Be Bankers

Dalla fine degli anni ‘90, l’aumento della ca- pacità computazionale e dei dati disponibili ( big-data ) ha favorito la diffusione di un se- condo approccio basato su modelli che ap- prendono dai dati invece di operare secondo regole logiche: il machine learning . Le sue applicazioni tradizionali hanno trovato uno spazio naturale nel settore bancario, carat- terizzato da processi standardizzati e dati strutturati , vale a dire codificati e organizzati in formato tabellare. In ambiti come il credit scoring e la rilevazione di frodi e anomalie comportamentali, per citare alcuni esempi, queste tecniche hanno spesso superato i me- todi precedenti, offrendo prestazioni predit- tive superiori grazie alla capacità di rilevare autonomamente pattern complessi dai dati. Tuttavia, i modelli così sviluppati presentano criteri decisionali opachi e restano applicabili a perimetri ben definiti. Una delle evoluzioni più potenti del machine learning è il deep learning basato su reti neu- rali artificiali, che ha visto un’accelerazione significativa nello scorso decennio grazie all’innovativo utilizzo di processori grafici per gestire elevati volumi di calcolo in paral- lelo. Queste tecniche, efficaci anche su dati non strutturati , come testi, audio o immagi- ni, sono alla base della nuova generazione di AI, quella generativa . I suoi modelli non si limitano a classificare o predire, ma pro- ducono contenuti originali, quali elaborati testuali, codici informatici o rappresentazioni grafiche, simulando con sorprendente effi- cacia alcuni tratti della creatività umana. In ambito bancario, promettono di affiancare il personale nelle attività operative e rendere più efficienti le interazioni con i clienti, ma pongono anche nuove sfide. Se non imple- mentate correttamente, ad esempio, queste tecniche possono generare esiti verosimilima errati, detti allucinazioni . Inoltre, quando im- piegate con finalità illecite, la loro capacità di generare contenuti vocali e visivi altamente realistici può compromettere i più recenti pro- tocolli d’identificazione biometrica. Ciascuna delle tecniche di AI descritte ha punti di forza e limiti specifici che determi- nano una naturale complementarità tra que- sti in contesti applicativi avanzati. La loro efficacia, infatti, aumenta significativamente quando vengono integrate per creare agenti intelligenti: applicazioni capaci di pianificare azioni per raggiungere un obiettivo, utiliz- zare risorse esterne, come dati o applicativi, e coordinarsi con altri agenti . Grazie ai mo- delli di AI generativa , che permettono loro di trattare dati non strutturati , comprendere il linguaggio naturale e interagire con stru- menti digitali esistenti senza necessità d’in- tegrazioni ad hoc, questi agenti possono oggi operare in modo più flessibile e autonomo. Nel settore bancario, tali capacità abilitano nuovi scenari di applicazione che vanno ben oltre l’ottimizzazione di attività ripetitive e prospettano di poter intervenire su processi più complessi, che richiedono la capacità di adattarsi al contesto e di articolare decisioni su più livelli. L’esperienza cliente è stata uno dei primi ambiti ad accogliere applicazioni concrete delle più recenti tecnologie di AI. Gli agenti L’AI trasforma il settore bancario, facendo evolvere gli strumenti automatizzati in agenti intelligenti per processi complessi . DOSSIER BE | AI 92 B E | B AN K E R S