ИИ & Сервис: как технологии улучшают сервис в fintech

Искусственный интеллект сегодня является одной из трендовых технологий, которую применяют в различных областях, в том числе в финтехе. По прогнозу PwC, к 2030 году благодаря ИИ ВВП в отдельных странах увеличится на 26%, а прирост глобальной экономики составит почти $16 трлн. Россия не стала исключением: только Сбер готов выделить на развитие ИИ $826 млрд до 2030 года.

Благодаря возросшему спросу на разработку и внедрение решений с элементами искусственного интеллекта, в 2024 году мы в SimbirSoft создали направление ИИ. Подразделение состоит из группы дата-инженеров, дата-аналитиков, специалистов по машинному обучению и других экспертов.

В этой статье рассмотрим, что может «умный» алгоритм, какие показатели растут при внедрении ИИ и в чем его использование дает преимущества. Материал будет полезен всем, кто внедряет или планирует внедрить подобные решения для увеличения финансовых показателей, роста числа клиентов или повышения качества предоставляемых услуг.

Для каких задач чаще всего применяют ИИ

Чтобы разобраться, какие преимущества может внести ИИ в обеспечение сервисности и улучшение качества предоставляемых услуг, рассмотрим общее применение технологии в разных областях:

• Автоматизация рутинных административных задач. Например, обработка, распознавание и форматирование документов.
• Повышение продуктивности специалистов за счет оптимизации рабочих процессов. Например, принятие решений на основе анализа большого объема данных в скоринговых компаниях.
• Ускорение техподдержки или оказания информационной поддержки клиентам при массовых сбоях в работе. Многие компании внедряют ИИ-помощников в службу техподдержки для быстрой помощи при различных технических сбоях.
• Снижение роли человеческого фактора в принятии решений. При принятии решений в финансовой сфере ИИ может анализировать множество факторов и на их основе давать рекомендации, например, по выбору акций или портфеля инвестиций. 

• Улучшение коммуникаций внутри компаний, включая преодоление языкового барьера. Такие решения могут включать синхронный перевод, а также помощь для работников с ограниченными возможностями.
• Контроль финансовых операций, обнаружение подозрительной активности. ИИ отлично умеет отслеживать активности и выявлять аномальное поведение пользователей, что помогает страховым и кредитным организациям оценивать риски и предотвращать мошеннические операции.
• Контроль за информационной безопасностью, обеспечение конфиденциальности данных. С помощью ИИ разрабатываются мощнейшие алгоритмы и протоколы шифрования. 

И это не предел!

На примере разработок для наших заказчиков рассмотрим, как ИИ повышал бизнес-метрики, лояльность клиентов и скорость работы с запросами, а также автоматизировал рутинные операции.

Кейс 1. Система для автоматизации в страховании

Все больше страховых компаний внедряют технологии ИИ в процесс согласования услуг в ДМС. 

Одной из важнейших целей внедрения новых технологий является полное сопровождение клиента — от возникновения страхового случая до его оплаты. При этом важно не только оценивать стоимость страхового случая, но и консультировать клиента о дальнейших действиях, держать связь с клиниками и контролировать его состояние.

Разработанное ИИ-решение выполняет следующие задачи:

• Выявляет нестраховые случаи
• Рекомендует процедуры из списка страхового обеспечения
• Делает прогноз самочувствия пациента через 30, 60 и 90 дней

Мы принимали в расчет возраст и пол пациента, поставленные ранее диагнозы, назначенные процедуры и историю обращений. Кроме этих статистических данных, нам потребовался перечень эпизодов, возникающих для каждого отдельного клиента, с указанием времени, типа услуги, вида лечения и т.д. Чтобы получить более точный прогноз, мы подошли к проблеме сразу с двух сторон. Часть информации, когда человек еще не был клиентом страховой, не попала в базу. Эти факты мы учли при цензурировании данных.

Результаты

После внедрения ИИ в систему медицинского страхования аналитики отметили рост показателей:

Скорость ответа на первичный запрос клиента увеличилась на 25%

Скорость и точность разбора страхового случая увеличилась на 45%

Точность выявления подозрительных случаев выросла на 30%         

Лояльность клиентов к страховой компании также повысилась, ведь виртуальный ассистент не только отвечал на вопросы пользователей, но и рекомендовал шаги по лечению и восстановлению здоровья, делал прогнозы по выздоровлению, а также быстро ориентировал в возможных дополнительных услугах.

Кейс 2. Распознавание для автоматизации бизнес-процессов в финтехе

Кредитование — вторая по популярности сфера для внедрения ИИ после страхования. Быстрая реакция банка при подаче заявки на кредитную услугу стала очень важной частью сервисного обслуживания.  Для одного из наших клиентов мы разработали модуль, позволяющий точно и быстро распознавать отправляемые документы в текстовом и графическом форматах.

Одно из преимуществ решения состояло в том, что он умел распознавать следующие аномалии:

• Плохое качество передачи данных
• Неполный пакет документов. Уведомление о неполном наборе документов приходило клиентам за считанные секунды после заполнения заявки
• Обрезанные или не распознаваемые данные (например, обрезанный номер паспорта)
• Избыточные данные

Также модуль унифицировал и обрабатывал изображения для последующего использования документов в оформлении заявки. Например, обрезал, корректировал контраст или уменьшал вес файла. 

Результаты

Модуль распознавания подаваемых документов с элементами ИИ позволил заказчику увеличить скорость приема заявок на 80%, а скорость возврата документов на доработку выросла на 50%.

Решение позволило клиентам банка получать быструю обратную связь, а сотрудники получили удобный инструмент для унификации документов. 

Резюме

Внедрение искусственного интеллекта и работа с большими данными во всех отраслях бизнеса — вопрос времени. Крупные компании уже занимаются обработкой данных и созданием алгоритмов. Например, банкам и страховым организациям жизненно важно своевременно оценивать риски и прогнозировать события, не говоря уже о самом распространенном использовании Data Science — создании персонализированных рекомендательных систем и повышении лояльности клиентов.

Между тем, для внедрения ИИ необходимо понимать важные проектные критерии:

• Наличие сильной разнообразной команды. Необходимо, чтобы в команде были самые разные специалисты: архитекторы, системные аналитики, дата-инженеры, эксперты по машинному обучению, инженеры по тестированию и другие. 
  При этом, безусловно, важно учитывать сложность и приблизительные этапы разработки системы с элементами ИИ: четкое определение целей и задач, тщательная выборка массива данных для обучения, правильно подобранный процесс обучения и тестирования, а также дальнейшая интеграция внутри систем, ввод в эксплуатацию и оценка достижения бизнес-целей. 
• Старт проекта по принципу MVP (минимального жизнеспособного продукта) для пошаговой проверки необходимых гипотез. Такая стратегия позволит проверить ценность приложения для бизнеса, оценить KPI, проанализировать и добавить необходимый объем данных, последовательно протестировать и обучить модель. Также MVP позволяет гибко планировать бюджет.
• Достаточное количество ресурсов на этап аннотации данных и в целом тщательное планирование бюджета с учетом возможного увеличения команды при расширении проекта. Аннотация данных — сложный процесс обработки большого количества информации для дальнейшего обучения ИИ. Это один из самых длительных этапов, который может повлиять на весь ход развития проекта. Именно поэтому команда должна быть готова уделять большое количество времени изучению наборов данных, написанию четких инструкций для разметки данных, а также иметь ограничения по времени и бюджету.   

Все эти пункты крайне важны для успеха. Больше кейсов по ИИ можно посмотреть тут.