Le banche utilizzano da più di mezzo secolo i modelli a punteggio per la gestione del rischio di credito, e i circuiti delle carte di credito impiegano da anni modelli di rilevamento delle frodi basati sul machine learning. Ciò che è cambiato è la copertura. I modelli di intelligenza artificiale (IA) gestiscono attualmente i dati non strutturati, generano output leggibili dagli esseri umani e operano su flussi di lavoro che in precedenza richiedevano il giudizio di professionisti esperti. L'IA nella tecnologia finanziaria, o Fintech, riguarda l'uso di modelli di machine learning, modelli linguistici di grandi dimensioni (LLM) e riconoscimento statistico di schemi come motore di prodotti, servizi e infrastrutture finanziarie. Questa trasformazione sta cambiando il modo in cui i prodotti finanziari vengono costruiti, valutati e distribuiti.

Di seguito analizzeremo i principali casi d'uso dell'IA nel Fintech, il ruolo dei pagamenti e del rilevamento delle frodi, nonché i vincoli in materia di dati, sicurezza e conformità normativa di cui tenere conto.

In evidenza

• L'IA nel Fintech comprende tre categorie distinte: modelli predittivi, modelli generativi e sistemi di automazione delle decisioni. Ogni modello viene costruito, valutato e regolamentato in modo diverso.

• Il rilevamento delle frodi è un'applicazione importante. I modelli di machine learning a livello di network possono identificare schemi fraudolenti coordinati che nessuna singola attività potrebbe individuare da sola.

• Il successo dell'adozione dell'IA nei servizi finanziari dipende dalla qualità dei dati, dalla struttura di governance e da una valutazione accurata dei casi in cui uno sviluppo proprietario genera un vantaggio competitivo.

Cos'è l'IA nel Fintech

L'IA nel Fintech riguarda un'ampia gamma di applicazioni, dai modelli di frodi che segnalano transazioni sospette sulle carte ai sistemi di valutazione del rischio in grado di stabilire il prezzo di un prestito senza richiedere una revisione umana. L'IA potenzia i sistemi finanziari aiutando gli istituti a prendere decisioni più rapide e accurate su vasta scala.

Funzionamento dell'IA nel Fintech

I dettagli tecnici variano in base all'applicazione, ma i sistemi IA nei servizi finanziari tendono a seguire un'architettura simile. Utilizzano modelli diversi per assegnare un punteggio o prevedere nuovi eventi in tempo reale.

Ecco tre esempi comuni.

Rilevamento delle frodi

Un fornitore di servizi di pagamento raccoglie i segnali delle transazioni come l'importo dell'acquisto, il codice della categoria di esercente, l'impronta del dispositivo, la località, la velocità della transazione e l'età dell'account. Questi segnali confluiscono in un modello addestrato su centinaia di milioni (o miliardi) di transazioni storiche, inclusi i casi di frode confermati. Il modello produce quindi un punteggio di rischio. Un motore decisionale utilizza quel punteggio per stabilire se approvare la transazione, rifiutarla o inoltrare la transazione per un esame manuale, in genere nella finestra di autorizzazione della carta.

Valutazione del credito

Gli istituti di credito combinano i dati delle agenzie di credito con altri segnali, come la cronologia di ogni transazione bancaria e il comportamento del mutuatario durante la procedura di richiesta. Modelli come le reti neurali stimano la probabilità di insolvenza di un mutuatario. Tale previsione determina l'approvazione e il prezzo dei prestiti.

LLM

Gli LLM possono essere utilizzati per automatizzare i flussi di lavoro che prevedono la lettura o la scrittura di testi. Nei servizi finanziari, possono aiutare con l'analisi dei documenti (richieste di prestiti, richieste di indennizzo assicurativo e documenti normativi), l'assistenza clienti e le ricerche interne. Poiché gli output degli LLM sono probabilistici e difficili da verificare, creano nuove problematiche negli ambienti regolamentati in cui sono necessarie l'interpretabilità e la responsabilizzazione.

Perché l'IA sta trasformando i servizi finanziari

Il settore dei servizi finanziari è particolarmente adatto al machine learning poiché combina grandi insiemi di dati con un flusso costante di decisioni. Ecco un'analisi più approfondita degli aspetti del settore che lo rendono adatto ai miglioramenti basati sull'IA:

• Densità dei dati: banche, istituti di credito e reti di pagamenti elaborano volumi enormi di transazioni, cronologie di conti e dati di mercato. Questa abbondanza strutturate di informazioni fornisce ai modelli di machine learning dati straordinariamente ricchi per l'addestramento.

• Volume delle decisioni: gli istituti finanziari prendono ogni giorno milioni di piccole decisioni, sia che si tratti di approvare transazioni, valutare prestiti, inoltrare richieste di indennizzo o monitorare le attività. Anche i piccoli miglioramenti nella precisione delle decisioni si traducono rapidamente in risparmi sui costi e guadagni in termini di ricavi.

• Efficienza: procedure come la valutazione del rischio per i mutui e la revisione delle richieste di indennizzo hanno storicamente richiesto un notevole lavoro manuale. I flussi di lavoro assistiti dall'IA possono ridurre al minimo i costi di manodopera e i tempi di conclusione.

• Prevenzione delle frodi: modelli migliori aiutano a ridurre i falsi positivi (meno transazioni legittime rifiutate) e i falsi negativi (meno transazioni fraudolente approvate). Ogni miglioramento influisce direttamente sui ricavi, sui costi dell'attività e sulla fiducia dei clienti.

• Dati non strutturati: i sistemi di automazione precedenti funzionavano bene con input strutturati come numeri e categorie. I nuovi modelli possono interpretare documenti, conversazioni e altri dati non strutturati, consentendo l'automazione in aree che in precedenza richiedevano il giudizio umano.

Casi d'uso principali dell'IA nel settore Fintech

In tutto il settore Fintech, l'IA tende a concentrarsi in alcuni domini dove i set di dati estesi e i volumi decisionali elevati rendono particolarmente preziosa l'automazione. Ecco alcuni dei principali casi d'uso.

Credito e valutazione del rischio

Il punteggio tradizionale del credito si affida molto ai dati delle agenzie, escludendo le persone "invisibili al credito" e offrendo servizi insufficienti ad altre con profili limitati. I modelli di IA addestrati su dati alternativi, come schemi di transazioni bancarie, pagamenti di affitti e registrazioni delle buste paga, possono ampliare l'accesso al credito mantenendo al contempo accurate previsioni dei rischi.

Prevenzione delle frodi

Il rilevamento delle frodi è una delle applicazioni più mature del machine learning nell'ambiente finanziario. I sistemi moderni identificano schemi come tentativi di usurpazione del conto, identità sintetiche e reti fraudolente coordinate, che le regole statiche potrebbero far fatica a rilevare.

Operazioni e assistenza alla clientela

Gli assistenti basati su LLM possono gestire molte interazioni di routine dei clienti, incluse interrogazioni sul conto, contestazioni di transazioni e indicazioni per l'attivazione. I sistemi più efficaci automatizzano le richieste più semplici e passano i casi difficili o sensibili agli operatori umani.

Conformità alle normative

Il monitoraggio AML (antiriciclaggio) genera un numero elevato di avvisi, molti dei quali sono falsi positivi. I modelli di machine learning possono aiutare a distinguere le attività realmente sospette dai comportamenti insoliti ma legittimi, riducendo in tal modo il carico di lavoro delle indagini. L'IA può anche accelerare le procedure di adeguata verifica della clientela (KYC) estraendo dai documenti i dati dell'identità.

Analisi di mercato e gestione dei rischi

L'IA espande le funzionalità dei modelli quantitativi analizzando informazioni non strutturate, come teleconferenze sui guadagni, notizie, immagini satellitari e dati aggregati delle transazioni. Queste possono fornire segnali aggiuntivi per il trading e il monitoraggio dei rischi.

Come applicare l'IA a pagamenti, frodi e gestione dei rischi

I pagamenti, le frodi e la gestione dei rischi sono alcuni degli aspetti che richiedono più lavoro e che hanno le conseguenze più importanti sui servizi finanziari. L'infrastruttura di pagamento impone ai sistemi IA alcuni dei requisiti più rigorosi in tempo reale e le frodi sono il costo più immediato di una decisione sbagliata.

Ecco a cosa dovrebbero prestare attenzione le attività quando usano l'IA per risolvere i problemi relativi a pagamenti, frodi e rischi.

Pagamenti e frodi

I modelli di frodi che determinano le decisioni di autorizzazione delle transazioni devono essere veloci e precisi. Rifiutare gli acquisti legittimi può essere frustrante per i clienti, ma non rilevare una frode può causare perdite finanziarie immediate. Strumenti come Stripe Radar utilizzano modelli di machine learning addestrati sui dati delle transazioni di vaste reti per assegnare un punteggio di rischio di frode a ogni transazione. Questo espone i modelli a schemi fraudolenti che nessuna singola attività potrebbe osservare da sola. I segnali possono aiutare a individuare una rete fraudolenta che attacca un'attività di una rete prima che si aggravi. Le attività possono personalizzare il comportamento degli strumenti con regole proprie applicate al modello di base, che viene continuamente aggiornato man mano che emergono nuovi schemi fraudolenti.

Credito e gestione dei rischi

I risultati del credito dipendono dal mutare delle condizioni economiche, dagli eventi nella vita del mutuatario e dall'incertezza intrinseca. L'IA non rimuove quell'incertezza, ma può estrarre segnali più predittivi dai dati disponibili. Questo consente una definizione dei prezzi più precisa, basata sul rischio. Tuttavia, poiché i modelli di credito imparano dai dati storici, se non sono controllati possono riprodurre deviazioni esistenti. Un'implementazione responsabile richiede dei test di equità, un'attenta selezione delle funzioni e un monitoraggio continuo per garantire che i modelli non svantaggino sistematicamente i gruppi tutelati.

Considerazioni su dati, sicurezza e normative per l'IA nei servizi finanziari

L'IA nei servizi finanziari collega diversi regimi e vincoli di conformità che si sovrappongono. L'implementazione e la conformità richiedono una profonda conoscenza del modo in cui si integrano questi elementi.

Considera i seguenti fattori:

• Privacy e conservazione dei dati: i dati finanziari sono altamente sensibili. Normative come il [Regolamento generale sulla protezione dei dati (GDPR)](https://www.europarl.europa.eu/RegData/etudes/STUD/2020/641530/EPRSSTU(2020) dell'UE (641530EN.pdf) conferiscono agli individui alcuni diritti relativi al processo decisionale automatizzato, che creano obblighi di interpretabilità e trasparenza per le decisioni sul credito o sulle assicurazioni basate sull'IA. Diversi stati degli Stati Uniti hanno proprie leggi sulla privacy con requisiti specifici.

• Interpretabilità dei modelli: le autorità di regolamentazione finanziaria chiedono spesso agli istituti di credito di spiegare ai richiedenti le decisioni negative. Questo è semplice con un sistema basato su regole, ma è più difficile con modelli di machine learning complessi.

• Gestione dei rischi basata su modelli: gli schemi come le linee guida SR 11-7 della US Federal Reserve richiedono agli istituti finanziari di convalidare i modelli, documentare le ipotesi e monitorarne le prestazioni nel tempo. I sistemi di IA sono soggetti agli stessi requisiti di supervisione dei modelli tradizionali.

• Sicurezza e rischio di attacchi: i sistemi di machine learning introducono nuove superfici di attacco. I soggetti fraudolenti potrebbero sondare i modelli di rilevamento delle frodi per scoprirne le debolezze, e altri potrebbero estrarre le informazioni dai modelli addestrati. La protezione dell'infrastruttura IA fa parte della più ampia sicurezza informatica dell'ambiente finanziario.

• Rischio dovuto ai fornitori: molti istituti finanziari concedono in licenza i modelli IA di fornitori terzi. Un'efficace gestione dei rischi richiede la comprensione del modo in cui i modelli sono stati addestrati, come vengono monitorati e quali tutele sono attuate in caso di errore.

La tua organizzazione è pronta ad adottare l'IA nei servizi finanziari?

Il successo nell'adozione dell'IA dipende in gran parte dalla qualità e dalla governance dei dati della tua organizzazione. Prima di iniziare, dovresti avere aspettative realistiche su come ti potrà aiutare e su come può essere applicata.

Ecco le fasi dell'adozione:

• Inizia con i dati: migliora l'infrastruttura dei dati. I sistemi IA sono affidabili tanto quanto i dati su cui sono addestrati. Transazioni etichettate in modo errato, record dei clienti frammentati o decisioni storiche distorte produrranno modelli difettosi.

• Stabilisci una governance: devi definire una responsabilità chiara per le prestazioni e la supervisione dei modelli. I team devono sapere chi monitora la deviazione dal modello, ne valuta l'equità e risponde quando i sistemi si comportano in modo imprevisto.

• Decidi se creare o acquistare: creare modelli proprietari ha senso quando un'azienda dispone di dati unici o esigenze particolari. Acquistare o ottenere in licenza i modelli è spesso più veloce quando il problema è comune e ben compreso.

• Prova prima un caso d'uso specifico: anziché tentare un'ampia trasformazione basata sull'IA, puoi iniziare con una singola procedura decisionale e volumi elevati, per cui disponi di dati storici chiari e metriche di successo. L'esecuzione parallela dei modelli insieme a flussi di lavoro esistenti aiuta a misurare le prestazioni e ad acquisire sicurezza.

• Utilizza l'infrastruttura esistente: l'infrastruttura di Stripe, che include Radar per le frodi e i segnali sui dati disponibili attraverso la sua API (Application Programming Interface), offre alle attività un punto di partenza che non richiede di creare tutto da zero. Ogni organizzazione deve decidere dove applicare l'IA e come gestirla e monitorarla, ma questo tipo di strumento può gestire pagamenti e frodi.

In che modo Stripe Payments può essere d'aiuto

Stripe Payments offre una soluzione di pagamento unificata e globale che aiuta ogni attività, dalle start-up in fase di espansione alle multinazionali, ad accettare pagamenti online, di persona e in tutto il mondo.

Con Stripe Payments puoi:

• Ottimizzare l'esperienza della procedura di pagamento: crea un'esperienza senza problemi per il cliente e risparmia migliaia di ore di progettazione con le interfacce utente predefinite, per accedere a oltre 125 metodi di pagamento e a Link, il wallet di Stripe.

• Espanderti più rapidamente in nuovi mercati: raggiungi i clienti di tutto il mondo e riduci le complessità e i costi della gestione multivaluta con opzioni di pagamento transfrontaliere, disponibili in 195 Paesi e in più di 135 valute.

• Unificare i pagamenti di persona e online: crea un'esperienza di commercio unificato su canali online e di persona per personalizzare le interazioni, premiare la fedeltà e aumentare i ricavi.

• Migliorare le prestazioni dei pagamenti: aumenta i ricavi con una gamma di strumenti di pagamento personalizzabili e facili da configurare, tra cui la protezione contro le frodi no-code e funzionalità avanzate per migliorare i tassi di autorizzazione.

• Muoverti più velocemente con una piattaforma flessibile e affidabile per la crescita: costruisci avendo come base una piattaforma progettata per crescere con te, con un'operatività storica del 99,999% e un'affidabilità leader nel settore.

Scopri di più come Stripe Payments può supportare i tuoi pagamenti online e di persona oppure inizia oggi stesso.