UOB e Standard Chartered adottano un approccio governato all’IA
Per superare la frammentazione dei dati e integrare l’IA nelle operazioni bancarie quotidiane, entrambe le banche hanno dovuto conciliare innovazione e vincoli normativi. Stanno perseguendo l’IA per ridurre le inefficienze e estrarre valore dai dati, ma nessuna delle due potrebbe farlo senza prima affrontare requisiti di governance, scalabilità e conformità.
Affrontare la frammentazione dei dati
Il percorso di trasformazione dei dati di una delle banche è iniziato nel 2015 con il lancio di un programma di architettura e governance dei dati. All’epoca, la banca affrontava diverse sfide, tra cui fonti di dati frammentate, l’assenza di una strategia coerente e una bassa alfabetizzazione dei dati all’interno dell’organizzazione.
La scalabilità si è rivelata anch’essa una sfida, con una crescita esponenziale dei dati provenienti da transazioni digitali. Le piattaforme legacy sono diventate lente e costose, ostacolando l’adozione di tecnologie avanzate come l’IA.
Piattaforme di governance
L’altra banca necessitava di una piattaforma che potesse centralizzare la governance senza compromettere i requisiti normativi e di sicurezza. Era fondamentale avere controlli di governance come la tracciabilità dei dati e l’applicazione delle politiche.
Queste qualità consentono di rispettare elevati livelli di governance dei dati e sicurezza dell’IA, considerati fondamentali per la strategia dell’IA.
Preparazione al dispiegamento
Prima di poter implementare casi d’uso di IA generativa, la banca ha dovuto affrontare due sfide: garantire che i dati fossero pronti per l’IA e potessero essere elaborati in modo affidabile, e mantenere l’accesso a capacità computazionali sufficienti.
Collaborando con un partner tecnologico, sono stati affrontati questi problemi, permettendo ai team interni di operare in modo più efficace e testare scenari in ambienti controllati.
Trasformazione aziendale
Dopo la partnership con il fornitore di tecnologia, la banca ha scalato diverse iniziative di IA negli anni, inclusi modelli di IA per l’ottimizzazione del portafoglio e l’engagement dei clienti. Queste soluzioni sono ora integrate nelle operazioni della banca e utilizzate per generare informazioni in tempo reale con risultati misurabili.
In particolare, è stata migliorata l’efficienza operativa, come dimostrato nell’ottimizzazione dei trasferimenti di denaro. I dati delle transazioni sono stati analizzati per costruire un modello predittivo che prevede le esigenze di cassa.
Inoltre, sono stati sviluppati indicatori comportamentali e modelli di apprendimento automatico per identificare attività e transazioni insolite, migliorando efficienza e accuratezza nel monitoraggio dei rischi.
Conclusione
Adottando una piattaforma governata, entrambe le banche sono state in grado di gestire, proteggere e analizzare i dati attraverso un’architettura centralizzata, consentendo l’operazionalizzazione dei casi d’uso di IA pur mantenendo la conformità a rigorosi standard normativi.
