生成式人工智慧在銀行業的4大用例

生成式人工智慧對資料隱私、欺詐檢測、風險管理等領域的貢獻對金融服務公司來說至關重要。

本文解釋了生成式人工智慧在銀行業的四大使用案例，並列舉了一些現實生活中的例子。

欺詐檢測

檢測異常和欺詐性交易是生成式人工智慧在銀行業的應用之一。在一項研究中，研究人員構建了一個欺詐性交易的訓練集，然後在生成式對抗網路（GAN）–一種基於深度神經網路的生成式模型–中利用它來產生合成的欺詐性交易。然後將合成資料與真實資料進行比較，看GAN是否能夠形成識別異常交易的敏感性。最後，我們看到，使用GAN增強的訓練集來檢測此類交易的效果優於未經處理的原始資料集的效果。

作為這項研究的結果，為檢測欺詐行為而訓練的GANs似乎產生了成功的結果，因為在被訓練以識別代表不足的交易後，發展了敏感性。這對處理大量交易的金融服務機構來說是一個特別重要的應用。

銀行業中通過生成式人工智慧進行欺詐檢測的案例研究

GANs被訓練來學習合法和非法交易，以便通過建立揭示其模式的圖形來檢測欺詐性交易。

然而，採用GANs進行欺詐檢測有可能產生不準確的結果（見圖1），需要額外的改進。

圖1. “將欺詐建模為二元分類問題的挑戰“

資料隱私

使用合成資料有可能克服銀行業正面臨的挑戰，特別是在資料隱私方面。合成資料可用於建立可共享的資料，以取代因隱私問題和資料保護法而不能共享的客戶資料。此外，合成客戶資料是訓練ML模型的理想選擇，可以幫助銀行確定客戶是否有資格獲得信貸或抵押貸款，以及可以提供多少貸款。

GANs能夠產生合成資料（見圖2），因此適合於銀行業的需求。合成資料的生成可以通過不同版本的GAN實現，如條件GAN、WGAN、深度後悔分析GAN或TimeGAN。

圖2.  “基於GAN的醫療領域結構化資料的生成方法”

風險管理

建立風險管理計劃對於銀行保持適當的風險暴露水平，識別可能的風險領域，並採取行動保持盈利能力至關重要。如果流動性、信用、操作和其他風險沒有得到適當的處理，銀行可能會遭受損失。

除了某些用於風險最小化的軟體系統，使用生成式人工智慧是一個可能的解決方案，以最大限度地減少因缺乏適當的風險管理而造成的損失。

有了GANs，就有可能計算出風險價值估計，顯示出特定時期的潛在損失金額，或者創造出有助於預測金融市場未來的經濟情景。GANs通過在歷史資料模式的基礎上生成新穎的、無假設的情景（見圖3）來促進理解波動的可能性。

資料來源：GANs- “使用生成神經網路為市場風險模型生成情景”

生成有利於申請人的拒絕解釋

貸款決策是人工智慧在銀行業的用途之一。人工智慧使銀行能夠通過風險評分確定客戶是否有資格獲得信用貸款，以及根據評估的風險對客戶的最大信用額度和貸款定價做出明智的決定。

儘管如此，不僅是決策者，而且貸款申請人也需要對基於人工智慧的決策過程進行解釋，例如他們的申請被拒絕的原因。之所以有這樣的需求，是為了確保使用者的信任，以及提高客戶的意識，以便他們在未來能夠做出更明智的申請。

在這種情況下，有條件的GAN–一種GAN的變體，其中生成器和判別器通過類別標籤來設定條件–對於生成對申請人友好的拒絕解釋是很有用的（見圖4）。以分層的方式將拒絕的原因從簡單到複雜地組織起來，為生成可理解的解釋創造了兩級條件。

圖4. “使用生成式對抗網路為貸款拒絕生成使用者友好的解釋”

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.