Подолання фрагментації даних та обмежень штучного інтелекту в прибутковості транзакцій

На спеціальній сесії FF News Virtual Arena галузеві фахівці зібралися, щоб обговорити критичне вузьке місце в банківських операціях: як фрагментація даних і застаріла архітектура безпосередньо призводять до того, що фінансові установи втрачають прибутковість у своїх транзакційних потоках.

У дискусії взяли участь:

• Іан Хорн, ведучий FF News

• Марія Комісарова, керівник напряму даних та ШІ в роздрібному бізнесі Raiffeisen Bank International

• Брено Алвес Де Олівейра, директор з продукту PAYABL

• Кирило Лісіцин, співзасновник і генеральний директор Torus

Панель дослідила приховані операційні витрати невикористаних масивів даних, обмеження недетермінованого штучного інтелекту та стратегії, які фінансові установи мають застосовувати для перетворення сирих даних на ключову основу для виживання на ринку.

Корінь витоку прибутку: застарілі системи та перешкоди структурованих даних

Для багатопоколінних фінансових установ на ринку, таких як Raiffeisen Bank International, застаріла інфраструктура є основним внутрішнім бар'єром для оптимізації. Марія Комісарова пояснила, що ключова проблема, яка змушує банки втрачати прибутковість у транзакційних потоках, — це, по суті, проблема даних.

Оскільки історичні банківські додатки функціонують у відокремлених силосах, збір і структурування корпоративних транзакційних даних у прозорому й організованому форматі є надзвичайно складним завданням. Без структурованої основи точний розрахунок прибутковості окремої фінансової транзакції залишається практично неможливим.

Ця проблема бере початок із застарілого управління даними та відсутності впровадження сучасних фреймворків. Передові організаційні парадигми, такі як концепція «data mesh», з'явилися на ринку, але досі погано поширені у великих банківських підприємствах.

Поки глобальний фінансовий сектор долає масштабні трансформації на основі ШІ у сфері верифікації особи та обробки транзакцій, вирішення проблеми на рівні даних більше не є розкішшю. Створення чистої основи даних перетворилося на абсолютну вимогу для довгострокового корпоративного виживання.

Прихована сітка витрат масового поглинання даних

Поширена пастка для застарілих установ — припущення, що збір більших обсягів даних автоматично приносить більшу бізнес-цінність. П'ять-сім років тому традиційні галузеві підходи були зосереджені на зборі якомога більшої кількості різноманітних точок даних, включно з передачею даних із соціальних мереж на корпоративні сервери.

Сучасна транзакційна екосистема переросла це мислення. Фінансові установи виявляють, що просте зберігання й підтримка величезних обсягів неструктурованої інформації тягне за собою колосальні витрати на сервери та інженерію даних.

«Така кількість даних, великий обсяг даних для їх збору та зберігання — це досить дорого, і якщо ви не використовуєте їх, ви також починаєте програвати в цій ціновій грі…»

Коли компанія несе значні операційні витрати на зберігання, не витягуючи при цьому комерційної цінності з цих даних, вона відстає в конкурентній ціновій грі. Вона не може пропонувати оптимальні тарифи своїм мерчантам, оскільки базові витрати на інфраструктуру штучно завищені.

Як зазначив Кирило Лісіцин, сучасна стратегія роботи з даними має насамперед зосереджуватися на вилученні реальної цінності з наявних активів даних. Лише після того, як буде сформований конкретний бізнес-кейс, установа має інвестувати кошти в отримання додаткових потоків даних, уникаючи тим самим зайвих операційних труднощів і накопичення витрат.

Пастка недетермінованості: чому LLM не можуть виправити погані дані

Поки установи працюють над об'єднанням застарілих систем, які використовують абсолютно різні мови програмного забезпечення та нестандартизовані формати даних, багато хто звертається до штучного інтелекту та великих мовних моделей (LLM) для автоматизації коду та трансформації даних. Брено Алвес Де Олівейра зазначив, що фінтех-компанії чудово справляються з поглинанням складних даних і їх реорганізацією у легкозасвоювані формати — процес, значно прискорений інструментами ШІ.

Проте Комісарова висловила серйозне технічне застереження щодо надмірної залежності від генеративних алгоритмів для основної транзакційної інфраструктури. LLM за своєю природою є недетермінованими, тобто їхні результати ґрунтуються на ймовірності, а не є абсолютними, що піддає їх системному ризику алгоритмічних галюцинацій.

У транзакційному світі, де помилки безпосередньо впливають на фінансові реєстри, будь-яке відхилення від повної точності є неприйнятним. Подача неточних або неструктурованих даних у LLM значно підвищує ймовірність генерування хибних розрахунків, що може коштувати фінансовим установам мільйони доларів.

Панель погодилась, що не існує технологічної панацеї; компанії не можуть просто завантажити дезорганізовані набори даних у генеративну модель і очікувати бездоганної бізнес-логіки. Побудова надійного рівня даних вимагає дисциплінованих інвестицій часу та капіталу, а також кваліфікованих внутрішніх фахівців, здатних правильно структурувати конвеєр даних.

Баланс рівняння: детермінований гібридний стрижень

Щоб безпечно використати швидкість сучасного ШІ без шкоди для абсолютної фінансової точності, учасники панелі запропонували гібридну структурну архітектуру. Ця модель поєднує детерміновані механізми обробки з гнучкими мовними інтерфейсами для полегшення робочого процесу кінцевого користувача:

• Детермінована основа: основний рівень даних має залишатися суворо детермінованим. Спеціалізовані інтелектуальні платформи, такі як Torus, навмисно будують свою бекенд-логіку з акцентом на повну математичну точність, а не на модель «80% ймовірності», гарантуючи ідеальне звірення схемних комісій і записів транзакцій.

• Розмовний інтерфейс: після того, як встановлено базовий рівень перевіреної цілісності даних, установи можуть нашаровувати LLM поверх для інтерпретації даних, спрощуючи взаємодію з користувачем і прискорюючи аналітичні завдання.

Ця структурована основа дає змогу установам використовувати такі концепції, як озера даних, для формулювання та тестування комерційних гіпотез. Раніше виявлення тенденції обробки або оцінка цінової змінної вимагали масштабних ручних запитів до бази даних.

З уніфікованим гібридним стрижнем продуктові команди можуть швидко тестувати гіпотези для оцінки їхньої ймовірності успіху. Зрештою, ця структура дає змогу банкам одночасно аналізувати внутрішню статистику, ландшафт конкурентів і макроринкові зрушення. Цей підхід, заснований на даних, спрямовує цільові коригування в конверсійних потоках, маршрутизації транзакцій і продуктовому досвіді, перетворюючи необхідні капітальні інвестиції на передбачувані драйвери корпоративної прибутковості.

Ключові висновки панелі Virtual Arena:

• Вузьке місце структури даних: збір даних із застарілих систем, які використовують різні формати, робить точне відстеження прибутковості транзакцій надзвичайно складним.

• Висока вартість стагнації даних: зберігання великих обсягів даних без чітких кейсів використання роздуває операційні накладні витрати, знижуючи конкурентоспроможність банків у ціноутворенні для мерчантів.

• Цінність понад обсяг: сучасна аналітика даних пріоритизує вилучення максимальної користі з наявних активів перед придбанням зовнішніх потоків даних.

• Небезпека недетермінованого ШІ: оскільки генеративні моделі ШІ ґрунтуються на ймовірності, їх використання на неструктурованих основних даних несе ризик помилок у фінансових розрахунках.

• Схема гібридної системи: успішні архітектури поєднують 100% точний детермінований рівень даних із розмовними інструментами LLM поверх для інтерпретації користувачем.

• Інновації на основі гіпотез: реінжиніринг основних фреймворків даних дає змогу командам швидко перевіряти зміни обробки, знижуючи ризики капітальних інвестицій.

Публікація «Подолання фрагментації даних та обмежень ШІ в прибутковості транзакцій» вперше з'явилася на FF News | Fintech Finance.