Yapay Zeka Otomasyonu (artificial intelligence automation) veri girişleri, para yatırma, hesap güncelleme ve maaş yüklemeleri gibi geleneksel ve basit işleri otomatikleştirerek bankacılık sektörüne belki de çok da gösterişli olmayan bir şekilde giriş yaptı. Fakat günümüzde yapay zeka otomasyonu; müşterilere finansal ürünler satmaktan, kredi işlemeye kadar uzanan sürecin neredeyse tamamını robot teknolojileri (robotics) ile optimize ederek ve müşterilerle makineler arasında çok daha kazançlı bir ilişki yaratarak teknolojinin sınırlarını zorluyor.
Bankacılık Sektörü, sürekli artan regülatif talepleri karşılamada Yapay Zeka otomasyon sistemlerinden yararlanmak için günümüz koşullarında tam da ideal konumda. Bugün en büyük bankalar; iş gücü, müşteri deneyimi ve maliyetlerle ilgili büyük değişiklikler yapacağı zaman Yapay Zekaya başvuruyor. Öyle ki, Accenture’ın 2016 yılında yaptığı bir ankete göre, banka yöneticilerine hangi alanlarda otomasyon kullanımını artırmak istedikleri sorulduğunda, en çok aldıkları üç cevap müşteri etkileşimi/deneyimi (%90), bilişim işleri (%90) ve bilişim çalışanları (knowledge worker) (%91) oluyor.
Yapay Zekanın adının sıklıkla geçtiği bu alanları uygulamada görüp Yapay Zeka otomasyonunun Bankacılık Sektöründeki diğer popüler kullanımlarına da bir göz atalım;
1.Gerçek Zamanlı Veri İşleme
Bankacılığın en büyük zorluklarından birisi, milyonlarca yapılandırılmamış ve değişken veriyi işlemek, yönetmek ve analiz etmek. Yapay Zeka otomasyonu büyük veriyi eş zamanlı olarak işlemenin yanı sıra, insan hatalarının önünü kesiyor ve hiçbir şeyin gözden kaçmamasını sağlıyor. Gerçek zamanlı veri işleme en çok aşağıdaki durumlarda kullanılıyor;
- Sözleşme, uyumluluk ve regülasyon zekası: Bankacılık Sektöründeki operasyonel harcamaların çoğu; uyumluluk ve regülasyon üzerine yapılıyor. Bu işlem, özellikle gerçek zamanlı yapılması gerektiğinde büyük bir zorluk yaratabiliyor. JP Morgan gibi büyük bankalar bu nedenle Yapay Zeka otomasyonları kullanıyor. Hatta JP Morgan kredi servislerinde yapılan hataların sayısını azaltma imkanı tanıyan COIN adında bir program geliştirdi. Programın yaratıcılarına göre, her yıl 12.000 yeni toptan sözleşme (insan kaynaklı) hatalı bir şekilde yorumlanıyor.
- Risk yönetimi: Makineler, gerçek ve doğru banka işlemlerini dolandırıcılıktan ayırt edebilmek için insanların kolaylıkla es geçilebileceği tüm veri girdilerini eş zamanlı olarak okuyabiliyor.
- Ticaret izleme: Yapay Zeka algoritmaları, yetkililerin uzun bir süre çeşitli durumlarda aldatılabileceği ticari dolandırıcılıkları tespit edip soruşturma yapabiliyor.
- Akıllı nakit yönetimi: Makineler, nakit giriş ve çıkışlarında Yapay Zeka otomasyonu uygulayarak nakit para biriktirme döngülerini öğrenebiliyor ve bir ücretlendirme stratejisi dahilinde farklı işletmelerin nakit miktarını artıracak çözümler önerebiliyor. Hatta CenterState’e göre, bir işletme bu yeteneklerle nakit bakiyelerini ortalama %15’e kadar arttırabiliyor ve bu rakam %30’lara kadar çıkabiliyor.
2.Daha Fazla Verimlilik
Yapay Zeka otomasyonu Bankacılık Sektöründeki operasyonel iş yükünün en büyük bölümünü oluşturan rutin, sık ve tekrar eden işlerde (durum raporlarını analiz etme, uyumluluk ve regülasyonları izleme, yazılım güncelleme ya da şifre resetleme ve sorun giderme gibi bilişim işleri) harcanan zaman ve eforu düşürmek için en etkili yöntemlerden birisi.
Makinelerin basit işlerde kullanımının yanı sıra kredi verme ya da müşterilere yatırım tavsiyelerinde bulunmaya da başlamalarıyla beraber, son dönemde sektörde, ‘herkesin işini robotların yapacağı’ gibi yaygın bir endişe ortaya çıkmaya başladı. Hatta Accentura’nın ‘Robot Teknolojisinin Finansal Hizmetlerdeki Faydaları’ adlı bir anketi, Bankacılık sektöründeki bazı alanlarda, işleri yapma süresinin %90’a kadar düşürüldüğünü belirtiyor. Ayrıca, JP Morgan Chase & Co, kredi anlaşmalarını yorumlamak gibi sıradan görevler için harcadığı zamanı makine öğrenme yöntemini kullanarak yılda 360,000 saat yerine tam saniye olacak şekilde azaltması bu tezleri doğrular nitelikte.
Evet, otomatikleştirme işleri oldukça hızlandırıp bankalara verimliliklerini çok belirgin bir şekilde optimize etme olanağı veriyor. Ancak, aynı zamanda çalışanların daha yüksek değerdeki işlere ve stratejik faaliyetlere de yönlendiriyor. Yani, işiniz için endişe etmenize gerek yok (en azından önümüzdeki birkaç yıl)!
3.Maliyet Tasarrufu
Bankaların para idare etmeyi bildiğine hiç şüphe olmadığı gibi bankacılık sektörünün maliyet tasarrufu konusundaki son yeniliklerden yararlanan sektörlerin başında gelmesi de hiç şaşırtıcı değil.
Daha önce de söz edildiği gibi, Yapay Zeka otomasyonu verimliliği arttırıyor, işlerin daha hızlı ilerlemesini sağlıyor ve insan hatalarının önüne geçiyor. Böylelikle de bankaların maliyet tasarrufunda büyük ölçüde fark yaratmalarını sağlıyor. Peki, nasıl bir orandan bahsediyoruz?
Bankaların Yapay Zeka otomasyonunu uzun süredir kullandığı Bilişim departmanlarına göz atarak başlayalım. Bir Accenture Technology Vision anketinde, geçtiğimiz iki senede bankaların neredeyse yarısının, otomasyon sistemlerinden %15 veya daha fazla maliyet tasarrufu yaptığı kaydedildi. Hatta bazı finansal hizmet alanlarındaki masrafların %80’e, iş için harcanan zamanın ise %90’a kadar düşebildiği görülüyor.
Eğer bu veriler olayın boyutunu canlandırmanıza yeterli gelmediyse, belki bir Citibank* raporu yardımcı olabilir. Citigroup uyumluluk ve regülasyonları idare etmenin Bankacılık Sektörüne yılda $270 milyar dolara mal olduğunu belirtiyor ve bu da işletme giderlerinin %10’unu oluşturuyor. Bu durumda bankalara uyumluluk ve regülasyonlarla başa çıkmak için iki yol görünüyor: çalışan sayısını ikiye katlamak ya da Yapay Zeka otomasyonu kullanmak.
4.Daha İyi Kullanıcı Deneyimi
Tüketici merkezli dünyamızda; tüketicilerin ihtiyaçları, öncelikleri ve tercihlerindeki çeşitlilik, bankaların onlarla etkileşime geçme şeklini en kişiselleştirilmiş hizmeti, onların istediği zamanda sunabilmek için yeniden tanımlamaya zorluyor. Artık Yapay Zeka algoritmaları müşteri kimliğini belirlemek için müşteri verilerini (davranışsal, demografik, konum vb.) izleyip analiz edebiliyor ve en iyi hizmeti sunmanın yanı sıra, bir sorunu anında anlayıp çözebiliyor. Sağladığı hizmetin daha düşük bütçe gerektirmesinden bahsetmeye bile gerek yok.
Yapay Zeka otomasyonunun müşteri hizmetleri için meyve vermeye başladığı alanlardan biri de yatırım danışmanlığı. Robot danışmanlar (roboadvisors), varlık yönetiminde bilgi ve mevcut pazar durumu ve daha da önemlisi gelişen müşteri hedeflerini öğrenme becerileriyle değeri giderek artan bir rol oynuyor. Bunlara ek olarak, tamamlayıcı hizmetleri çapraz satışla sunup müşteri değeri yaratıyor.
Makineler ayrıca yüz ifadelerini ve duyguları fark edebiliyor ve chatbot yazılımları müşterilerle ilişkiler kurabiliyorlar. Botlar müşterilerle girdikleri etkileşimlerden empati kurmayı öğreniyorlar ve böylece karmaşık sorunları çözüme ulaştırabiliyorlar.
Örnek olarak Swedbank bu tür bir teknoloji içeriyor ve piyasaya Nina adlı bir Yapay Zeka botu (sanal kişisel asistan) sürdü. Bir sorunun ana kaynağını tespit etmek ve soruları otomatik olarak cevaplamak üzere yaratılan Nina sayesinde Swedbank, şubelerine gelen ziyaretleri ve iletişim merkezlerine gelen aramaların sayısını düşürmeyi başardı.
Chatbotların asıl temel özelliği proaktif davranış. Müşteriler kolaylıkla kendi dillerinde sohbet edebiliyorlar ve chatbotlar söyleyecekleri önemli bir şey olduğunda cevap verebiliyor. Chatbotlar müşteri hizmetleri yönetimini sağlayıp, sorunu anlıyor ve önerilerde bulunabiliyorlar fakat şimdilik hiç insan desteği almadan full hizmet sunabilecek kadar gelişmiş değiller.
Yapay Zeka otomasyon araçları müşteri tercihlerini daha iyi anlayıp, yakın bir zamanda içgörüyle ve duygusal zekayla tepki gösterebilecek. Artırılmış hız da eklendiğinde, bu iyileştirmeler müşterilerle insanlardan daha iyi bir şekilde anlamlı ilişkiler kurmanın önünü açacak gibi görünüyor.
5. Yeni İş Alanları
Bankacılık sektöründeki görevlerin çoğunda makinelerin insanlardan daha iyi olduğunu belirttik ve doğal olarak bunun sonucunda nihai soru aklımıza geliyor: bu, işlerimizin çoğunun sonu mu olacak?
Evet, bazı işlerin sonu olacak, ancak yeniden tanımlanan yeni roller karşımıza çıkacak. Yapay zeka otomasyonu, banka çalışanlarının çalışma biçimini değiştirmekle kalmayacak, yaptıkları işi de değiştirecek. Konuya şu açıdan bakalım; geçtiğimiz son 10 senede internet bankacılığı ve mobil bankacılık müşteri etkileşimlerinin çoğunu almaya başladığında şube çalışanlarının sayısı azaltıldı. Bununla birlikte, yeni iş unvanları ve kategorileri (çoğunlukla BT departmanlarında) önemli ölçüde ortaya çıktı .
http://www.caci.co.uk/
Aynı mantık Yapay Zeka otomasyonunda da geçerli. Yapay zeka otomasyonu yeni işler oluştururken işlerin bazı bölümlerini de değiştirecek. Örneğin, eskiden orta ve düşük gelirli müşterilere kişiselleştirilmiş servis sunmak için yatırım yapmak, daha önce bankalar için karlı değildi. Yapay zeka otomasyonu, çalışanlardan gelen yükün çoğunu alarak, bankalara artık bu müşterilere kişiselleştirilmiş yeni hizmetler yaratma imkanı sağlayabiliyor. Bu da, daha fazla müşteri, daha fazla hizmet ve sonuç olarak çalışanlar için de yeni iş alanları demek oluyor.
Dahası; tüm cihazlar ve sistemler farklı veri türleri topladıkları için tüm yapay zeka sistemleri çalışacakları aynı verilere sahip olamayabiliyor. Bu nedenle, bankaların benzer zorlukların üstesinden gelmeleri için daha fazla insanın çalışması gerekiyor.
Yapay zeka otomasyonu kesinlikle dijital olarak güçlendirilmiş bir işgücü yaratacak ve çalışanların daha yüksek değerli fonksiyonlara ve yeni ürün teklifleri geliştirme gibi daha stratejik işlere odaklanmalarını sağlayacak. Burada İK departmanları işgücünü belirleyerek, beceri geliştirme ve yetenek kaynaklarını yönetmekle çok kritik bir rol oynayacaktır.
Sonuç
Yarının başarılı bankaları, insan zekasını ve makine zekasını sistematik olarak entegre edip ürün, hizmet ve iş modellerinde birlikte kullananlar olacak. Yapay zeka otomasyonu, çalışanların görevlerine değer katmayı, müşterilere daha iyi tecrübe ve daha ucuz hizmet sunmayı ve hissedarların yatırımlarına daha fazla değer katmayı sürdürecek.
* https://www.ft.com/content/3da058a0-e268-11e6-8405-9e5580d6e5fb