Mga nadagdag:
- Kakayahang tukuyin kung saan ang artificial intelligence ay nakakatipid ng real time sa banking workflow (pre-assessment, decision support, operation, reporting) at kung saan ang mga regulated at trust-critical na mga desisyon (credit allocation, fraud/compliance provision) ay iniiwan sa mga tao, ayon sa task risk level
- Kakayahang maglapat ng disiplina na nagbe-verify sa bawat output ng AI sa pamamagitan ng mga hakbang ng pagkonekta nito sa pinagmulan, muling pagkalkula at pagpasa nito sa pamamagitan ng pag-filter ng patakaran/batas.
- Pag-anonymize ng data ng customer at pananalapi sa loob ng saklaw ng KVKK, lihim ng customer at mga panuntunan sa pagiging kumpidensyal ng bangko at pagkakaroon ng ugali ng pagpili ng mga ligtas na sasakyan
Ang araw ng isang banker ay puno ng mga numero, desisyon at kumpiyansa. Ang isang aplikasyon sa pautang ay sinusuri, ang isang transaksyon ay sinusuri upang makita kung ito ay isang pandaraya, kung aling produkto ang itinuturing na angkop para sa isang customer, isang pagsusuri sa pagsunod ay isinasagawa at isang ulat ay nilagdaan sa pagtatapos ng araw. Ano ang pagkakatulad ng mga trabahong ito ay lahat ng mga ito ay nangangailangan ng mabilis na trabaho at, kapag ginawa nang hindi tama, direktang makapinsala sa pera, reputasyon o legal na katayuan ng bangko ng isang tao. Ito ay eksakto kung saan ang artificial intelligence ay nahuhulog sa pag-igting na ito. Kapag ginamit nang tama, binabawasan nito ang mga oras ng trabaho sa mga minuto; Kapag ginamit nang hindi tama, pinapabilis nito ang pagkakamali, nagdudulot ng diskriminasyon at nagreresulta sa mga hindi makontrol na desisyon.
Sa buong module na ito, ipoposisyon namin ang AI bilang isang assistant, pre-screener at draft generator. Nakakatulong ang artificial intelligence na basahin ang file para sa iyo, magsulat ng mga draft, maghanap ng mga hindi pagkakapare-pareho, at magbubuod. Pero nasa iyo ang desisyon. Kung magbibigay ng credit, kung isasaalang-alang ang isang transaksyon na kahina-hinala, kung ano ang sasabihin sa isang customer—lahat ito ay mga paghatol ng isang taong may kapangyarihan. Sa yunit na ito, sa panimula namin itatatag ang pagkakaibang ito, iyon ay, kung saan ang artificial intelligence ay nakakatipid ng oras at kung saan ang desisyon ay ipinaubaya sa mga tao, ang disiplina sa pag-verify at mga panuntunan sa privacy.
Bakit ang pagbabangko ay isang 'trust-critical' at 'regulated' na lugar
Kung hindi gumagana ang isang pun design tool, walang masasaktan. Ngunit ang isang hindi gumaganang modelo sa isang bangko ay maaaring mag-alis ng isang pamilya ng kredito na nararapat dito, mabiktima ang isang lehitimong customer sa pamamagitan ng paglalagay dito bilang isang manloloko, o makaligtaan ang money laundering at ilantad ang bangko sa mabibigat na parusa. Samakatuwid, ang pagbabangko ay tinukoy ng dalawang tampok:
- Trust-critical: Nakakaapekto ang mga desisyon sa pera at kinabukasan ng mga tao. Kahit na ang pagkakamali ay nababalik, ang pinsala ay totoo.
- Kinokontrol: Pagbabangko; Napapaligiran ito ng mga regulasyon tulad ng BDDK (Banking Regulation and Supervision Agency, ang pampublikong awtoridad na nangangasiwa sa mga bangko), MASAK (Financial Crimes Investigation Board, ang institusyong lumalaban sa money laundering) at KVKK (Personal Data Protection Law). Hindi mo maipaliwanag ang isang desisyon sa pamamagitan ng pagsasabi ng "sabi ng AI"; Dapat mong bigyang-katwiran ang desisyon.
Itinatag ng dalawang feature na ito ang pangunahing tuntunin ng paggamit ng AI: Ang output ng AI ay hindi kapalit ng pag-apruba mula sa isang karampatang eksperto. Nasa tao ang desisyon. Uulitin namin ang pangungusap na ito nang maraming beses sa buong modyul, dahil ang mga pinakamahal na pagkakamali sa pagbabangko ay nangyayari kapag ang panuntunang ito ay nakalimutan.
Pansin: Ang pagsasabi na "ang modelo ay gumagana nang tumpak" ay hindi nangangahulugang "maaari nating ipaubaya ang desisyon sa modelo". Kahit na ang isang modelo na 99 porsiyentong tama ay nagpapakita ng kanyang 1 porsiyentong error na may parehong kumpiyansa. Sa pagbabangko, ang 1 porsiyentong iyon ay utang ng isang tao o parusa ng bangko.
Saan nagagamit ang artificial intelligence sa pagbabangko?
Ang pag-iisip sa negosyo ng pagbabangko sa tatlong layer ay ginagawang malinaw kung saan ilalagay ang AI:
- Pre-evaluation at paghahanda (mababa ang panganib, mataas na pakinabang): Pagbasa ng dokumento, nawawalang kontrol ng dokumento, buod ng file, pag-scan ng pagkakapare-pareho ng data. Dito, kahit na ang artificial intelligence ay magkamali, ang panganib ay maaaring pamahalaan dahil mayroong pagsusuri ng tao sa likod nito; Malaki ang kita.
- Suporta sa pagpapasya (katamtamang panganib): Draft ng pagbibigay-katwiran sa kredito, buod ng profile sa peligro, komentaryo sa pananalapi, kahina-hinalang draft ng transaksyon. Dito, ang artificial intelligence ay gumagawa ng mga mungkahi, ngunit ang desisyon ay pag-aari ng tao. Mahalaga ang pagpapatunay.
- Pangwakas na desisyon at paghatol (mataas na panganib, tao): Paglalaan ng kredito, hatol sa pandaraya, kahina-hinalang pag-uulat ng transaksyon, desisyon na makikita sa customer. Ito ang layer kung saan ang artificial intelligence ay hindi makakagawa ng mga desisyon; nag-aalok ng pinakamaraming draft.
Ang sumusunod na talahanayan ay naglalagay ng mga karaniwang gawain sa pagbabangko ayon sa antas ng panganib:
Paghanap
layer
tungkulin ng AI
Sino ang nagdedesisyon?
Nawawalang tseke ng dokumento ang credit file
paunang pagsusuri
I-scan, buod
Mga pagsusuri ng eksperto
Dahilan para sa pagtanggi/pag-apruba ng kredito
suporta sa desisyon
Draft na katwiran
karampatang eksperto
Alerto sa anomalya sa transaksyon
suporta sa desisyon
Pre-qualifying signal
analyst ng pandaraya
Pag-uulat ng kahina-hinalang transaksyon (STR)
panghuling paghatol
burador
opisyal ng pagsunod
Desisyon sa paglalaan ng kredito
panghuling paghatol
burador/buod
Awtoridad/komite
Bumuo ng sulat sa customer
paunang pagsusuri
draft na teksto
Inaprubahan ng empleyado
Disiplina sa pagpapatunay: tatlong hakbang na filter
Gawin ang output ng AI sa pamamagitan ng tatlong hakbang na ito sa bawat oras. Ito ang magiging pangunahing reflex na uulitin natin sa buong module:
- Ikonekta ito sa pinagmulan. Aling dokumento, aling transaksyon sa account, at aling panuntunan ang batayan ng bawat numero, claim, at katwiran sa output? Ang isang output na ang pinagmulan ay hindi maaaring banggitin ay isang "claim" hanggang ma-verify, hindi "impormasyon".
- Muling kalkulahin/suriin. Kung ang isang logro, isang kabuuan, isang buod ng marka ay ibinigay, kumpirmahin ito mismo. Ang AI ay maaaring magkamali o gumawa ng mga numero (ito ay tinatawag na "hallucination": kapag ang modelo ay gumagawa ng maling impormasyon na mukhang totoo).
- Ipasa ito sa filter ng patakaran at batas. Sumusunod ba ang output sa mga panloob na patakaran at legal na tuntunin ng iyong bangko (pagbabawal sa diskriminasyon, pagiging kumpidensyal ng customer, KVKK)? Ang isang output na hindi akma ay tatanggihan, gaano man ito ka "matalino".
Tip: Itanong sa iyong sarili ang tanong na ito sa bawat output: "Maaari ko bang ipagtanggol ito sa isang auditor nang hindi lang sinasabing 'AI ang gumawa nito'?" Kung ang sagot ay hindi, ang output ay hindi pa handang gamitin.
Privacy: lihim ng customer at KVKK
Sa pagbabangko, ang data ay dobleng pinoprotektahan. Ang impormasyon ng account ng customer ay parehong personal na data (sa saklaw ng KVKK) at lihim ng customer (sa saklaw ng Batas sa Pagbabangko; obligasyon ng bangko na protektahan ang impormasyong natutunan nito tungkol sa customer nito). Samakatuwid, ang pag-upload ng data ng customer sa anumang AI tool ay maaaring isang seryosong paglabag.
Mga pangunahing tuntunin:
- anonymize. Alisin ang impormasyong nagpapakilala tulad ng pangalan, TR ID number, account/IBAN number, telepono. Halimbawa, sa halip na "Ahmet Yılmaz, TC 123..., account 456..." isulat ang "45 taong gulang, X segment na customer."
- Minimum na data. Ibahagi ang pinakamababang dami ng data na talagang kinakailangan para sa gawain. Hindi ang buong dump, ngunit ang mga nauugnay na linya.
- Gumamit ng aprubadong sasakyan. Gumamit ng mga kinontrata at secure na tool na inaprubahan ng iyong bangko. Huwag ipasok ang data ng customer sa isang pampublikong tool kung hindi malinaw kung saan pupunta ang data.
- Mag-iwan ng record. Dapat mong maipakita, kung kinakailangan, kung anong data ang iyong ginamit, para sa anong layunin, at kung aling tool ang iyong ginamit (audit trail).
Apat na maaaring kopyahin na mga template
1) Framework na tumutukoy sa mga tungkulin at hangganan:
Ang iyong tungkulin: banking assistant. PAGGAWA NG DESISYON; Gumawa lang ng mga draft, buod, o consistency check. Huwag gumamit ng impormasyon ng pagkakakilanlan (pangalan, TR ID, IBAN). Markahan ang bawat puntong hindi ka sigurado bilang "[kailangan ng kumpirmasyon]". Gagawin ko ang huling desisyon at responsibilidad. Gawain: [paglalarawan sa trabaho]
2) Tatlong hakbang na kahilingan sa pag-verify:
Self-audit at iulat ang sumusunod na output mula sa tatlong aspeto: (1) Saang pinagmulan/data ang bawat isa sa iyong mga claim ay batay sa? (2) Aling mga numero ang kailangang muling kalkulahin? (3) Mayroon bang mapanganib na aspeto sa mga tuntunin ng panloob na patakaran o batas (diskriminasyon, lihim ng customer, KVKK)? Ilista nang malinaw ang mga kawalan ng katiyakan.
3) Kontrol ng anonymization:
Bago ibigay ang text na ito sa isang tool, tukuyin ang lahat ng impormasyon na nagpapakilala sa tao (pangalan, TR ID, IBAN, telepono, address, kumbinasyon ng bihirang feature) at imungkahi kung paano ito i-mask. Tukuyin din ang minimum na data na kinakailangan para sa gawain. Teksto: [data]
4) Katulong sa pag-uuri ng layer:
Tukuyin kung saang layer nahuhulog ang sumusunod na gawain: paunang pagsusuri (pinabilis ng tiwala) / suporta sa desisyon (na-verify) / panghuling paghatol (tao). Isulat ang iyong katwiran at sabihin kung ano ang limitasyon ng AI sa gawaing ito. Gawain: [gawain]
tatlong mini case
Kaso 1 — Tamang paggamit. Susuriin ng isang credit specialist ang stack ng 40 file para sa mga nawawalang dokumento. Binibigyan ang bawat file sa artificial intelligence na may hindi kilalang buod; Ang artificial intelligence ay nagmamarka ng "Sa buod ng numero 3, ang petsa ng sertipiko ng kita ay mas matanda sa 6 na buwan, at sa numero 7, walang pahina ng lagda." Kinukumpirma ng eksperto ang mga palatandaang ito nang paisa-isa sa file. Ang manu-manong pag-scan, na tumatagal ng 2 oras, ay binabawasan sa 25 minuto at ang bawat alerto ay na-verify ng tao.
Kaso 2 — Kabiguan ng tiwala na walang pagpapatunay. Ang isa pang eksperto ay nagpapasa ng dahilan ng pagtanggi sa pautang na nabuo ng artificial intelligence sa customer nang hindi ito binabasa. Sa katwiran, mali ang pagkabasa ng artificial intelligence sa kita ng customer at sinabing "hindi sapat ang kita"; Gayunpaman, tama ang dokumento. Ang customer ay tumutol, ang file ay muling binuksan, at ang bangko ay nawawala ang parehong oras at reputasyon. Aralin: anumang data kung saan nakabatay ang katwiran ay kailangang suriin sa pinagmulan.
Kaso 3 — Paglabag sa pagiging kumpidensyal. Para sa bilis, i-paste ng isang empleyado ang buong pangalan at account statement ng customer sa isang hindi naaprubahang tool na available sa publiko at nagtanong, "Nasa panganib ba ang customer na ito?" Sa nag-iisang pagkilos na ito, nilabag ang pagiging kumpidensyal ng customer at KVKK; Kahit na kung saan napupunta ang data ay hindi malinaw. Aralin: ang data ay una nang hindi nagpapakilala, pagkatapos ay pinoproseso lamang sa naaprubahang tool.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Naka-attach ang account statement ni Ahmet Yılmaz. Magpasya kung dapat naming bigyan ng kredito ang customer na ito.
Kasama sa kahilingang ito ang impormasyong nagbibigay ng personal na pagkakakilanlan (paglabag sa privacy), direktang humihingi ng desisyon sa AI (hindi ipinauubaya ang desisyon sa tao), at walang inilalagay na balangkas ng pag-verify.
Napakahusay na prompt:
Ang iyong tungkulin: katulong sa credit specialist sa pagsuri ng file PAGHAHANDA at PAGKAKATAON. Paggawa ng desisyon; Markahan lamang ang mga nawawala/hindi pantay na puntos at sabihin kung ano ang iyong batayan. Huwag gumamit ng impormasyon ng pagkakakilanlan.Customer (anonymous): 45 taong gulang, i-segment Markahan ang "[kailangan ng kumpirmasyon]" ang anumang puntos na tila nawawala o sumasalungat sa impormasyong ibinigay. Ako ang gagawa ng desisyon sa kredito.
Ang isang malakas na kalooban ay hindi naglalaman ng pagkakakilanlan, nililimitahan ang tungkulin, iniiwan ang awtoridad sa pagpapasya sa tao, at minarkahan nang malinaw ang bawat paghahabol para sa kumpirmasyon.
Mga karaniwang pagkakamali
- Ipaubaya ang desisyon sa artificial intelligence. Ang paggawa ng modelo ay magsasabi ng mga probisyon tulad ng "magbigay / huwag magbigay ng kredito", "panloloko / hindi". Ito ay mga desisyon ng tao; ang modelo ay nag-aalok ng pinakamaraming draft.
- Nagtitiwala nang walang verification. Napagkakamalang "tama" ang isang matatas at kumpiyansa na teksto. Ang katatasan ay hindi katumpakan.
- Pagbabahagi ng mga kredensyal. Pagpasok sa sasakyan nang hindi ina-anonymize ang iyong pangalan, TR ID at account number.
- Pag-bypass sa audit trail. Pagkabigong idokumento ang katwiran para sa desisyon at ang data na ginamit; Hindi masagot ang tanong na "bakit ginawa ang desisyong ito?"
- Pagmamaneho nang walang pag-apruba. Ang pagpasok ng data ng customer sa mga pampublikong tool kung saan hindi malinaw kung saan napupunta ang data.
Pag-iingat: Sa pagbabangko, ang halaga ng isang pagkakamali ay kadalasang hindi nakikita kaagad; Ang pagtutol, inspeksyon o parusa ay darating pagkaraan ng ilang buwan. Samakatuwid, hindi maaaring ipagpaliban ang pagpapatunay at pag-record ng disiplina dahil lamang sa "hindi na kailangan maliban kung may mga problema na lumitaw"; Dapat ugali na sa simula pa lang.
Sa buod
Ang pagbabangko ay isang trust-critical at regulated na lugar; Kaya ang AI ay ginagamit dito bilang isang assistant, pre-screener at draft generator, hindi bilang isang gumagawa ng desisyon. Isipin ang gawain sa tatlong layer: paunang pagsusuri (pinabilis ng tiwala), suporta sa desisyon (na-verify), at panghuling paghatol (tao). I-link ang bawat output sa pinagmulan, muling kalkulahin, i-filter sa pamamagitan ng patakaran/batas. I-anonymize ang data, magbahagi nang kaunti, gumamit ng mga inaprubahang tool at mag-iwan ng audit trail. Sa isang pangungusap: Ang AI ay gumagawa ng mga draft; Ang mga karampatang tao ay kumukuha ng desisyon at responsibilidad.
Gawain ng aplikasyon
Pumili ng tatlong tipikal na gawain mula sa iyong sariling negosyo (o bilang isang halimbawa): isa para sa paunang pagsusuri (hal. pagsusuri ng dokumento), isa para sa suporta sa desisyon (hal. draft ng justification), isa para sa panghuling paghatol (hal. desisyon sa kredito). Para sa bawat isa, (1) isulat ang papel ng AI sa isang pangungusap, (2) isaad kung aling hakbang sa pag-verify ang ilalapat mo, (3) tandaan kung aling data ang dapat i-anonymize. Pagkatapos ay gumawa ng prompt para sa gawaing "paghahanda ng file" gamit ang malakas na template ng prompt sa itaas at tatlong-hakbang na filter ang output.
checklist
- [ ] Tinukoy ko ang layer ng gawain (paunang pagsusuri / suporta sa desisyon / panghuling paghatol).
- [ ] Binigyan ko ang artificial intelligence ng draft/control task, hindi isang desisyon.
- [ ] Ikinonekta ko ang output sa pinagmulan at muling sinuri ang mga kritikal na numero.
- [ ] Na-filter ko ang output sa mga tuntunin ng panloob na patakaran at batas (diskriminasyon, sikreto ng customer, KVKK).
- [ ] Ginawa kong anonymize ang data, ibinahagi ito nang kaunti at gumamit ng mga inaprubahang tool.
- [ ] Naitala ko ang desisyon at ang katwiran nito; Kinuha ko ang tunay na responsibilidad.