Przezwyciężanie fragmentacji danych i ograniczeń sztucznej inteligencji w rentowności transakcji

Na dedykowanej sesji FF News Virtual Arena eksperci branżowi zgromadzili się, aby omówić krytyczne wąskie gardło w operacjach bankowych: w jaki sposób fragmentacja danych i przestarzała architektura bezpośrednio powodują, że instytucje finansowe tracą rentowność w swoich przepływach transakcyjnych.

W dyskusji udział wzięli:

• Ian Horne, prowadzący w FF News

• Mariia Komissarova, Data and AI Retail Business Lead w Raiffeisen Bank International

• Breno Alves De Oliveira, Chief Product Officer w PAYABL

• Kirill Lisitsyn, współzałożyciel i CEO w Torus

Panel zbadał ukryte koszty operacyjne niewykorzystanych zbiorów danych, ograniczenia niedeterministycznej sztucznej inteligencji oraz strategie, które instytucje finansowe muszą wdrożyć, aby przekształcić surowe dane w podstawowy fundament przetrwania na rynku.

Źródło utraty zysku: przestarzałe systemy i bariery w zakresie danych strukturalnych

Dla wielopokoleniowych instytucji finansowych działających na rynku, takich jak Raiffeisen Bank International, przestarzała infrastruktura stanowi główną wewnętrzną barierę optymalizacji. Mariia Komissarova wyjaśniła, że kluczowe wyzwanie powodujące utratę rentowności banków w przepływach transakcyjnych ma fundamentalnie charakter problemu z danymi.

Ponieważ historyczne aplikacje bankowe działają w oddzielnych silosach, gromadzenie i strukturyzowanie korporacyjnych danych transakcyjnych w przejrzystym, uporządkowanym formacie jest wyjątkowo trudne. Bez ustrukturyzowanych ram obliczenie dokładnej rentowności pojedynczej transakcji finansowej pozostaje praktycznie niemożliwe.

Ten problem wynika z historycznego zarządzania danymi i braku wdrożenia nowoczesnych ram. Zaawansowane paradygmaty organizacyjne, takie jak koncepcja „data mesh", pojawiły się na rynku, ale nadal są słabo rozpowszechnione w dużych przedsiębiorstwach bankowych.

W miarę jak globalny sektor finansowy przechodzi przez rozległe transformacje AI w zakresie weryfikacji tożsamości i przetwarzania transakcji, rozwiązanie tej warstwy danych nie jest już luksusem. Ustanowienie czystych podstaw danych stało się bezwzględnym wymogiem długoterminowego przetrwania korporacyjnego.

Ukryta siatka kosztów masowego pozyskiwania danych

Częstą pułapką dla przestarzałych instytucji jest założenie, że gromadzenie większych wolumenów danych naturalnie generuje wyższą wartość biznesową. Pięć do siedmiu lat temu tradycyjne podręczniki branżowe koncentrowały się na zbieraniu jak największej liczby różnorodnych punktów danych, w tym na przesyłaniu danych z sieci społecznościowych na serwery korporacyjne.

Nowoczesny ekosystem transakcyjny wyrósł ponad to myślenie. Instytucje finansowe odkrywają, że samo przechowywanie i utrzymywanie ogromnych ilości nieustrukturyzowanych informacji generuje olbrzymie koszty serwerów i inżynierii danych.

„Ta ilość danych, duża ilość danych do ich gromadzenia i przechowywania, jest dość kosztowna, a jeśli nie wykorzystasz ich w praktyce, zaczynasz przegrywać w tej grze cenowej…"

Gdy firma ponosi wysokie koszty operacyjne przechowywania bez aktywnego wydobywania wartości komercyjnej z tych danych, wypada w tyle w konkurencyjnej grze cenowej. Nie może oferować optymalnych stawek swoim sprzedawcom, ponieważ jej podstawowe koszty infrastruktury są sztucznie zawyżone.

Jak podkreślił Kirill Lisitsyn, nowoczesna strategia danych musi skupiać się przede wszystkim na wydobywaniu rzeczywistej wartości z istniejących zasobów danych. Dopiero gdy zostanie ustanowiony wyraźny przypadek użycia biznesowego, instytucja powinna inwestować kapitał w pozyskiwanie dodatkowych strumieni danych, unikając tym samym niepotrzebnych przeszkód operacyjnych i akumulacji kosztów.

Pułapka niedeterministyczna: dlaczego LLM nie mogą naprawić złych danych

Gdy instytucje pracują nad ujednoliceniem starszych systemów, które posługują się zupełnie różnymi językami oprogramowania i wykorzystują niestandardowe formaty danych, wiele z nich zwraca się do Sztucznej Inteligencji i Dużych Modeli Językowych (LLM), aby zautomatyzować transformację kodu i danych. Breno Alves De Oliveira zauważył, że firmy fintech doskonale radzą sobie z przetwarzaniem złożonych danych i reorganizowaniem ich w łatwo przyswajalne formaty – proces ten jest znacznie przyspieszany przez narzędzia AI.

Jednak Komissarova wystosowała poważne ostrzeżenie techniczne dotyczące nadmiernego polegania na algorytmach generatywnych w podstawowej infrastrukturze transakcyjnej. LLM są z natury niedeterministyczne, co oznacza, że ich wyniki są oparte na prawdopodobieństwie, a nie bezwzględne, narażając je na systemowe ryzyko algorytmicznych halucynacji.

W świecie transakcji, gdzie błędy bezpośrednio wpływają na księgi finansowe, zejście poniżej całkowitej precyzji jest niedopuszczalne. Podawanie niedokładnych lub nieustrukturyzowanych danych do LLM znacznie zwiększa prawdopodobieństwo generowania nieprawidłowych obliczeń, co może kosztować instytucje finansowe miliony dolarów.

Panel zgodził się, że nie istnieje technologiczne panaceum; firmy nie mogą po prostu wrzucać nieuporządkowanych zbiorów danych do modelu generatywnego i oczekiwać bezbłędnej logiki biznesowej. Budowanie niezawodnej warstwy danych wymaga zdyscyplinowanej inwestycji czasu i kapitału, a także wykwalifikowanych wewnętrznych specjalistów, którzy potrafią prawidłowo ustrukturyzować potok danych.

Równoważenie równania: deterministyczny rdzeń hybrydowy

Aby bezpiecznie wykorzystać szybkość nowoczesnej AI bez poświęcania absolutnej dokładności finansowej, paneliści zaproponowali hybrydową architekturę strukturalną. Model ten równoważy deterministyczne silniki przetwarzające z elastycznymi interfejsami językowymi, aby ułatwić przepływ pracy użytkownika końcowego:

• Deterministyczny fundament: Podstawowa warstwa danych musi pozostać ściśle deterministyczna. Wyspecjalizowane platformy inteligencji, takie jak Torus, celowo budują swoją logikę zaplecza, skupiając się na całkowitej dokładności matematycznej, a nie na modelu „80% prawdopodobieństwa", zapewniając, że opłaty schematu i rekordy transakcji są perfekcyjnie uzgodnione.

• Interfejs konwersacyjny: Po ustanowieniu bazowego poziomu zweryfikowanej integralności danych, instytucje mogą nakładać LLM na wierzch, aby interpretować dane, upraszczając interakcje użytkowników i przyspieszając zadania analityczne.

Ten ustrukturyzowany fundament pozwala instytucjom wykorzystywać koncepcje takie jak jeziora danych do formułowania i testowania hipotez komercyjnych. Historycznie odkrycie trendu przetwarzania lub ocena zmiennej cenowej wymagały ogromnych ręcznych zapytań do baz danych.

Dzięki ujednoliconemu rdzeniowi hybrydowemu zespoły produktowe mogą szybko testować hipotezy, aby ocenić prawdopodobieństwo ich sukcesu. Ostatecznie framework ten umożliwia bankom jednoczesną analizę wewnętrznych statystyk, krajobrazu konkurencji i makro przesunięć rynkowych. To podejście oparte na danych kieruje ukierunkowanymi dostosowaniami w przepływach konwersji, routingu transakcji i doświadczeniach produktowych, przekształcając niezbędne inwestycje kapitałowe w przewidywalne czynniki rentowności korporacyjnej.

Kluczowe wnioski z panelu Virtual Arena:

• Wąskie gardło struktury danych: Gromadzenie danych w starszych systemach wykorzystujących różne formaty sprawia, że dokładne śledzenie rentowności transakcji jest wysoce złożone.

• Wysoki koszt stagnacji danych: Przechowywanie masowych ilości danych bez wyraźnych przypadków użycia zawyża koszty operacyjne, czyniąc banki mniej konkurencyjnymi w wycenie dla sprzedawców.

• Wartość ponad wolumen: Nowoczesna inteligencja danych priorytetyzuje wydobywanie maksymalnej użyteczności z istniejących zasobów przed zakupem zewnętrznych strumieni danych.

• Niebezpieczeństwo niedeterministycznej AI: Ponieważ generatywne modele AI są oparte na prawdopodobieństwie, używanie ich na nieustrukturyzowanych danych podstawowych stwarza ryzyko błędów w obliczeniach finansowych.

• Plan hybrydowego systemu: Skuteczne architektury łączą w 100% dokładną, deterministyczną warstwę danych z konwersacyjnymi narzędziami LLM na wierzchu do interpretacji przez użytkownika.

• Innowacja oparta na hipotezach: Przeprojektowanie podstawowych frameworków danych pozwala zespołom szybko walidować zmiany w przetwarzaniu, ograniczając ryzyko inwestycji kapitałowych.

Wpis Overcoming Data Fragmentation and the Limits of AI in Transaction Profitability pojawił się po raz pierwszy na FF News | Fintech Finance.