인공 지능이 은행 부문에 미치는 영향

은행 산업은 항상 가장 발전된 산업 중 하나였으며 새로운 기술에 기꺼이 투자하는 것처럼 보였습니다.

인공 지능이 전체 현대 금융 시장을 구성하는 기술적 기둥 중 하나가 된 것은 놀라운 일이 아닙니다.

AI가 선도적인 분석 솔루션일 뿐만 아니라 고객이 금융 업계에서 제공하는 서비스와 상호 작용하는 방식을 바꾸는 방법이라는 사실을 모두가 알고 있는 것은 아닙니다. 이 특별한 관계, 우리가 은행을 이용하는 방식, 사기 탐지 및 규정 준수 규정과 같은 문제에 미치는 영향에 대해 자세히 살펴보겠습니다.

은행에서의 AI

인공 지능은 많은 핀테크 솔루션에 사용됩니다. 고객 경험 개인화 및 충성도 구축과 같은 많은 비즈니스가 직면한 일상적인 문제부터 이상 감지 또는 사기 방지와 같은 엄격한 기술적 재무 기능에 대한 치료법입니다.

그러나 업계에서 AI의 시작은 그렇게 간단하지 않았습니다. 컴퓨터를 사용하여 은행의 운영을 개선하려는 첫 번째 시도는 1950년대에 이루어졌습니다. 이야기는 가장 간단하고 분명한 솔루션으로 시작되었습니다. 회계사는 컴퓨터를 사용하여 실제 사람이 할 수 있는 것보다 훨씬 빠르고 정확하게 계산하기를 원했습니다.

그러나 기계 자체가 지금만큼 강력하지 않기 때문에 사용이 쉽지 않을 수 있음이 밝혀졌습니다. 그럼에도 불구하고 오늘날에도 머신러닝에서 사용되는 베이지안 통계는 주식 시장 예측, 대출 상환 또는 감사에 대한 확률 계산과 같은 처리 작업을 가능하게 하는 알고리즘을 확장하기 위해 구현되었습니다.

90년대 초반 AI와 머신러닝은 최초의 헤지펀드와 함께 월스트리트에 등장했지만 아직까지 뚜렷한 돌파구는 없었다. 그것은 일반적으로 인터넷의 보급과 함께 데이터의 가용성이 증가함에 따라 나타났습니다. 그 이후로, 기계의 증가하는 기능을 이용하여 운영 체제가 매우 빠르게 발전했습니다.

오늘날 AI는 기본적으로 은행 업무의 모든 영역에 영향을 미치고, 인적 자원 팀 작업을 포함하여 기업의 핵심 측면과 같이 금융 부문에서 기술을 사용하는 맥락에서 종종 잊어버리는 부서의 업무에 영향을 미칩니다.

AI가 관련된 모든 측면은 아래 히트 맵에 완벽하게 요약되어 있습니다.

원천

업계의 수많은 AI 응용 프로그램을 고려할 때 기본적으로 각각에 대한 책을 작성할 수 있습니다. FinTech에서 이미 널리 사용되고 있고 소비자로서 잘 알고 있어야 하는 가장 일반적인 솔루션에 초점을 맞추겠습니다.

Accenture에 따르면 업계에서 따라야 할 몇 가지 주요 추세가 있습니다.

• 부서 간 AI 사용
• 완전한 디지털 및 옴니채널 고객 여정
• 이상 탐지, 사기 계정 식별
• 사용자 경험 개인화
• 오픈뱅킹, 오픈API, PSD2
• 빠르게 적용 가능한 솔루션

문제를 더욱 단순화하기 위해 위에서 언급한 측면을 영업 최적화, 성장 수익 창출, 운영 프로세스 개선 및 신용 위험 관리의 4개 그룹으로 나눌 수 있습니다.

그러나 다루어야 할 주제 분야의 가능성에 관한 것만은 아닙니다. 업계에서 활동하는 전체 회사에서 인공 지능 사용의 규모는 엄청납니다. 금융 서비스의 AI 글로벌 연구에 따르면 전체 응답자의 85%가 현재 특정 형태의 AI를 사용하고 있습니다 . 이러한 솔루션을 구현하는 이유로 응답자는 속도와 효율성을 모두 높일 필요가 있고 더 광범위한 데이터 기반 통찰력에 대한 요구가 있다고 말했습니다.

게다가 보고서에 포함된 선언적 통계는 훨씬 더 낙관적입니다. 응답자의 77%는 2020년 말까지 AI가 비즈니스에 가장 중요하거나 가장 중요한 투자 영역 중 하나가 될 것이라고 말했습니다.

그러나 FinTech 담당자가 정확히 무엇에 투자하고 싶어합니까? 겉보기와 달리 대부분(64%)은 수익 창출, 프로세스 자동화, 위험 관리, 고객 서비스 및 고객 확보와 같은 측면에서 AI 구현 덕분에 주로 대중 사용자에게 도달하는 데 투자할 계획입니다. 이것은 매우 중요한 증가입니다. 현재 응답자의 16%만이 이 분야에 투자할 의향이 있다고 답했습니다.

인공 지능은 은행에서 정확히 어떻게 사용됩니까?

마지막 단락 끝에 있는 구분에서 잠시 멈추고 언급된 각 영역을 자세히 살펴보겠습니다.

FinTech, Synerise에서 AI 사용으로 인한 이점

비용 절감, 판매, 수익 개선 또는 비즈니스 위험 완화와 같은 금융 기관 전략을 담당하는 관리자가 높이 평가하는 이점이 있습니다. 그러나 은행에서 사용하는 AI 옵션이 여기서 끝나지 않는다는 점도 언급할 가치가 있습니다. 가능성은 일반적으로 예상되는 기능보다 훨씬 뒤떨어질 수 있습니다.

1. AI 안면인식 – 하지만 먼저 셀카를 찍게 해주세요.

금융 시장에는 매우 시의적절한 속담이 있습니다. 사람들은 은행이 아니라 은행이 필요합니다.

스마트폰과 간편 로그인 방식의 시대에 은행의 모바일 애플리케이션에 진입하는 특별한 방법이 있습니다. 바로 셀카입니다. 이 솔루션은 배포 및 구현이 비교적 쉽습니다. 식별 절차는 신속하고 최종 사용자의 너무 많은 조치가 필요하지 않습니다. 이는 그 자체로 프로세스 채택을 유도하는 고무적인 방법입니다.

싱가포르의 OCBC Bank는 고객이 이러한 AI 기반 옵션을 사용할 수 있도록 지원했습니다. 이 방법으로 로그인하는 데 필요한 유일한 요구 사항은 iPhone X가 있어야 한다는 것입니다.

은행의 공식 성명서에 따르면 사용자는 이제 안면 인식 솔루션 덕분에 "모바일 앱에서 일상적인 뱅킹을 할 때 비밀번호나 지문을 생략할 수 있습니다."

그러나 이 기술은 실제로 어떻게 작동합니까? 이름에서 알 수 있듯이 로그인 프로세스의 성공 여부는 해당 은행 사용자의 신원을 식별하거나 확인하는 데 달려 있습니다. AI는 우리 각자의 얼굴에 있는 특정 패턴을 캡처, 분석 및 비교합니다.

이 기술을 사용하는 다른 은행인 폴란드 은행 PEKAO에서 준비한 지침을 살펴보겠습니다.

계정을 설정하려면 셀카를 찍는 방법에 대한 지침이 필요합니다. 제스처 '눈 깜박임', 제스처 '머리 왼쪽으로 돌리기', 제스처 '머리 오른쪽으로 돌리기'

은행의 CEO인 Michal Krupinski는 “회사는 얼굴 인식 기술 도입의 결과에 매우 만족하고 있으며 계좌 입력의 약 25%가 은행 업무 시간 외에 이루어졌다”고 말했다.

그는 다음과 같이 강조했습니다.

"우리는 은행 업무를 믿고 있으며, 모바일 애플리케이션의 강점이 강점입니다. 여기에서 매년 50-60% 성장했습니다. 우리는 모바일 앱에 더 많은 투자를 할 것입니다."

결과는 매우 만족스러워 셀카 인증 기능도 소규모 기업의 요구에 맞게 조정될 것입니다.

2. 둘은 하나보다 낫다: Hang Seng Bank(홍콩) 및 가상 비서(들)

아마도 당신은 가상 비서를 사람처럼 보이고 언젠가는 세상을 지배할 로봇과 연관시킬 것입니다.

그러나 현실이 어떻게 보이는지에 대한 정확성은 완전히 다릅니다. 채팅 비서는 초라한 시작부터 먼 길을 온 것이 사실이지만 사실 우리는 여전히 기계 학습과 자연어 처리를 개발하고 있으므로 비서는 인간과 같은 방식을 배우는 것일 뿐이며 실제로 세상을 마스터하는 것과는 거리가 멉니다.

한 예로 Hang Seng Bank(중국), Haro 및 Dori가 만든 쌍둥이가 있습니다. 그들은 뛰어난 언어 능력을 가지고 있습니다. 그들은 중국어, 영어, 광둥어 및 중국어와 영어의 혼합으로 의사 소통합니다.

그러나 채팅 도우미는 작업을 공유했습니다. Haro는 제품, 서비스(모기지, 개인 대출, 신용 카드 및 보험 서비스에 특히 중점을 둠)와 같은 일반적인 쿼리에 중점을 둡니다.

도리(Dori)는 고객 선호도에 따라 개인화된 추천을 통해 제공되는 기회를 활용하는 전형적인 페이스북 메신저 유형이다.

물론 이것은 많은 흥미로운 예 중 하나일 뿐입니다. 또 다른 사람은 Bank of America 직원이자 카드 보안 업데이트 및 신용 카드 부채 감소를 처리하는 AI 기반 챗봇인 Erica입니다. 2019년에 이 가상 비서는 요구 사항과 연령에 관계없이 5천만 개 이상의 클라이언트 요청을 처리했습니다. 일반적으로 이러한 대상 그룹이 아닌 Z세대 15%, 밀레니얼 세대 49%, X세대 20%, 시니어 16%입니다. 솔루션.

3. 더 말해줘: 음성 인식

음성 검색은 점점 더 대중화되고 있습니다. 이 주제에 대한 최근 보고서에서 Microsoft는 2020년까지 응답자의 69%가 음성 비서를 정기적으로 사용할 것이라고 강조합니다. 물론 이러한 추세는 Lloyds Bank, Bank of Scotland 또는 Halifax UK와 같은 은행의 주목을 피할 수 없었습니다.

이들 금융기관은 AI 기반 사용자 음성 특성의 고급 분석을 통한 신원 확인인 "음성 생체 인식"을 사용하여 고객의 삶을 단순화하기로 결정했습니다.

물론 음성 명령을 통해 계정을 사용하는 것이 기존의 로깅 방법보다 쉽고 빠르다는 점에는 동의하기 어렵습니다. 하지만 완전히 안전한가요? 일부 업계 분석가는 웹에 우리의 목소리가 포함된 녹음(예: 팟캐스트 형식)이 있는 경우 권한이 없는 사람이 당사 계정에 로그인하는 데 사용할 수 있다고 지적합니다.

(전자) 화폐의 바스락거림 – 실제 사용 사례

이러한 솔루션은 업계에서 이미 제한된 형태로 존재하지만 가까운 장래에 꽃을 피울 것입니다. 특히 유럽 및 미국 시장의 최신 버전은 모바일 뱅킹, 사기 탐지 및 규정 준수에 중점을 둔 다소 평범하고 친숙한 솔루션입니다.

모바일 뱅킹

모바일은 우리의 미래입니다. 2023년까지 이 장치는 전 세계적으로 73억 3,000만 명이 사용하게 될 것으로 예상됩니다. 같은 해까지 모바일 앱 시장은 9,352억 달러의 수익을 창출할 것이며 여기에는 물론 모바일 뱅킹 애플리케이션도 포함됩니다. 무엇이 우리를 그토록 기꺼이 투자하게 만드는가?

첫째, 모바일 뱅킹은 일반적인 온라인 대응보다 높은 수준에 있는 향상된 보안을 의미합니다. 더욱이 애플리케이션은 은행이 운영 비용을 절감할 수 있도록 해주기 때문에 은행에서 더 산만한 이유로 열성적으로 사용됩니다. 모바일 덕분에 일반적인 오프라인 뱅킹 운영 및 인적 자원에 대한 비용을 줄일 수 있으며 ATM보다 저렴합니다. 게다가 그들은 실제로 돈을 절약할 뿐만 아니라 "필요한" 서류 작업을 보완하는 데 일반적으로 사용되는 시간과 서류도 절약할 수 있습니다.

또한 모바일 앱은 항상 사용할 수 있습니다. 이 채널을 통해 수집된 데이터를 쉽게 분석할 수 있습니다. 또한 모바일은 푸시 알림을 보내는 옵션 덕분에 클라이언트와의 통신을 용이하게 합니다.

그러나 AI가 이것과 무슨 관련이 있습니까? 얼핏 보면 인공 지능 솔루션 덕분에 사용 가능한 모바일 뱅킹의 생체 인식은 공상 과학 영화의 일부처럼 보일 수 있습니다. 특히 지문 스캔, 얼굴 인식, 홍채 스캔 및 음성 생체 인식과 같은 측면이 그렇습니다.

잠시 멈춰 우리의 스마트폰이 과연 그런 첨단 기술을 지원할 수 있을지 생각해 봅시다. Juniper Research 데이터에 따르면 전용 하드웨어의 가용성은 이러한 생체 인식 목적에 사용되는 데 장애가 되지 않을 것입니다. 회사는 2024년까지 휴대폰의 약 90%가 이러한 최신 솔루션에 대처할 것이라고 예측합니다.

이 맥락에서 우리가 스스로에게 던져야 하는 진정한 질문은 조금 다릅니다. 비접촉식 카드 시대의 사람들이 이러한 종류의 모바일 기능을 사용하여 비접촉식 결제를 인증하기를 정말로 원할까요? 위에서 언급한 예측은 그다지 유망하지 않습니다. 응답자의 30%만이 이 옵션을 기꺼이 사용할 것이라고 말했습니다.

사기 감지

AI 사기 탐지의 첫 번째 시드(seed)는 사이버 보안 및 자금 세탁 방지 프로세스와 관련된 문제를 다루는 표준 편차를 식별하는 기술인 이상 탐지를 기반으로 10여 년 전에 구현되었습니다.

오늘날 금융 부문에서 흔히 발생하는 사기 유형에는 도용된 문서나 로그인 정보를 사용한 대출금 갈취 및 신원 도용이 포함됩니다. 이 McAfee 보고서(금융 사기에 관한 데이터도 포함)에서 알 수 있듯이 사이버 범죄는 FinTech에 전 세계적으로 약 6000억 달러의 비용을 발생시키며 이는 전 세계 GDP의 0.8%에 해당합니다.

이러한 사건은 실제 재정적 손실을 야기할 뿐만 아니라 부채 징수 문제를 가중시킵니다. 이는 많은 법률 시스템에서 매우 장기적인 과정이지만 불행히도 모든 경우에 100% 효과적이지는 않습니다. 금융 기관도 피해를 입고 결과적으로 시장에서 명성을 잃을 수 있습니다. 이러한 종류의 피해는 금융 시장에서 치명적일 수 있습니다.

다행히도 AI와 금융 사기를 자동으로 방지하는 FDS(사기 탐지/방지 시스템) 솔루션이 도움이 될 수 있습니다.

탐지 및 예방 시스템은 주로 구현 방식이 다릅니다. 예방은 약간 더 복잡하며 은행이 은행 플랫폼 및 거래 시스템에 개입할 수 있도록 승인을 받아야 합니다. 한편, 탐지는 플랫폼에 대한 직접적인 개입 없이 데이터에 대한 액세스만 필요합니다.

어떤 FDS 시스템을 선택하든 사용자가 트랜잭션을 완료하기 위해 사용하는 채널에 관계없이 사용자가 취한 모든 작업을 감지하고 모니터링할 수 있어야 합니다. 이는 웹 채널 관리에 대한 투자뿐만 아니라 ATM, 일부 콜 센터 서비스, 은행 지점의 "오프라인" 운영 또는 모바일 결제 주문 보호에 대한 투자를 의미합니다.

아래 차트에 따르면 사기 방지 및 적발 시장의 규모는 지속적으로 증가하고 있습니다. 2022년에는 415억 달러의 가치가 있을 것이며 이는 2016년의 143억 7,000만 달러에서 크게 증가한 수치입니다.

규정 준수

규제는 은행 부문에서 핵심적인 역할을 하며 이는 AI가 현대 데이터 중심 세계에서 복잡한 분석을 촉진(및 가속화)할 수 있는 또 다른 분야입니다. 전체 프로세스를 단순화하고 훨씬 더 효과적으로 만드는 방법을 살펴보겠습니다.

AI가 반복적인 수동 작업을 자동화할 수 있다는 사실부터 시작하겠습니다. 규정 준수 프로세스는 다양한 소스 시스템에서 데이터를 수집하는 것을 기반으로 합니다. 추가 결정을 위해 이러한 데이터를 전달하기 전에 데이터를 구성하고 주의 깊게 확인해야 합니다.

AI가 없으면 모든 작업이 노동 집약적이며 여러 수동 개입이 필요합니다. 또한 전체 절차에 시간이 많이 걸리고 실수하기 쉽습니다. 이러한 솔루션은 RPA(로봇 프로세스 자동화)라고도 합니다. 자동화, 웹훅 또는 APO 통합을 통해 수행할 수 있습니다.

자연어 처리(NLP)는 컴퓨터 프로그램이 인간의 언어를 말하고 쓰는 그대로 이해할 수 있도록 합니다. NLP는 인공 지능의 용량과 효율성을 높입니다. NLP가 포함된 RPA 소프트웨어는 많은 양의 데이터를 처리하는 은행 전문가를 위해 보다 효율적인 분석을 생성할 수 있습니다. 기계 학습을 통한 로봇 프로세스 자동화는 인간 행동 모방이 필요한 프로세스에 유용합니다.

빠르고 정확하게 처리하는 능력 덕분에 AI는 확실히 더 나은 의사 결정자입니다. 알고리즘은 금융 범죄, 자금 세탁 및 잠재적 사기(AML, MiFID II, FinCEN)와 관련된 위험을 포함한 모든 위험을 분석합니다.

고객 서비스

은행에 구현된 AI는 의심할 여지 없이 영업 최적화와 B2B 및 B2C 영업 운영에 영향을 미칩니다. 이는 무엇보다도 향상된 고객 서비스 때문입니다.

인공 지능을 사용하면 선택한 대상 그룹에 정확하게 도달하고 메시지를 개인화할 수 있습니다. 세분화는 전체 구매 프로세스를 크게 단축하고 고객 선호도에 대한 잘 활용된 지식은 금융 상품 사용자 수에 영향을 미칩니다.

AI는 또한 고객의 결정에 대한 자세한 분석을 수행하고 주어진 사람에게 정말 필요한 제품만 제공할 수 있습니다. 은행을 위해 생성된 추천 모델은 일반적인 전자 상거래에서 사용되는 것보다 훨씬 더 복잡하다는 점을 강조할 가치가 있습니다.

위에서 언급한 생체 인식 사례의 맥락에서 AI가 제공하는 개인화의 놀라운 힘은 아마도 "평범한" 것처럼 보일 것입니다. 따라서 구체적인 수치를 보여드리겠습니다.

Boston Consulting Group은 고객 상호작용을 개인화하는 것만으로도 은행이 자산 1,000억 달러당 최대 3억 달러의 매출 성장을 달성할 수 있다고 추정했습니다.

왜 이런 일이 발생합니까? 소비자는 정의상 복잡한 뱅킹 시스템이 일상적으로 사용하는 다른 서비스만큼 접근 가능하고 사용하기 쉬울 것으로 기대합니다.

결론

우리는 FinTech에서 AI의 가능성이 여전히 발전하고 있는 완전히 새로운 디지털 시대에 진입하고 있습니다. 인공 지능이 시간이 지나면 어떤 새로운 기능으로 우리를 놀라게 할지는 모르지만 한 가지는 확실합니다. 브랜드는 인공 지능이 제공하는 힘을 활용해야 합니다.

보시다시피 은행은 많은 유형의 데이터를 보유하고 있습니다.

• 구조화(데이터베이스, 서버, 트랜잭션 로그)
• 반구조화(메일, xml, json 등)
• 비정형(보고서, 메모, 이미지, 파워포인트, 문서)
• 메타 데이터(데이터를 설명하는 데이터)

그들 중 일부는 실시간으로 오지만 일부는 정말 희소합니다.

이러한 여러 가능성에서 나오는 정보를 가능한 한 가장 낮은 차원으로 결합하기 위해 AI 및 기계 학습의 발전을 활용합시다.

많은 기능은 실제 360도 고객 프로필을 기반으로 조치 및 제안을 권장하거나 브랜드가 은행이 작동하는 모든 엔티티의 이웃을 평가 및 비교할 수 있도록 하는 기능을 추가하여 현재 사용되는 통계 모델을 향상하는 등 수익 창출을 가능하게 하는 가장 원하는 애플리케이션과 관련됩니다. (채무자, 채권자, 상인, 개인, 기업)과 함께.

AI를 사용하면 시간과 돈을 절약할 수 있을 뿐만 아니라 저축을 더 잘 보호하고 돈에 더 쉽게 접근할 수 있습니다. 우리는 무엇을 더 원할 수 있습니까?

G2의 인공 지능 허브를 확인하여 AI에 대해 자세히 알아보세요.