борьба с финансовыми преступлениями с помощью гибридного ИИ

Борьба с финансовыми преступлениями с помощью гибридного ИИ

Я достаточно долго работаю с данными, чтобы видеть, как множество ИИ-проектов терпят крах. Я начал свою карьеру со строительства хранилищ данных для телекоммуникационных компаний и банков, затем перешел к машинному обучению в качестве консультанта, где руководил сотнями проектов в различных отраслях. Сейчас я возглавляю аналитику данных и машинное обучение в Phenom и хочу поделиться тем, что мы недавно создали и что действительно работает.

Давайте уточним, что я подразумеваю под термином "Gen AI" здесь. Я говорю об LLM и инструментах, построенных на их основе. Под "old school ML" я подразумеваю те модели контролируемого обучения с низкой сложностью, которые мы используем уже много лет, те, которые по своей природе быстры, дешевы и надежны.

Phenom предоставляет банковские решения для малого и среднего бизнеса по всей Европе, но в основе своей мы являются B2B финтех-стартапом. Каждое из этих слов имеет значение.

Быть B2B означает, что каждый клиент важен. Мы не можем рисковать с общением или операциями с клиентами. Все, что касается потребностей наших клиентов, должно соответствовать определенному стандарту, без исключений.

Быть финтех-компанией означает, что мы любим технологии, конечно, но мы также связаны правилами. Сеть по борьбе с финансовыми преступлениями не заботится о том, насколько инновационно ваше решение, если оно не соответствует стандартам соответствия.

А быть стартапом? Это означает, что мы не можем позволить себе ИИ-театр. У нас есть некоторый бюджет для инноваций и экспериментов, но каждая инвестиция должна демонстрировать реальные повышения эффективности и положительную рентабельность инвестиций.

Эти ограничения сформировали наш подход к ИИ и машинному обучению в Phenom. Мы установили два фундаментальных принципа, которые направляют все, что мы строим.

Во-первых, мы успешно убедили руководство (вплоть до совета директоров), что, хотя ИИ и хорош, наличие надежной базы данных и платформы еще лучше. Когда вы имеете дело с нормативной отчетностью или позволяете принимать лучшие тактические и стратегические бизнес-решения, эта основа имеет большее значение, чем любая модная ИИ-функция.

Во-вторых, мы разработали четкие правила для того, когда какую технологию использовать. Когда нам нужна стабильность и структурированные сигналы, мы сначала обращаемся к традиционному машинному обучению. Когда мы имеем дело с запутанными входными данными, такими как отзывы клиентов или неструктурированный текст, мы рассматриваем генеративный ИИ. Высокорисковые сценарии, связанные с финансовыми преступлениями, нормативными актами или обслуживанием клиентов, всегда получают гибридные решения с участием людей. Низкорисковые внутренние варианты использования? Именно там ИИ может блистать, и мы можем позволить себе случайные ошибки.

Slopaganda и Sora, лол

Реклама. Отключить рекламу.