«Spesso mi chiedono a quali ambiti guardare per gli use case dell’intelligenza artificiale. Rispondo sempre con la domanda opposta: in quali ambiti non ci sono dei casi d’uso?».
Parte subito in quarta l’intervista a Jochen Papenbrock, Head of Financial Technology EMEA di NVIDIA, azienda americana nota ai gamers delle Generazioni X e Y per le schede video, ma che negli ultimi anni si è imposta tra i protagonisti dell’intelligenza artificiale.
Tutti possono usare la Gen AI
L’intelligenza artificiale, come noto, non è una particolare novità per le imprese di ogni settore, tanto meno per quelle finanziarie.
«Ma la Generative AI ha trasformato l’intelligenza artificiale da tema per tecnici a un argomento a portata anche dei non tecnici – spiega Papenbrock.
Tutti, compresi i C-suite, hanno avuto modo di usare gli strumenti più popolari. E si sono resi conto che la rivoluzione è già in corso.
Anche chi non ha un background tecnico e di coding può usare la Gen AI come una interfaccia per accedere a sistemi di dati complessi, per recuperare meglio le informazioni e per fare indagini predittive».
Il finance e l’intelligenza artificiale
La AI Generativa di NVIDIA conta più di un migliaio di clienti diretti, oltre a molte altre aziende di dimensioni minori che accedono alle sue soluzioni mediante le piattaforme cloud dei principali fornitori.
«Non operano tutti nel settore finanziario, ovviamente – precisa Papenbrock – ma ci sono alcune banche e compagnie assicurative che hanno già abbracciato il journey verso l’intelligenza artificiale e stanno investendo in infrastrutture e competenze.
Altre stanno ancora sperimentando, magari con gli strumenti a disposizione sul mercato, che tutti conosciamo».
Le aree di innovazione
La Gen AI può quindi portare innovazione sia in aree ancora relativamente inesplorate dagli algoritmi, sia potenziare l’automazione in corso in altri.
«Pensiamo ad AML e KYC – esemplifica Papenbrock. Molte banche usano già sistemi di AI tradizionali, che miglioreranno ulteriormente con la Gen AI. Nel KYC, ad esempio, si analizzano molte basi di dati testuali, ad esempio per capire il background di un cliente.
Un Large Language Model permette a un operatore di interagire in modo completamente diverso con questi testi, letteralmente ponendo loro delle domande».
Le opportunità con l’intelligenza generativa
Ci sono poi altre aree in rapido sviluppo. «Tutti guardano alla Gen AI – racconta Papenbrock – ma alcuni foundation model in arrivo sono in grado di “imparare” qualunque linguaggio. I dati delle transazioni finanziarie, ad esempio. E questo può potenziare enormemente le attività di contrasto al riciclaggio di denaro e alla criminalità finanziaria.
Lo stesso vale per i graph neural network: i dati delle transazioni vengono elaborati per formare un grafico, che viene poi dato in pasto al deep learning per individuare schemi di frode».
Se tutto può diventare un linguaggio, allora con la Generative AI si possono costruire chatbot con cui interagire per esplorare e analizzare i dati a cui si ha accesso, trovando risposta alle proprie domande in tempi rapidissimi.
«Anche il codice di programmazione, ovviamente, ha una sua grammatica – prosegue Papenbrock – e quindi la AI può supportare la scrittura di codice, velocizzando il rilascio di nuove app o di aggiornamenti.
O può scrivere applicazioni per i sistemi legacy delle banche, in linguaggi che, oggi, nelle Università neanche si insegnano più».
Data fusion: il nuovo trend
La data fusion è un altro trend di sicuro interesse: si tratta dell’integrazione di differenti fonti di dati, per ottenere informazioni più corrette e coerenti rispetto all’uso di una singola fonte.
«L’esempio perfetto è quello della sostenibilità – illustra Papenbrock –, potresti usare i large language model per capire che cosa viene detto online su questo tema, su un’azienda o un prodotto. E incrociare questi dati con le immagini satellitari, i dati sul clima, e così via, per avere iù informazioni di contesto e capire meglio come lavorano un’azienda e la sua supply chain».
La personalizzazione per i clienti finali
Ce n’è anche per l’offerta al cliente finale. Analizzando le interazioni con il cliente si può arrivare a una personalizzazione avanzata di prodotti e servizi.
«Non necessariamente con modelli totalmente automatizzati – precisa Papenbrock –, perché un assistente basato su AI potrebbe analizzare in tempo reale ogni interazione con il cliente, fornendo supporto e suggerimenti. I consulenti potrebbero servire più clienti, con maggiore qualità».
Investimenti e coinvolgimento dei dirigenti
La rivoluzione dell’intelligenza artificiale, però, non è a costo zero. Servono investimenti importanti in competenze e in infrastrutture.
«La legacy IT è un problema – conferma Papenbrock – perché non si può pensare di costruire una strategia di intelligenza artificiale su un’infrastruttura antiquata. Pensiamo all’accelerated computing, che apre enormi opportunità per addestrare i modelli di AI consumando meno energia e in un tempo più breve.
Alle banche serve una strategia per essere parte di questa trasformazione, grazie a un’infrastruttura flessibile su cui costruire i loro modelli del futuro».
E non si tratta di un balzo in avanti accessibile solo alle grandi banche.
«A fare la differenza è il committment dei dirigenti – conclude Papenbrock. Una grande azienda può comprare molta tecnologia e non implementarla correttamente, ad esempio. Mentre NVIDIA lavora con gruppi di banche che collaborano allo sviluppo di modelli di base, condividendo competenze e conoscenze.
Supportiamo anche la community open source, che sta lavorando per rendere più accessibile l’intelligenza artificiale.
Con il passare del tempo, questa tecnologia diventerà più facile e meno costosa: ma il momento di investire è ora».
Questo articolo è stato pubblicato sul numero di dicembre 2023 di AziendaBanca ed è eccezionalmente disponibile gratuitamente anche sul sito web. Se vuoi ricevere AziendaBanca, puoi abbonarti nel nostro shop.
