Finans sektöründe yapay zekanın benimsenmesi, finansal düzenleme talepleri, diğer firmalarla rekabet ve karlılık ihtiyaçları gibi talep faktörleri ile finans sektörü altyapısının ve verilerin ve teknolojik gelişmelerin mevcudiyeti gibi arz faktörlerinden kaynaklanmaktadır.

Yapay zeka, finans sektöründe sektörü bozabilecek uygulamaların oluşturulması da dahil olmak üzere bir dizi atılım yapma sürecindedir. Bu nedenle, AI sadece kısmen veya tamamen insan sermayesi yerine değil, aynı zamanda insan eşiğinin ötesinde performansını artırmak olduğu varsayımı vardır.

Gelişmiş performansın değerlendirilmesinde, bu gelişmenin finansal istikrar üzerindeki etkilerini göz önünde bulundurmak çok önemlidir. Bu makale, özellikle sigorta hizmetlerinin iyileştirilmesi, algoritmik ticaret, dolandırıcılık ve kara para aklama tespiti, metin madenciliği, kredi puanlama ve bu uygulamaların her birinin potansiyel etkileri konusunda finansal hizmetlerde AI uygulaması hakkında bir tartışma sağlar.

Algoritmik Ticaret

Bu uygulama, fiyat düzeyleri ve değişen piyasa koşulları hakkında bilgi dahil etmek ve hızlı, otomatik işlemler yürütmek için özel algoritmalar kullanımını içerir.İşlemlerin yürütülme hızı, yüksek frekanslı ticaret (HFT) olarak referanslarına yol açmıştır. Temel HFT stratejileri sipariş akışı, mew bültenleri ve diğer yüksek frekanslı sinyaller, yüksek frekanslı ortalama değer ticareti ve resmi ve gayri resmi bir piyasa belirteci olarak hareket eden yön ticareti içerir. Finans kurumları, özellikle tescilli ticaret evleri ve hedge fonlar, son on yıldır bu teknolojiyi kullandık.

Algoritmik ticaretin yararları arasında, duygusal ve psikolojik nedenlerle hata sayısının azaltılması, birden fazla pazarda otomatik anketin aynı anda iyileştirilmesi ve doğruluğun iyileştirilmesi (daha az hata) yoluyla, müşterilerin ve firmanın yararına olan mümkün olan en iyi fiyatlarla daha hızlı ticaret yer almaktadır.İnsanlar bu kadar kısa sürede bilgiyi işlemekten acizdirler, bu da algoritmik sistemi en iyi seçenek haline getirmiştir. Chan ve ark.(2017), algoritmik ticaretin, küresel mali kriz sırasında ve sonrasında yaşananlara benzer, ani çökmelere yol açabileceği için, yüksek düzeyde düzenleyici inceleme altında çalışması gerektiğine dikkat edin.

Sigortada Kullanım alanları ve Potansiyel Uygulamalar

Sigorta sektörü, AI gibi dijital teknolojilerin benimsenmesi ve kullanılmasında gecikmeye neden olmuştur. Çoğu finans profesyoneli, AI’nin hayat sigortası acenteleri ve brokerlarına olan ihtiyacı aşamalı olarak sona erdirebileceğini öne sürüyor. Forbes, hayat sigortası portföylerini edinme ve geliştirme, poliçeleri izleme ve sigortacılığı kolaylaştırma becerisinin bir robo-life-agent tarafından yönetilene bileceğini gözlemlemiştir. Çoğu sigortacı, önemli sistem etkileşimlerinin otomasyonuna ve sigorta acentelerinin robotik otomasyon süreçleri ile güçlendirilmesi. Bu otomasyon, AI’nin tam olarak uygulanmasına giden yolculuğun sondan bir önceki adımıdır.

Sigorta sektöründeki AI, 34 çalışanın ortadan kaldırılması ve Watson Explorer Programı’nın (IBM) Fukoku Mutual Life Insurance tarafından benimsenmesi gibi üçüncü kademe teknoloji biçimindedir. Ayrıca Allstate (Chan ve ark) tarafından Allstate İş Sigortası Uzmanı chatbot gibi birinci kademe artırılmış istihbarat sunar.2017). Birçok sigortacı, iş akışı ve yüksek hacimli iş süreçlerinin işlenmesinde yazılım uygulayan Robotik Proses Otomasyonu (RPA) sistemlerini de araştırmaktadır. RpA’lar diğer sistemlerle iletişim kurmak, yanıtları tetiklemek, verileri işlemek, işlemleri otomatik olarak yönetmek ve belirli yordamları öğrenmek için eğitilebilir. RPA’nın uygulanmasına örnek olarak 2016 yılında Davies Group, dört çalışanın her gün 3.000 talep raporu işlemesini sağlamıştır (Chan ve ark.2017). RPA olmadan görevin bir tahmini, ekibin on iki kişiye ihtiyacı olduğunu gösterir ve bu da AI sistemlerinin geleneksel insan rollerini nasıl doldurduğunu kanıtlar.

Kredi Değerlendirme/Kredi Puanlama Başvuruları

Makine öğrenimini kullanan kredi puanlama araçları, artan riski kontrol ederken kararların mercek altına alma hızını artırmaya çalışırlar.Uzun süre, kredi verenler perakende müşterileri ve firmalar için kredi kararları ulaşmak için kredi puanları bağlıdır.Geleneksel olarak, kredi puanlama sistemlerinin çoğu finansal kurumlar tarafından sağlanan ödeme geçmişi ve işlem verilerine dayanıyordu. Ancak, kredi isteyen müşteriler için kredi bilançosunun daha doğru ve kapsamlı bir değerlendirmesini oluşturmak için bankalar ve diğer kredi kuruluşları tarafından ek, yarı yapılandırılmış, yapılandırılmamış, kısa mesaj ve cep telefonu kullanımı aktivitesi ve sosyal medya kullanımı da dahil olmak üzere veri kaynaklarına geçiş yapılmıştır.

Örneğin, puanlama için büyük verilerin kullanımı, yardımcı program ve telefon faturalarının zamanında ödenmesi ve kredi dışı fatura ödemeleri gibi faktörleri değerlendirebilir. Makine öğrenimi algoritmalarının bu veri havuzuna dahil edilmesi, ödeme isteği ve tüketim davranışı gibi nitel faktörleri yakalamak için değerlendirme sürecini iyileştirmiştir. Makine öğrenimi, kredi verenlerin daha hızlı kredi kararını ve daha ucuz, daha hızlı ve daha yüksek borçlu kalitesini sınıflandırmayı geliştiren daha fazla veriden yararlanmalarını sağlar. Ancak, bu tür veri analizi süreçlerinin uygulanması, veri koruma ve gizlilik sorunlarına yol açmaktadır. Kredi puanlarının değerlendirilmesinde bir diğer kritik Yapay Zeka aracı da yapay sinir ağlarının (ANN) kullanılmasıdır. ANN iflas tahmini ve kredi değerlendirme, hangi kredi kararları vermede önemli bir araç yapar daha doğrudur.

Kredi değerlendirme ve puanlamada kullanılan makine öğrenimi algoritmaları krediye erişimi önemli ölçüde iyileştirmiştir. Geleneksel puanlama modelleri, potansiyel borçluların puanlama sürecine tabi tutula bilmek için büyük miktarda geçmiş kredi verisi gerektirmesi gerekiyordu. Bu tür veriler kullanılamadığında, puanlama imkansızdır ve potansiyel kredi yedeği borçlular bir kredi geçmişi oluşturmak veya kredi almak için bir şans yoksundur. Böylece, makine öğrenimi algoritmaları ve alternatif veri kaynaklarının uygulanması, kredi verenlerin daha önce imkansız olan kredi kararlarını işlemesini sağlayacaktır. Bu durum finansal dışlanmanın azaltılmasında son derece yararlı olmakla birlikte, özellikle derin kredi piyasalarına sahip ülkelerde kötü borçlarda sürdürülebilir olmayan artışlara yol açabileceğini gözlemliyor.Araştırmalar, son birkaç yılın, geleneksel kredi sistemi tarafından hariç tutulmuş müşterileri hedefleyen bir dizi FinTech kredi firmasının ortaya çıkmasıyla işaretlendiğini göstermektedir.

Kredi puanlama makine öğrenme algoritmaları kullanımında endişe bir diğer nokta kredi kararları üzerinde müşterilerin şeffaflık inkar “kara kutu” yönüdür.Bu algoritmaların kullanımı, kredi verenlerin kredi puanları ve sonraki kararlara ilişkin kararlar hakkında denetçilere, denetçilere ve tüketicilere açıklamalar sağlamasını zorlaştırır. “Kara kutu” aynı zamanda geleneksel olmayan veriler ve çevrim içi eğilimleri kullanan kredi kararlarında ön yargı olasılığı hakkında endişeler doğuruyor.Tüketici savunuculuk grupları, bu algoritmaların müşterinin cinsiyetine veya ırkına işaret eden ve kararı etkileyebilecek kombinasyonlar elde edebileceğini iddia eder. Bu tür kararlar adil borç verme yasaları flout. Chan “kara kutu” sorununu çözen bir AI değerlendirme modeli önermektedir.Modelde bulunan sapma türünü ve modelin belirli çıktılara olan bağımlılığını içerecek şekilde inceleme panolarının ana endişelerini tanımlarlar.Diğer etkenler arasında modelin eşitlenmemiş veya eksik verileri nasıl işlediği, çıktının tutarlılığını izleme ve garanti etme süreçleri ve çıktıyı yedeklemek için meta veri türü yer alır. Son olarak, yönetim kurulu modelin çıktısının güven aralıklarını ve verilerin karmaşıklığını işlemek için eğitim kümesinin yeteneğini incelemelidir.

Metin Madenciliği

Finansa AI’nin bir diğer kullanımı da metin madenciliği, söz dizimi (anlamsal) analiz ve haberlerdir.AI, haberler, raporlar ve sosyal medya içeriği veya etkinliği gibi metinleri otomatik olarak okumak ve analiz etmek için yararlı bir araçtır. Zavadskaya’ya göre, yapay yayın makineleri tüm ilgili haber ve bilgileri saniyeler içinde okuyacağı için bu uygulama yatırım hizmetlerini dönüştürecek.Bu görev başlangıçta insanlar birkaç saat sürer ve hala stok performansını etkileyebilecek tüm gerekli bilgileri kapsamaz.Veri madenciliği teknikleri fiyat düzeylerinin, tahmin aktivitesinin ve piyasa eğilimlerinin analizinde hayati önem taşımaktadır.Ayrıca, kurumsal ve düzenleyici değişikliklerin tahmin inde yardımcı olabilir ve sonucu simüle. Ticarette ANN, geleneksel doğrusal regresyon modeline göre daha iyi bir tahmin aracıdır, çünkü hisse senedi piyasaları kaotik ve dinamiktir.

Bu teknolojinin kullanımından yararlanan bir şirket, haber resmen yayınlanmadan önce popüler haber öğeleri ve abone yatırımcılara ileriye eyleme geçirilebilir uyarıları belirlemek için Twitter gibi sosyal medya platformlarında gönderiler üzerinden tarıyor algoritma dağıtan Veri madenci. Veri madenciliği uygulayan başka bir şirket AlphaSense, finans profesyonelleri hedefleyen bir arama motorudur.Şirket, diğer arama motorlarına göre istenilen bilgileri daha kısa sürede bulmada bireylere yardımcı olmak için dilsel arama algoritmaları kullanır.Arama işlemi, en alakalı bilgileri tanımlamak için doğal dil işleme (NLP) kullanımını içerir. AlphaSense algoritmalarının önemli bir özelliği kendi kendilerini öğrenmeleridir, bu da geçmiş hatalarından ders almaları ve verimliliği artırmak için bir sonraki aramayı iyileştirmeleri anlamına gelir.

Ayrıca, Kensho olarak bilinen bir şirket danışmanlık hizmetlerinin sağlanmasında veri madenciliği kullanır. Kensho, gönderilen soruları okuyabilen nlp sistemlerini kullanır ve hızlı yanıtlar veya öneriler sağlamak için uygun bilgileri inceler. Algoritma hisse senedi fiyatları ve belirli olaylar arasındaki korelasyon tanıyabilir ve insanların analizlerinde kolayca gözden kaçırabilecekleri yatırım kararlarını önerebilir.Firmanın müşterileri yatırım firmaları ve bireysel yatırımcılardan oluşmaktadır. Kensho’nun iş modeli, büyük bankalarla birlikte çalışan ve büyük miktarda tazminat gerektiren ve tavsiyelerde bulunmak için uzun süreler gerektiren finansal danışmanlar için bir tehdittir. Kensho ve benzeri şirketler bu danışmanların 40 saat içinde, sadece birkaç dakika içinde, hasta günleri, ikramiyeler, maaş ve annelik/babalık yaprakları gibi istenmeyen yükümlülükleri gidererek yapabilecekleri görevleri yerine getirirler.

Dolandırıcılık/Anormallik Tespiti

AI dolandırıcılık / anomali algılama hayati bir araçtır. Örüntü tanıma, standart desenlerden farklı davranışların tanımlanmasına yardımcı olur. Örneğin, sahte sigorta taleplerinin belirlenmesinde, nakit kartlarının ve kredi kartlarının hileli kullanımında, yasa dışı mali düzen ve işlemlerde, güvenlik tehditlerine, kara para aklamada, transfer dolandırıcılığında ve yasa dışı işlemlerde önemli olabilir. Mastercard bunu 2016 yılında tanıtılan Karar İstihbaratı hizmeti aracılığıyla kullanmaktadır. Hizmet, dolandırıcılığı tespit etmek için yapay zekayı, özellikle normal ve anormal satın alma konumlarını, müşteri alışveriş modellerini, tipik fiyat aralığını ve müşteriler için alışveriş süresini belirlemek için algoritmaların kullanımını algılar. Bu algoritmalar, müşteriler açıklama sağlayana kadar garip davranışların hızlı bir şekilde tanımlanmasını ve hesapların engellenmesini sağlar.

Bankacılık sektörü, kara para aklama (AML) ve sahtekarlıkla mücadele tespit yönetiminde AI araçlarının konuşlandırılmasından faydalanabilir. Bankalar uzun zamandır yaptırım, kara para aklama ve dolandırıcılık risklerini kontrol etmek için kurala dayalı bir yaklaşıma bel bağladılar.Bu yaklaşım risk puanlama veya risk tabanlı bir yaklaşım olarak da bilinir. Şirketler bu modeli resmi bir para aklama risk değerlendirmesi yürütmek ve iş hatlarına, ürünlerine ve müşterilerine bağlı olarak karşılaştıkları riskleri belirlemek için kullanır.Değerlendirme ve risk dokümantasyon sürecinin tamamlanmasından sonra, şirketler olası risk senaryolarını aml işlemlerinin başlamasından sonra onay için düzenleyicilere sunarlar. AI’nin riskleri ve kullanımları Yazılım Mühendisliğinde AI’de iyi açıklanmıştır.

Bu geleneksel yöntem pahalıdır ve yanlış negatifler veya pozitifler oluşturabilir. Chan bankaların iki paralel yaklaşım çalıştırmak için Yapay Zekayı kullanabileceğini önermektedir: biri desen tanımada Yapay Zeka araçlarını dağıtan diğeri de büyük verileri kullanan istihbarat tabanlı bir modele dayanan bir model.Bu modeller, her bankanın kendi veri kümesini kullandığı işlemlerden ve müşteri kişisel ve iş ayrıntılarından elde edilen verileri kullanabilir.Bu durum veri gizliliği sorunlarına yol açtığından, bankalar işlem düzeyinde bilgileri anonim kılan Blockchain olarak bilinen dağıtılmış bir genel muhasebe sistemini entegre edebilirler.Bu şekilde, bankalar rekabet gücünü korur ve müşterilerini korurken, aynı yandan da sektördeki kara para aklama ve dolandırıcılığı kontrol etme çabalarına katkıda bulunmaktadır.

Sonuç

Sonuç olarak, finans sektörü otomasyon teknolojileri ve AI etkisi nedeniyle kademeli bir evrim yaşıyor. Finansal sistemlerde AI benimsenmesi üstel bir oranda artmaktadır, olumlu ve olumsuz etkileri geniş bir yelpazede neden. Bu makale, finans sektöründe AI uygulanan görevlerin ve uygulamanın neden olduğu etkilerin tartışılmasını sağlar. AI sürekli hızla gelişmekte olan, finans sektöründe firmalar ve profesyoneller onlar artan kolaylık olan gelişmekte olan araçlardan yararlanmak sağlamak için değişikliklere uyum gerekir.