AI nel settore bancario: come l’AI sta trasformando l’industria bancaria

Applicazioni dell’AI nel banking

Dal calcolo delle riserve di capitale alla valutazione delle strategie di marketing, l’analisi statistica informa quasi ogni decisione in banca. Molte persone, tra cui data scientist, analisti, manager, responsabili di business e regolatori, spesso devono esaminare l’analisi o i report basati su di essa.

Le previsioni di modelli di machine learning e statistici possono essere una parte importante di questa analisi. Tuttavia, usarli in questo modo non verrebbe considerato AI.

Parliamo di AI quando un modello viene utilizzato per automatizzare una decisione. Le sue previsioni vengono inserite in un sistema. Il sistema contiene regole basate sulla previsione e su altre variabili che portano a una decisione. Chiamiamo questi "sistemi di AI".

Il team in cui lavoravo si occupava principalmente di sviluppare questi sistemi per autorizzare automaticamente nuovi prestiti. Il modello più importante che guida questi sistemi è chiamato modello di rischio di credito.

Valutazione del rischio di credito

Quando richiedi un prestito a una banca, verrai sottoposto a una valutazione del rischio di credito. Questo può comportare il calcolo della perdita attesa in caso di insolvenza o della probabilità che tu vada in default, cioè la probabilità che tu non riesca a rimborsare il prestito a causa di difficoltà finanziarie. È quest’ultima previsione che di solito guida la decisione di autorizzare (concederti) un prestito.

Come modelliamo il rischio di credito

Fin da prima dell’invenzione dei computer, le banche effettuavano valutazioni del rischio di credito. Questo avveniva principalmente tramite una "credit scorecard".

Come si vede sotto, considera varie caratteristiche di un potenziale mutuatario. Otterrai un punteggio in base al gruppo in cui rientri per una data caratteristica e tutti i punteggi vengono sommati per ottenere un punteggio finale. Più alto è il punteggio, meno è probabile che tu vada in default.

Esempio di credit scorecard (fonte: autore)

In passato, venivano create principalmente tramite "giudizio degli esperti". In altre parole, una persona in giacca e cravatta decideva i valori. E sì, era tanto fazioso quanto suona. Oggi, le banche hanno accesso a enormi quantità di dati e potenza computazionale per creare scorecard statisticamente ottimali. Come vedremo più avanti, questo può anche produrre risultati più equi.

Sul fronte dei dati, c’è molto materiale su cui lavorare. Internamente, una banca ha accesso a tutta la tua cronologia delle transazioni e ai comportamenti di debito passati. Esternamente, la maggior parte dei paesi dispone di registri pubblici su debiti e default passati in tutte le istituzioni creditizie.

Tutte queste fonti possono essere utilizzate per creare le feature del modello. Alcune banche possono spingersi fino a usare dati del dispositivo, come la tua geolocalizzazione. Anche se, a quel punto, potrebbero imbattersi in considerazioni normative ed etiche.

Il processo di costruzione di queste scorecard è cambiato molto, ma il prodotto finale appare lo stesso. Le feature del modello sono discretizzate. Questo viene fatto usando il Weight of Evidence (WOE) per massimizzare la differenza nei tassi di default tra i gruppi di ogni feature. Possiamo quindi assegnare un punteggio in base a quanto un gruppo modifica la probabilità di default. Così, come prima, il punteggio finale può essere usato per valutare la probabilità che il mutuatario vada in default su un prestito.

Come si usano le scorecard

Queste credit scorecard costituiscono la base di un sistema di AI usato per autorizzare automaticamente i prestiti. Nella forma più semplice, c’è una soglia rigida. Se il punteggio è al di sotto di questa soglia, il prestito viene rifiutato.

Si possono anche applicare regole aggiuntive basate sulla strategia della banca, sulla regolamentazione o su altre caratteristiche come l’età del cliente. Come vedremo nella prossima sezione, sistemi più complessi possono usare le previsioni di più modelli.

In pratica, questi sistemi di AI vengono usati per autorizzare prestiti personali o per piccole imprese. Importi più grandi come mutui o prestiti corporate non sono completamente automatizzati. Questi casi possono essere troppo unici o la somma di denaro troppo elevata per essere autorizzata senza che un essere umano prenda la decisione finale. Spesso la decisione verrà comunque presa con l’aiuto di una scorecard.

Con tutti i progressi nella raccolta dei dati e nell’automazione, potresti aspettarti che i modelli sottostanti siano complessi. Ti sbaglieresti.

La regressione logistica è usata per calcolare le probabilità di default e creare le scorecard. Ne discutiamo alcune ragioni nella sezione sulle sfide. Hanno a che fare con l’interpretabilità del modello, la regolamentazione e l’equità. Tuttavia, la ragione principale è che la regressione logistica è sufficientemente accurata.

Il default di cui abbiamo parlato si verifica quando qualcuno incappa in difficoltà finanziarie a causa di decisioni sbagliate o eventi fuori dal suo controllo. Il punto importante è che queste persone non vogliono andare in default. Ciò significa che le relazioni sottostanti che guidano il rischio di credito si muovono lentamente. Questo ci dà il tempo di costruire feature lineari che catturino queste relazioni in modo interpretabile. Tuttavia, ci sono altri tipi di default che non sono così semplici.

Rilevamento e prevenzione delle frodi

In medicina, il machine learning predice cose complesse, come se un tumore è benigno o maligno. Ora, immagina se il tumore fosse cosciente e potesse cambiare aspetto per evitare di essere rilevato. All’improvviso il problema diventa molto più difficile. Allo stesso modo, ecco perché il rilevamento delle frodi è così arduo.

Esistono molti tipi di frode. Nel contesto dell’autorizzazione automatizzata dei prestiti, c’è frode quando il mutuatario non ha mai avuto l’intenzione di rimborsare. Il suo obiettivo è ottenere il prestito e sparire con i soldi. Il mutuatario potrebbe aver sovrastimato il reddito mensile, nascosto altri debiti da rimborsare o persino rubato l’identità di qualcuno per fare domanda. Qualunque sia il modo, considereremmo questo default dovuto a frode.

Tipi di frode (fonte: autore)

Come prevediamo la frode

La natura del default legato al rischio di credito fa sì che possiamo aggregare le transazioni per ottenere un’idea generale del comportamento di una persona. Per la frode, possono essere importanti le singole transazioni. Consideriamo anche un set di fonti dati più diversificato, come i dati del dispositivo e la cronologia delle comunicazioni.

Un’altra considerazione è che, dato il carattere mutevole della frode, dobbiamo mettere in produzione i modelli più rapidamente. Tutto ciò significa che i modelli lineari spesso non sono all’altezza della sfida.

Per questo è comune usare modelli non lineari come Random Forest e XGBoost. Le reti neurali possono aiutare se vogliamo incorporare dati testuali. Con questi modelli si pone meno enfasi sull’ingegnerizzazione delle feature, risparmiando tempo prezioso e permettendoci di modellare comportamenti non completamente compresi.

Lo svantaggio è che sono comunque modelli predittivi. Vogliamo intercettare nuovi casi di frode prima che accadano. Con i modelli predittivi, abbiamo bisogno di un dataset di addestramento con casi di frode etichettati. In altre parole, dobbiamo prima aspettare che la frode avvenga!

Per questo possiamo anche valutare potenziali casi di frode con metodi non supervisionati, come algoritmi di clustering o modelli a singola classe come Isolation Forest. Questi possono aiutare a identificare clienti con comportamenti unici o, in termini più generali, outlier.

Adversarial machine learning

Con la frode dobbiamo anche preoccuparci di attaccanti che prendono di mira i modelli stessi. Ecco perché i modelli antifrode si sovrappongono a un ramo importante dell’intelligenza artificiale: l’adversarial machine learning.

Questo campo mira a trovare debolezze nascoste nei modelli che possano essere sfruttate dagli attaccanti. Qualcuno potrebbe ingannare il modello inducendolo a fare previsioni errate o a divulgare informazioni sensibili. Gli attacchi di poisoning implicano l’iniezione di dati falsi nel processo di training per corrompere i modelli senza che ce ne accorgiamo.

In termini di automazione dei prestiti, il primo è il più rilevante. In sostanza, un frodatore proverà a sembrare un buon cliente. Cercherà modi per ridurre il proprio rischio di credito percepito. Potrebbe farlo aumentando artificialmente il reddito o mentendo nella domanda. I modelli antifrode servono a coprire queste potenziali debolezze dei modelli di rischio di credito. Tuttavia, anche loro devono essere valutati per potenziali attacchi avversari.

In definitiva, la molteplicità e la natura delle frodi fanno sì che spesso dobbiamo affidarci a modelli più complessi. In alcuni casi, questi modelli possono contrassegnare potenziali frodi che poi verranno esaminate più a fondo da un umano.

Per quanto riguarda l’AI, i modelli antifrode spesso vengono eseguiti insieme ai modelli di rischio di credito nei sistemi usati per autorizzare automaticamente i prestiti. Si completano a vicenda perché mirano a prevedere il default per ragioni diverse.

Sia il rilevamento delle frodi sia la valutazione del rischio di credito riguardano l’acquisizione di nuovi clienti. Quelli giusti. Una volta acquisiti, le banche affrontano un altro problema: come trattenerli? Le prossime due sezioni esploreranno alcuni dei modi in cui l’AI può aiutare.

Churn dei clienti

Le banche usano strategie simili basate sull’AI per prevedere se un cliente se ne andrà. Potrebbe significare chiudere il conto o cambiare fornitore del mutuo. Potrebbero anche ridurre l’operatività senza andarsene, eliminando un fido, cancellando una carta di credito o trasferendo una grossa somma a un’altra banca.

Le banche vogliono intervenire prima che questi eventi accadano. Cercheranno di convincere i clienti insoddisfatti con tassi di interesse più bassi, sconti o altri vantaggi speciali. Molto di questo può essere completamente automatizzato.

Le banche usano modelli per prevedere se una persona o un’azienda probabilmente salterà pagamenti futuri (cioè andrà in arretrato) o andrà completamente in default. Anche in questo caso, la banca vorrà intervenire prima che accada. Potrebbe offrire consulenza finanziaria o l’opportunità di ristrutturare il debito. Anche un semplice messaggio automatico che ricorda i pagamenti futuri può essere efficace.

Assistenza clienti e chatbot

Un’altra area in cui l’automazione può aiutare è quando i clienti cercano attivamente supporto dalla banca. Potrebbero aver bisogno di consigli per aprire un conto di risparmio o effettuare pagamenti online. Molte di queste richieste sono ripetitive e un chatbot basato su AI può gestirle. Può fornire risposte più rapide e lasciare i compiti più complessi agli umani.

È anche un’area in cui si possono applicare le AI più avanzate. Molte aziende stanno aggiornando i loro chatbot per usare LLM e AI generativa. Questi potenti modelli hanno potenziato i chatbot delle banche, permettendo loro di gestire richieste più complesse e persino fornire consigli personalizzati. Tuttavia, su quest’ultimo aspetto dovremmo essere cauti. C’entra con l’ambiente altamente regolamentato in cui operano le banche.

Sfide dell’AI nel banking

Le vere sfide affrontate dall’AI nel banking spesso non sono tecniche. I problemi relativi alla gestione dei dati e allo sviluppo dei modelli sono stati in gran parte risolti. Le difficoltà nell’adozione di metodi di AI avanzati derivano dall’ambiente in cui operano le banche, da procedure consolidate e da una bassa tolleranza al rischio.

Regolamentazione, spiegabilità e trasparenza

Dalla crisi finanziaria del 2008, diciamo che alle banche non è più concessa molta libertà decisionale. Affrontano un ambiente normativo molto più rigido che determina l’ammontare da mantenere come riserve di capitale, il livello di rischio che possono assumere e persino i tipi di tecnologia che possono implementare. Quest’ultimo aspetto significa che solo alcuni tipi di modelli possono essere applicati a certi compiti. Ad esempio, le riserve di capitale potrebbero dover essere calcolate con un modello lineare e feature predefinite.

Spesso c’è la necessità di chiarire e giustificare il processo con cui si prendono decisioni di credito. Ciò significa spiegare a un regolatore come i modelli formulano previsioni. Sebbene questo non limiti necessariamente il tipo di modelli che possiamo usare, introduce resistenza. Come accennato, è uno dei motivi per cui si usano modelli lineari per il rischio di credito. Qualsiasi miglioramento prestazionale ottenuto con modelli non lineari viene compensato dall’onere maggiore di doverli spiegare.

Considera le riflessioni di Cynthia Rudin su questo tema:

Esistono altre applicazioni in cui ha senso usare metodi più avanzati. I modelli di churn dei clienti e i bot per l’assistenza clienti possono essere soggetti a una vigilanza regolatoria minore.

Per la previsione delle frodi, l’aumento delle performance fornisce una spinta sufficiente a svolgere il lavoro necessario per spiegare i modelli black box. In questo caso, dovrai usare metodi di AI spiegabile come SHAP per spiegare i tuoi modelli. È probabile che tu debba anche spiegare lo stesso metodo di AI spiegabile.

Se vuoi saperne di più su SHAP e sull’interpretabilità, dai un’occhiata a questa introduzione ai valori SHAP e a questo articolo sull’AI spiegabile.

Privacy e sicurezza dei dati

Le banche hanno accesso a dettagli intimi della tua vita. Immagina se qualcuno ottenesse ogni transazione che hai mai effettuato. Ogni negozio che hai visitato.

La sicurezza deve essere rigorosa per evitare violazioni dei dati. È anche uno dei motivi principali per cui le banche eviterebbero nuove tecnologie come gli LLM. Spesso l’uso di questi modelli richiede l’invio di dati a terze parti tramite la loro API. I rischi per la sicurezza superano semplicemente i potenziali benefici.

Allo stesso tempo, le banche devono essere consapevoli di come usano i loro dati. La normativa di cui abbiamo parlato finora si è concentrata sul rischio di credito. Le banche possono essere soggette ad altre regolamentazioni, come il GDPR, che limita quali dati raccolgono e come possono usarli.

Inoltre, l’AI Act dell’UE limiterà come può essere usata l’AI. Questo può influenzare le altre applicazioni discusse. Ad esempio, potrebbe non essere consentito usare i dati delle transazioni per proporre nuovi prodotti. Puoi saperne di più in questo articolo: Che cos’è l’EU AI Act? Una guida sintetica per i leader. 

Considerazioni etiche

Le decisioni prese dai modelli nel banking possono avere conseguenze serie. Potresti vederti negare un mutuo o un’impresa potrebbe non ottenere un prestito di cui ha disperato bisogno per sopravvivere.

È fondamentale che queste decisioni siano prese in modo equo e che non discriminino un determinato gruppo di persone. A seconda della banca, ciò può essere richiesto dalla legge o guidato dal desiderio di proteggere la reputazione.

L’automazione può ridurre le ingiustizie. Centralizzando le decisioni di credito e rendendole più trasparenti, possiamo mitigare l’impatto dei bias umani individuali. È quindi ancora più importante che i modelli che alimentano tali decisioni non siano ingiusti. Un modo per garantirlo è l’analisi dell’equità degli algoritmi. Questa valuta le performance del modello in base a variabili protette come genere, razza e paese di origine.

Un altro approccio all’equità comunemente adottato dalle banche è permettere al cliente di contestare una decisione automatizzata. Dovrebbe anche poter richiedere un riscontro sul perché sia stata presa una decisione. Ciò significa che, oltre ad auto-accetta e auto-rifiuta, i sistemi avranno una terza opzione—inoltro all’istruttore. Un umano valuterà perché è stata presa una decisione automatizzata e correggerà eventuali decisioni ingiuste.

Questo è un altro motivo per cui modelli lineari semplici possono essere preferiti in tutte le applicazioni. Come detto, sono intrinsecamente interpretabili. Essendo più facili da comprendere, possono essere analizzati criticamente da un gruppo più ampio di persone. Qualsiasi problema che possa portare a bias potenziali può essere individuato prima della messa in produzione di un modello.

La necessità di un aggiornamento continuo delle competenze

Come abbiamo visto, le sfide nell’applicazione dell’AI nel settore bancario sono numerose, dalla conformità normativa e l’interpretabilità dei modelli fino alla privacy dei dati e alle considerazioni etiche. Queste complessità sottolineano la necessità che i team finance non solo conoscano AI e data science, ma siano in grado di applicarle in modo responsabile ed efficace.

Per orientarsi in questo panorama in evoluzione, l’upskilling continuo è essenziale. Assicurare che il tuo team finance disponga delle conoscenze più aggiornate in data science e AI non è solo un vantaggio: è un requisito per restare competitivi. È qui che entrano in gioco piattaforme come DataCamp for Business. Offrendo risorse formative complete in data science, machine learning e AI, DataCamp for Business fornisce gli strumenti di cui il tuo team ha bisogno per eccellere in un contesto data-driven. Con funzionalità come percorsi di apprendimento personalizzati e approfondimenti dettagliati sulle performance, puoi monitorare i progressi e adattare l’esperienza formativa ai tuoi obiettivi di business.

Investendo nell’upskilling, metti il tuo team nelle condizioni di affrontare di petto le sfide dell’AI nel banking, assicurandoti che sia pronto a implementare metodi avanzati nel rispetto dei rigorosi standard normativi ed etici del settore. Richiedi una demo oggi stesso per saperne di più. 

Il futuro dell’AI nel banking

Guardando al futuro dell’AI nel banking, dobbiamo riconoscere che i metodi avanzati avranno un ruolo significativo.

L’AI generativa è particolarmente importante. Sebbene possa essere rischioso applicare questi modelli in prodotti rivolti ai clienti, possono essere utili per sviluppare prodotti e modelli che poi saranno rivolti ai clienti. Non vengono usati per prevedere il rischio di credito, ma per aiutare a costruire i modelli di rischio di credito. Ciò è particolarmente vero se consideriamo la natura routinaria dei modelli che ci si aspetta di costruire in banca.

Molte banche faranno un passo oltre. Le banche, come tutte le organizzazioni, hanno molta documentazione interna. Questo può includere tutta la governance aziendale, analisi storiche e procedure di modellazione. Sistemi RAG, basati su LLM, possono trasformare questo tesoro di informazioni in un database ricercabile e in un chatbot interno. Puoi pensarli come un collega disponibile che sa tutto sulla banca ed è pronto ad aiutarti a metterti in pari.

Alcune aziende potrebbero persino accettare il rischio di usare LLM in prodotti rivolti ai clienti. Questi potrebbero automatizzare cose come i consigli finanziari ai clienti basati sui loro dati bancari. Tuttavia, le allucinazioni, unite alla gravità di consigli errati, probabilmente si riveleranno troppo rischiose per le banche consolidate. Almeno con l’attuale livello degli LLM.

Conclusione

Come data scientist che lavora nel settore bancario, è fondamentale imparare continuamente ma anche pensare in modo critico a come applicare le nuove tecnologie. Abbiamo discusso molte potenziali applicazioni, tra cui rischio di credito, frodi e churn dei clienti.

È importante essere al corrente delle nuove tecnologie, perché metodi di AI avanzati possono essere applicati in alcune di queste aree. Tuttavia, spesso scoprirai che una solida comprensione dei fondamenti di data science e machine learning è più importante.

Con la maturazione del settore, dovremo anche adottare una visione più olistica dell’AI. Le competenze in AI responsabile sono fondamentali in un mondo in cui il machine learning è sottoposto a una crescente attenzione e regolamentazione. Dobbiamo capire come interpretare i modelli, assicurarci che siano equi e che i dati sensibili siano protetti. Molte di queste sono nuove sfide che le banche devono affrontare, e dovremo adattarci se vogliamo adottare l’AI.

Se vuoi saperne di più sull’AI responsabile, dai un’occhiata a questo corso sull’etica dell’AI.