バンキングにおける AI

バンキングにおける人工知能 (AI) と機械学習 (ML) の次の時代では、間違いなく顧客サービスと業務効率が向上するでしょう。AI を活用した顧客サービスとアドバイザリーの洗練度が向上し、より複雑なシナリオに対処できるようになります。

運用面では、AI の不正行為の検出能力が向上することで金融犯罪の防止が強化され、また、より高度なモデリングを通じて融資決済も強化されます。さらに、AI はデータ入力のような日常的なタスクの自動化を進め、バックオフィス業務の効率化に貢献するでしょう。

Red Hat のバンキングリソースについて詳しく

しかし、バンキングにおける AI の導入を拡大するには、製品、データ、コンプライアンス、運用、人材の獲得とトレーニングに関連するハードルなど、多くの課題があります。

この記事では、AI と ML を活用したバンキングの未来はどのようなものになるのか、そこに到達するための課題、それらの課題に対処するために必要となる重要な機能について説明します。

エンタープライズにおける AI とは

AI は、銀行の運営方法を包括的かつ根本的に再構築する可能性を秘めています。ここでは、銀行の 4 つの主要分野と、それらが現在および開発途上の AI テクノロジーによってどのような影響を受ける可能性があるかを示します。

マーケティングとセールスにおける AI

• 顧客の獲得：より効果的なターゲティングと予測分析を通じて顧客の獲得を促進し、潜在的な顧客をより効率的に特定できます。
• 顧客のオンボーディング：消費者、ビジネス、企業のオンボーディングプロセスが、困難なシナリオでも完全に自動化され、銀行の新規顧客にとってより迅速で使いやすいものになります。
• 顧客ロイヤルティ：よりパーソナライズされた製品やサービスによって顧客ロイヤルティが強化され、顧客満足度や顧客維持率が向上します。

運用とサービスにおける AI

• アドバイザリー： 財務上のアドバイスは、よりインテリジェントで状況の変化に適応できるものになります。
• 処理：バンキングにおける例外処理が高速化され、待ち時間が短縮し、運用効率が向上します。
• サポート：AI を活用したアシスタントが、顧客からの難しい問い合わせや問題を効率的かつ効果的に処理します。

AI の運用化について詳しく見る

リスクとリスク評価における AI

• モデリング：大規模なデータセットの分析において、バンキングにおけるリスクモデリングはより堅牢かつ動的になり、金融リスクを正確に予測し軽減することができます。
• 債権回収：分析を改善し、最も効果的な返済方法を決定することで、債権回収戦略を最適化することができます。
• 金融犯罪防止：AI は、パターン認識を使用して不審な取引を特定し、誤検知を減らすことで、金融犯罪をより適切に検出することができます。

財務と会計における AI

• レポート作成：バンキングにおける財務レポート作成が最適化され、データの編集と分析の自動化によって、より正確でタイムリーなレポートを作成できます。さらに、AI エージェントがレポートを処理することで、機密データに接触する人間の数が少なくなります。

AI テクノロジーに適応するには、技術的な調整だけでなく、顧客の期待や組織の慣行における変化も必要になります。銀行が組織内での統合を深めようとする場合には、発生し得る課題を認識し、それらを克服する準備を整えておくことが重要です。

製品

• 顧客による導入：バンキングで AI ベースのサービスを使用するよう顧客を説得するのは難しい場合があります。一部の顧客は透明性と説明可能性を重要視しており、バンキングのニーズを満たすために AI を信頼することには抵抗があるかもしれません。

データ

• 品質：高品質のデータは、バンキングにおける AI の前提条件です。銀行は、分散したデータ、不完全なデータ、または低品質のデータに関する問題に直面することが多く、効果的な AI モデルの開発に課題が生じています。
• レガシーシステム：多くの銀行は、先進的な AI テクノロジーとの両立が容易ではないレガシーシステムで業務を運営しています。これらのレガシーシステムに AI を統合するにはコストと時間がかかり、作業が複雑になる可能性があります。

コンプライアンス

• 説明可能性：ディープラーニングを使用した AI アルゴリズムは複雑なので、AI の決定がどのように行われたのかを説明することが難しい場合があります。これは、透明性が求められる規制当局にとっては懸念事項です。
• プライバシー：銀行は機密性の高い顧客データを扱うため、AI システムはデータのプライバシーとセキュリティを確保する必要があります。これには、金融業界で常に懸念されているデータ汚染からの保護が含まれます。
• 責任ある使用：顧客プロファイリングや融資決済などの分野で AI を使用すると、公平性、差別、プライバシーに関する倫理上の懸念が生じる可能性があります。これらの懸念に対処することは、導入を成功させるために不可欠です。

インフラストラクチャおよび運用

• スケーラビリティ：ビジネスアプリケーションや業務運営を含め、銀行の組織全体で AI の導入を拡大することは、特に変化のペースが加速し続ける状況では大きな課題です。
• コスト：バンキングにおける AI の初期投資とメンテナンスコストは高額になる可能性があり、有益な投資対効果 (ROI) が得られるという明確な根拠がなければ導入が躊躇されることがあります。

人材

• 人材の獲得：銀行は、データサイエンスと銀行業務の両方を熟知した AI 専門家の不足に直面しています。
• 従業員による導入：銀行組織内の AI への抵抗は、失職や雇用の確保に対する懸念や AI のメリットに関する理解の欠如から生じることがあります。

AI ワークロードの大規模なデプロイが成功するかどうかは、各構成要素がどれだけ効率的かつ効果的に連携するかによって決まります。具体的には、エンタープライズの AI ワークロードを拡張するには、より大規模な AI モデル (LLM など) やより複雑な推論機能をサポートできる推論サーバーが不可欠です。

次の AI ツールにより、リソースをより効率的に使用して迅速にスケーリングすることができます。 

• llm-d：LLM のプロンプトは複雑なものになることもあれば、バリエーションもさまざまです。大量のデータを処理するためには、通常、大規模なコンピュートリソースとストレージが必要です。llm-d などのオープンソースの AI フレームワークにより、開発者は分散推論などの手法を使用して、LLM のような複雑で大規模な推論モデルに対する需要の増加に対応できます。
• 分散推論：分散推論では、相互接続されたデバイスのグループに対して推論の労力が分割されるため、AI モデルでワークロードをより効率的に処理できます。これは、「人手が多ければ仕事は楽になる」ということわざどおりのソフトウェアです。
• vLLM：vLLM とは、仮想大規模言語モデルの略で、vLLM コミュニティによって維持管理されているオープンソースコードのライブラリです。vLLM は大規模言語モデル (LLM) がより効率的かつ大規模に計算を行う上で役立ちます。

これらのツールや機能が組み込まれた Red Hat AI は、お客様による AI の大規模な活用を支援します。その詳細をご覧ください。

Red Hat AI の詳細

銀行が AI を効果的に使用するには、特定の重要な機能が不可欠です。

これは、トレーニングやデータ管理などの技術的側面から、ガバナンスや人材獲得などの組織的要素まで多岐にわたります。このセクションでは、これらの主要な機能について詳しく説明し、銀行が AI テクノロジーをうまく導入し、その恩恵を受けるために何が必要かを概説します。これらの機能をどれだけ理解し展開できるかによって、銀行全体での AI 拡張の効果と効率が大きく変わる可能性があります。

トレーニングとチューニング

バンキングにおいて AI を効果的に使用するには、堅牢な基盤モデルと、新しいモデルを開発する能力が必要です。これには、必要に応じてアクセスし変更できる基盤モデルのリポジトリが必要になります。さらに、これらのモデルをトレーニングするための運用環境は、すぐに利用でき、簡単に設定できるものでなければなりません。これにより、組織は AI モデルのトレーニングとチューニングを効率的に実施し、変化するデータや市場状況に対応することができます。

AI モデルのトレーニングとチューニングにおけるこのアジリティは、銀行が競争力を維持し、進化する顧客のニーズや規制環境に対応するために非常に重要です。

データ

バンキングにおける AI の場合、データのクリーニング、データへのアクセス、データの保存を効果的に行うためのメカニズムを備えていることが重要です。データストアには容易にアクセスできることが必要であり、また、データのセキュリティとプライバシーを維持するために適切な権限設定も必要になります。高品質でクリーンなデータにアクセスできることは、正確で信頼性の高い AI モデルをトレーニングするための鍵となります。

これまで、データサイエンティストがデータを利用できるようにするには手間がかかっていました。銀行は、多様な分析ニーズに応えるために、データウェアハウスの従来の分析機能とデータレイクの柔軟性を両立する必要があります。この二重のアプローチによって構造化データ分析と非構造化データ分析の両方が可能になります。これは、バンキングにおける包括的な AI アプリケーションに不可欠です。

ガバナンス

バンキングにおける AI ガバナンスではデータ管理が不可欠であり、明確なデータソーシングとモデルの系統を確立することが重要です。これには、AI モデルのトレーニングのためのデータ収集方法および使用方法に関する透明性の維持が含まれます。さらに、特に金融部門の規制要件を考慮すると、公平性、説明可能性、コンプライアンスを確保するためにモデルのファクトを文書化することが重要です。

モデルのバイアスとドリフトの監視も、モデルのリスク管理に含まれる重要な機能です。銀行は、不正確さや偏りを防ぐために、AI モデルを継続的に評価し調整しなければなりません。AI の使用におけるコンプライアンスと透明性を維持するには、定期的な監査と規制当局への報告も必要です。

運用

バンキングにおける AI の運用面では、機械学習運用 (MLOps) を組み込むことが重要です。MLOps には AI モデルの管理と継続的な改善が含まれており、長期にわたって AI モデルの効果と正確性を維持するのに役立ちます。これには、スケーラブルかつ効率的な方法での AI モデルのデプロイ、監視、保守が含まれます。

MLOps は、データサイエンティストから IT プロフェッショナルまで、さまざまなチームが関与する AI 開発の協業の側面にも対応します。このコラボレーションは、AI モデルが技術的に適切であるだけでなく、銀行のビジネス目標やコンプライアンス基準に沿っていることを確認するのに役立ちます。

提供

AI をアプリケーションと統合して AI 主導のサービスを提供する機能は、バンキングの基本です。これには、AI モデルを既存のバンキング・アプリケーションと組み合わせて、顧客体験と業務効率を向上させることが含まれます。たとえば、顧客サービスアプリケーションに AI を統合すると、よりパーソナライズされた効率的なサービスを提供できます。

マイクロサービス・アーキテクチャの活用は、スピードアップ、市場投入時間の短縮、コスト削減に役立ちます。マイクロサービスによってアプリケーションのモジュール開発が可能になり、AI の統合が容易になり、市場の変化や新しい規制要件に応じてサービスを迅速に更新することができます。

拡張性

バンキングにおける AI テクノロジーは、オープンソース・コミュニティによって推進されることが多い急速な進歩に遅れずに適応できなければなりません。新しいテクノロジー、パートナー、パッケージを迅速に組み込む能力は、競争力を維持するための鍵となります。

この拡張性は、バンキング AI のシステムが将来の統合を念頭に置いて設計されるべきであることも意味しています。AI の進化に伴い、銀行は新しい手法やテクノロジーを導入してサービスと業務運営を継続的に強化できる必要があります。そのためには、柔軟なプラットフォームと、継続的な学習と適応を受け入れる組織文化が必要です。

バンキングにおける AI の統合を進めるには、必要な機能を理解するだけでなく、この取り組みを促進する適切なパートナーとツールを見つける必要があります。Red Hat はこの分野の主要なプレーヤーとして台頭し、バンキングにおける AI の固有のニーズに合わせたソリューションを提供しています。

Red Hat AI は、AI 導入の初期段階にある企業から、AI を拡張する準備ができている企業まで、AI 導入のあらゆる段階で役立つ製品およびサービスのプラットフォームです。企業独自のユースケースに応じて、生成 AI および予測型 AI のいずれの取り組みもサポート可能です。

Red Hat AI を使用すると、Red Hat® AI Inference Server にアクセスしてハイブリッドクラウド全体でモデル推論を最適化し、より迅速でコスト効率の高いデプロイメントを実現できます。vLLM を搭載した推論サーバーは、GPU の使用率を最大化し、応答時間を短縮します。

Red Hat AI Inference Server の詳細を見る

Red Hat AI Inference Server には Red Hat AI リポジトリが含まれています。これは、サードパーティによって検証および最適化されたモデルのコレクションであり、モデルの柔軟性を実現し、チーム間の一貫性を促進します。サードパーティのモデルリポジトリにアクセスすることで、企業は市場投入時間を短縮し、AI の成功に対する財務上の障壁を減らすことができます。 

Red Hat AI による検証済みモデルの詳細を見る