Oggi i modelli di business nel settore bancario stanno cambiando: i modelli di internal rating sono stati a lungo sotto i riflettori, ma nuove tecniche di modellazione stanno già prendendo piede. Machine Learning e Intelligenza Artificiale sono nuovi elementi chiave che si aggiungono alle tecniche tradizionali per lo sviluppo dei modelli.

Anche le autorità di vigilanza a livello Europeo e Internazionale si stanno interessando attivamente all'AI e al Machine Learning e, pur riconoscendo i vantaggi che entrambi possono portare ai mercati finanziari, ai consumatori e al loro lavoro, sono sempre più consapevoli dei potenziali rischi e delle conseguenze indesiderate che l'uso di queste nuove tecniche e tecnologie possono avere.

I temi legati ad AI e Machine Learning sono stati affrontati nell'IFC - Bank Indonesia International Workshop and Seminar on Big Data a Bali, tenutosi il 23-26 luglio 2018, e recentemente è stato pubblicato un documento - 970 pagine - con contributi a riguardo. A livello mondiale, le banche centrali ritengono che le opportunità offerte da queste nuove tecniche possano essere significative, ma che le relative sfide - come l'accuratezza, la trasparenza, la responsabilità e la conformità - debbano essere affrontate.

Alcune banche mondiali hanno già iniziato a sperimentare le tecniche di Machine Learning e AI anche grazie alla disponibilità delle nuove tecnologie che permettono di affrontare quasi tutte le sfide ad esse correlate: si può per esempio fare riferimento a quanto accadeva in un passato non troppo lontano, in cui la scarsa trasparenza nelle tecniche di Machine Learning, considerate vere e proprie “blackbox”, rappresentava un vincolo forte.

Oggi sono stati sviluppati degli interpreti che forniscono una maggiore e migliore comprensione delle logiche di business, una vera e propria interpretazione (attraverso rappresentazioni grafiche e KPI) delle relazioni che intercorrono tra l’informazione utilizzata dal modello di Machine Learning e la previsione ottenuta in output dal modello stesso; logiche di business molto simili a quelle che vengono fornite dalle tecniche tradizionali di modellazione (es. Logistic Regression, Decision Tree).

I modelli di business nel settore #banking stanno cambiando e per avere successo gli istituti finanziari devono reinventarsi con approcci agili e olistici, che includano tecniche di #AI e #machinelearning Click To Tweet

 

GARP & SAS hanno condotto una survey online - Intelligenza Artificiale nel settore bancario e della gestione del rischio - nel dicembre 2018, con oltre 2.000 risposte provenienti da tutto il settore dei servizi finanziari. Sono stati coinvolti diversi dipartimenti come Risk (48%), Finance (14%) e IT (9%), oltre a diversi stakeholder come dirigenti (28%), team leader/senior manager/manager (36%) e analisti (31%).

In che modo SAS può aiutare nei processi di New Generation Risk Modeling, Machine Learning e AI?

Iscrivetevi al workshop "Credit Scoring, AI e Machine Learning di nuova generazione" del 13 febbraio 2020. Parleremo di diversi temi legati all’Intelligenza Artificiale e al Machine Learning, focalizzandoci sulle esigenze delle principali figure professionali coinvolte: executives, risk analysts e IT.

Executives

Principali esigenze di business

• Risultati e report automatici, user-friendly e immediatamente disponibili
• Trasparenza sull’intero processo
• Migliori risultati di business

Risk Analysts

Principali esigenze di business

• Automazione dei processi manuali attraverso un’interfaccia integrata pensata per Data Preparation, Data Exploration, Model Development & Evaluation, Model Deployment
• Interpretabilità dei modelli di Machine Learning
• Utilizzo e integrazione Open Source
• Deployment semplificato dei modelli
• Migliori risultati statistici

IT users

Principali esigenze di business

• Gestione dell’intera piattaforma e integrazione di linguaggi di programmazione diversi
• Deployment semplificato dei modelli e utilizzo in ambiente di Produzione
• Migliori risultati sull’esecuzione