalog ve köken izleme (lineage) ekleyin, böylece düzenleyici bir rapordaki her rakam ve bir modele giren her veri kaynak sistemine kadar izlenebilsin.
3. Ürün, risk ve finans ekiplerine aynı müşteri ve bakiye rakamları üzerine kurulu self servis raporlar verin.

En zor kısım tekil müşteri görünümüdür. Bankanızda vadesiz hesabı ve kredi kartı olan bir kadını düşünün. Aynı zamanda kardeşinin işletme kredisinde kefil ve kurumsal müşterilerinizden birinde yönetim kurulu üyesi.

Çoğu bankada bu kadın dört ayrı kayıttır. Çekirdek sistem adını bir şekilde yazar, kart platformu başka bir şekilde, kurumsal dosyada ise pasaport numarası var ama doğum tarihi yok. Toplam riskini kontrol eden bir yapay zeka ajanı kefaleti tamamen gözden kaçırır.

Çözüm sıkıcıdır. Kimlik numarası, doğum tarihi ve adres üzerinde eşleştirme kuralları belirleyin, sonra adı belli bir iş sahibi olan tek bir altın kayıt oluşturun. Bunu temelde bir kez yapın, her model onu devralır.

İkinci bir örnek. Risk raporunuz ve finans defteriniz aynı kurumsal müşteri için farklı risk tutarları gösteriyor. Kart platformu kayıtları gece atıyor, kredi sistemi ise öğlen.

Köken izleme yerindeyse bir analist iki rakamı da kaynağına kadar izler ve zamanlama farkını görür. Yoksa her yönetim kurulu toplantısından önce birisi rakamı bir elektronik tabloda yeniden hesaplar.

1. 01Çekirdek bankacılıkHesaplar, bakiyeler ve işlemler
2. 02Kartlar ve ödemelerKart harcamaları, havaleler ve maaşlar
3. 03Krediler ve CRMKrediler, limitler ve iletişim geçmişi
4. 04İniş alanıİlk günden köken bilgisiyle ham kopyalar
5. 05Tekil müşteri görünümüTek kişi, üstlendiği her rol
6. 06Raporlar ve bildirimlerBirbiriyle uyumlu ürün, risk ve düzenleyici rakamlar

Düzenleyici için izini sürebileceğiniz güvenilir veri

Birinci yılın merkezinde semantik katman vardır. Bu, insanların ve yapay zeka ajanlarının paylaştığı tek bir iş dilidir. Müşteri, hesap, ürün, limit, risk tutarı, işlem ve şikayet kavramlarının her biri burada tek bir tanım alır.

Bu neden önemli? Üç ekibe kaç aktif müşteriniz olduğunu sorun.

Pazarlama son 90 günde uygulamayı açan herkesi sayar. Finans bakiyesi olan herkesi sayar, risk ise açık ürünü olan herkesi.

Bu soruyu yönetim kurulu için cevaplayan bir ajan, yönetim kurulu raporundaki tanımı kullanmak zorundadır. Semantik katman, bu tanımı bir kez yazıya döktüğünüz yerdir.

Yapay zeka yönetişimi aynı yıl, düzenleyicinize göre şekillenerek gelir. BAE'de bu, finans kuruluşlarının gelişen teknolojileri benimsemesine ilişkin ortak kılavuz anlamına gelir. Birleşik Krallık'ta PRA'nın model riski yönetimi ilkeleridir (SS1/23).

AB'de AI Act, bireylerin kredi değerliliğinin değerlendirilmesini yüksek riskli sayar. Tavsiyem tek bir yapay zeka kullanım senaryosu kayıt defteri tutmanız. Her birine bir sahip, bir risk derecesi, test sonuçları ve bir insan inceleme adımı verin, sonra kayıt defterini tabi olduğunuz her kurala eşleyin.

Ardından çalışanların ve müşterilerin fark edeceği hızlı kazanımlara yönelin. Ben bunlar arasından seçerdim:

1. Politikalardan, ürün koşullarından ve müşteri geçmişinden gelen soruları cevaplayan bir asistan olan çalışan copilot'u.
2. Bir vaka sorumlusuna tüm hikayeyi tek ekranda veren şikayet özetleri.
3. Müşterilerin zaten kullandığı uygulamanın içinde kişisel bir harcama danışmanı.
4. Bir müşteri ayrılmaya hazır göründüğünde müşteri temsilcisini uyaran elde tutma bildirimleri.

Bir çağrı merkezinde çalışan copilot'u şöyle işler. Bir müşteri yurt dışında yaptığı bir kart ödemesindeki ücret için arıyor. Copilot ücret maddesini bulur, kartının seviyesini kontrol eder ve cevabı, maddeyi alıntılayarak gösterir.

Ücretin jest olarak iade edilip edilmeyeceği yine temsilcinin kararıdır ve bence böyle kalmalı.

Harcama danışmanı, müşterilerin zaten içinde yaşadığı örüntülerle çalışır. Diyelim ki maaş ayın 25'inde yatıyor, kira ayın 1'inde çıkıyor ve okul ücretleri her eylül ödeniyor. Danışman eylül için her ay biraz para biriktirmeyi önerir.

Elde tutma bildirimleri daha sessiz sinyalleri okur, örneğin ayın 25'inde yatması gereken bir maaşın birden kesilmesi. Müşteri temsilcisi bunu aynı hafta, aramak için hâlâ zaman varken öğrenir.

1. 01Müşteri temsilcisi sorarMüşterilerimden hangileri ayrılacak gibi görünüyor?
2. 02Semantik katmanBankanın müşteri, ürün ve aktif tanımları
3. 03Yönetişimli veriHesaplar, işlemler ve şikayetler
4. 04Copilot cevaplarHer biri için gerekçe ve kaynakla
5. 05Temsilci kontrol ederMüşteriyi arar ya da bildirimi kapatır

Yönetim kurulu raporunun vereceği cevabın aynısı

İş değeriYüksekOrtaDüşük

• Kişisel harcama danışmanı

• Elde tutma bildirimleri
• AML uyarı önceliklendirmesi

• Kredi kararı desteği

• Çalışan politika copilot'u
• Şikayet özetleri

DüşükOrtaYüksekDüzenleyici risk

• Düşük
• Orta
• Kritik

İkinci yıl asistanlardan ajanlara geçer. Bir asistan bir kişinin sorusunu cevaplar. Bir ajan sizin belirlediğiniz sınırlar içinde bir işi yapar, sonra onu bir kişiye devreder.

Bankacılıkta hacim ve değer dört yerde yoğunlaşır:

1. Her yeni hesabın gerektirdiği müşterini tanı kontrolleri olan müşteri edinimi ve KYC.
2. Belgelerin toplanmasından kredi notunun taslağına kadar kredi süreci.
3. Ajanın kart ve ödeme işlemlerini neredeyse gerçek zamanlı puanladığı dolandırıcılık.
4. Uyarıların, araştırmacıların kapatabileceğinden daha hızlı biriktiği AML (kara para aklamayla mücadele).

KOBİ müşteri edinimini ele alalım. Bir ticaret şirketi ticaret ruhsatını, esas sözleşmesini ve ortaklarının pasaportlarını yüklüyor. Ortaklardan biri başka bir ülkede kayıtlı bir şirket.

Ajan bunu adım adım işler:

1. Her belgeyi okur ve isimleri, tarihleri ve sicil numaralarını çıkarır.
2. Ruhsatı ticaret siciline karşı kontrol eder ve her ismi yaptırım ve izleme listelerinde tarar.
3. Nihai faydalanıcıyı, yani işletmenin gerçek sahibi olan kişiyi bulmak için yabancı ortağı zincir boyunca yukarı doğru izler.
4. Bir yönetici için yaptırım listesinde yakın bir eşleşme bulur: aynı isim, farklı doğum tarihi.
5. Dosyayı bu eşleşme işaretlenmiş ve kanıtlar eklenmiş halde hazırlar.

Bir uyum görevlisi işarete bakar ve karar verir. Toplama işini ajan yaptı, değerlendirmeyi o yapar.

Kredi de aynı şekilde işler. İşletme sermayesi limiti isteyen bir KOBİ için ajan banka ekstrelerini, denetlenmiş mali tabloları ve kredi bürosu raporunu toplar. Rakamları bankanın standart formatına yerleştirir (kredi ekipleri buna spreading der) ve kredi notunun taslağını hazırlar.

Satışların çoğunun tek bir alıcıya gittiğine dikkat çekebilir. Karar kredi sorumlusunda kalır.

Dolandırıcılıkta işler daha hızlı yürür. Biri bir kartı kendi ülkesindeki bir mağazada, kırk dakika sonra da başka bir ülkeden internette kullanıyor. Ajan ikinci ödemeyi bekletir, müşteriden uygulamada onay ister ve bir analiste neden bu adımı attığını gösterir.

AML daha yavaştır. Farklı şubelerde nakit yatırımlar sürekli bildirim eşiğinin hemen altında kalıyor. Ajan geçmişi toplar ve vaka anlatısının taslağını hazırlar, şüpheli işlem bildirimi yapılıp yapılmayacağına ise araştırmacı karar verir.

Aynı yıl neredeyse gerçek zamanlı etkileşimi de getirir. Küçük bir işletme sahibi, büyük bir tedarikçi ödemesinin vadesinden bir hafta önce nakit akışı tahminini görür.

İşletim modeli de değişir. Her ajanın bir sahibi, ne yapabileceğine dair net bir sınırı, izlemesi ve bir acil durdurma anahtarı olmalı. Model riski ekipleri ajanları, modellere gösterdikleri özenle incelemeli.

1. 01Uyarıİşlem izleme bir uyarı üretir
2. 02ToplaHesaplar, karşı taraflar, geçmiş ve tarama eşleşmeleri
3. 03DeğerlendirUyarıyı geçmiş vakalara göre puanlar
4. 04Taslak hazırlaKanıtlarla birlikte vaka anlatısını yazar
5. 05Karar verAraştırmacı kapatır ya da üst kademeye taşır
6. 06ÖğrenSonuçlar bir sonraki önceliklendirmeyi ayarlar

Model riski ajanı bir model gibi inceler

Üçüncü yıla gelindiğinde yapay zeka bireysel kredilerin, kartların, KOBİ bankacılığının, hazinenin, operasyonların ve riskin içinde yer alır. İnsanlar ve ajanlar yan yana çalışır ve her karar yolunun adı belli bir sahibi ve bir denetim izi vardır.

Veri paylaşımı, ajanların görebildiği alanı genişletir. Açık bankacılık API'leri müşterilerin başka yerlerdeki hesaplarını onay vererek paylaşmasını sağlar. Ödeme mesajları için daha yeni standart olan ISO 20022, kimin kime ve neden ödeme yaptığı hakkında daha zengin ayrıntı taşır.

Günde yüzlerce ödeme alan bir kurumsal müşteriyi düşünün. Bir ajan, ISO 20022 havale açıklaması ayrıntılarını kullanarak her ödemeyi doğru faturayla eşleştirir. Kalanları müşterinin hazine ekibi için işaretler.

Arka ofis işi de değişir. Ay sonunda bir ajan bankanın nostro hesaplarını (diğer bankalardaki yabancı para birimli hesaplarını) satır satır mutabakata tabi tutar. Bir operasyon analisti yalnızca ajanın açıklayamadığı farklar üzerinde çalışır.

İş ortakları aynı yönetişimli katmana bağlanır ve sizin tanımlarınızı ve kontrollerinizi kullanır. Bir rakip üç yıllık altyapı emeğini hızla kopyalayamaz.

1. Operasyon genel müdür yardımcısıAjan portföyünün ve sonuçlarının sahibi
   Model riski ve uyumDoğrulama, izleme ve acil durdurma anahtarı
2. İş birimi yöneticileriKendi iş kollarındaki ajanların sahibi

• Müşteri edinimi ajanıSahibi müşteri edinimi yöneticisi
• Kredi ajanıSahibi kredilerden sorumlu genel müdür yardımcısı
• Dolandırıcılık ajanıSahibi dolandırıcılık önleme yöneticisi
• AML ajanıSahibi MLRO

1. 04Yapay zeka ajanları ve copilot'larİnsan onay noktalarıyla müşteri edinimi, kredi, dolandırıcılık, AML ve etkileşim ajanları
2. 03Yönetişimli zeka katmanıMüşterilerin, hesapların, ürünlerin ve işlemlerin semantik modeli, yanında yapay zeka kayıt defteri
3. 02Veri temeliKöken izleme, katalog ve veri kalitesiyle lakehouse, gerektiğinde ülke içinde
4. 01Çekirdek sistemlerÇekirdek bankacılık, kartlar, ödemeler, krediler, CRM ve dijital kanallar

Bankalar için her yapay zeka stratejisinin içinden dört taahhüt geçer.

1. Ülke içi ve egemen yapay zeka seçenekleri. Pek çok düzenleyici müşteri verisinin ülkede kalmasını bekler. Orada çalışabilen platformları ve modelleri seçin, kendi barındırdığınız açık modeller de buna dahil.
2. Açık, çok platformlu bir yığın. Modeller birkaç ayda bir değişir, bu yüzden bankanın yapay zeka tedarikçisini değiştirme özgürlüğünü koruyun.
3. Düzenleyicinizle uyumlu yönetişim. Tabi olduğunuz her kurala eşlenmiş tek bir yapay zeka kayıt defteri ve tek bir model riski süreci.
4. Ajanlarla çalışabilen insanlar. Müşteri temsilcileri, analistler ve araştırmacılar bir ajana ne zaman güveneceklerini ve onu ne zaman geçersiz kılacaklarını bilmeli.

Geçersiz kılmanın neye benzediği şöyle. Bir AML ajanı, yatırılan tutarlar müşterinin olağan maaşıyla uyuştuğu için bir uyarıyı düşük riskli olarak işaretliyor. Araştırmacı işverenin geçen ay kapandığını biliyor ve vakayı yeniden açıyor.

İlk hata müşteriye dönük bir chatbot ile başlamaktır. Semantik katman olmadan aynı soruya farklı cevaplar verir.

Kart limitinizi iki kez sorun, iki farklı rakam alabilirsiniz. Biri kart platformundan, diğeri CRM'deki güncelliğini yitirmiş bir kopyadan gelir.

Bankanızın yapay zeka stratejisine bankanın içinden başlardım. Çalışan copilot'ları ve operasyon ajanları öğrenmek için daha güvenli yerlerdir, çünkü her cevabı müşteri görmeden önce bir insan kontrol eder.

İkinci hata, yapay zekayı model riski yönetiminin dışında inşa etmektir. Doğrulamayı atlamış bir pilot canlıya geçemez ve ekip baştan başlar. Yavaş gibi gelse de risk ve uyumu ilk kullanım senaryosundan itibaren dahil edin.

Nasıl ters giderNe işe yarar

1. 01Nasıl ters gider: İlk proje olarak bir müşteri chatbot'u→Ne işe yarar: Önce iç copilot'lar ve operasyon ajanları
2. 02Nasıl ters gider: Model riski yönetiminin dışında kurulan pilotlar→Ne işe yarar: İlk kullanım senaryosundan itibaren model riskinin katılımı
3. 03Nasıl ters gider: Her modelin kendi müşteri tanımı→Ne işe yarar: Her model için tek bir yönetişimli müşteri görünümü
4. 04Nasıl ters gider: Risk ve uyum en sona davet edilir→Ne işe yarar: Risk, uyum ve iş birimi sahipliği birlikte üstlenir

Bankanızın bugün hangi aşamada olduğunu öğrenmek isterseniz benimle bir görüşme ayarlayın. Mevcut yapay zeka kullanım senaryoları listenizi getirin, size nereden başlayacağımı söyleyeyim.

Bir bankanın yapay zeka stratejisi neleri içermeli?

Bankalar için iyi bir yapay zeka stratejisi yönetişimli bir veri temeli, bir semantik katman ve düzenleyicinizle uyumlu yapay zeka yönetişimi gerektirir. Ardından müşteri edinimi, kredi, dolandırıcılık ve AML için ajanlar ekler. Ülke içi seçenekler, açık bir yığın ve çalışan eğitimi tüm bunların temelinde yer alır.

Bir banka yapay zekaya nereden başlamalı?

Veri temeliyle ve iç kullanım senaryolarıyla başlayın. Çalışan copilot'ları, şikayet özetleri ve kişisel harcama danışmanı yönetilebilir bir riskle değer getirir. Kredi kararları daha sonra, en güçlü kontrollerle ve her birini bir insanın onaylamasıyla gelir.

Kredi skorlamasında yapay zeka EU AI Act kapsamında yüksek riskli midir?

Evet, EU AI Act bireylerin kredi değerliliğini değerlendiren ya da kredi puanlarını belirleyen yapay zeka sistemlerini yüksek riskli olarak listeler. Dolandırıcılık tespiti bir istisnadır. Yüksek riskli sistemler risk yönetimi, veri yönetişimi, dokümantasyon, insan gözetimi ve izleme gerektirir.

Bankacılıkta yapay zeka ajanları yapay zeka asistanlarından nasıl ayrılır?

Bir asistan bir kişi için soruları cevaplar. Bir ajan, KYC belgelerini toplamak, uyarıları önceliklendirmek ya da bir kredi notu taslağı hazırlamak gibi, sizin belirlediğiniz sınırlar içinde işlem yapar. Bankacılıkta ajanlar kararları hazırlamalı, onları bir insan onaylamalı.

Bankalar yapay zekayı kullanıp veriyi ülke içinde tutabilir mi?

Evet. Pek çok bulut sağlayıcı ülke içi bölgeler sunar ve açık modeller bankanın kontrol ettiği sunucularda çalışabilir. Platformları ve modelleri seçmeden önce hangi verinin ülke dışına çıkabileceğine karar verin.