AI e Graph Machine Learning a servizio delle banche

La Graph Data Science è l’insieme di tecnologie di machine learning e analisi dei dati basata su strutture dati a grafo. È la “scienza dei dati connessa”, che sfrutta le relazioni e la topologia dei dati connessi per alimentare applicazioni di intelligenza artificiale e fare previsioni più accurate. Oltre a migliorare la precisione e la velocità di modellazione, le tecnologie a grafo rendono più accessibile la creazione di soluzioni AI, fornendo il contesto di cui sia l’intelligenza umana che artificiale hanno bisogno. Il Graph Machine Learning è un trend emergente che raccoglie interesse e investimenti crescenti da parte di aziende all’avanguardia nell’adozione di applicazioni di intelligenza artificiale, di università ed enti di ricerca pubblici e privati in tutto il mondo. Secondo Gartner l’adozione di graph processing e graph database crescerà del 100% ogni anno fino al 2022 per accelerare continuamente la preparazione dei dati, abilitare servizi di advanced analytics, rendere più performanti i modelli predittivi e ottenere gli insight decisivi per la crescita del proprio business.

I servizi finanziari richiedono soluzioni di intelligenza artificiale più avanzate, in settori che richiedono credibilità e trasparenza crescenti come la gestione dei rischi per gli investimenti, le previsioni di mercato, l’antiriciclaggio, il rilevamento delle frodi, il lending management e il trading automatico. Se, da un lato, le banche concordano sul fatto che l’intelligenza artificiale è un importante driver per il settore, dall’altro le loro strategie per introdurla e utilizzarla devono affrontare aspetti complessi quali la trasparenza degli algoritmi e l’affidabilità dei modelli predittivi. Norme e regolamenti a livello globale impongono alle banche di fornire modelli di AI trasparenti. In settori fortemente regolamentati come quello bancario e finanziario, non sorprende che l'AI spiegabile (XAI) sia quindi una componente fondamentale: è necessario cioè che alla base delle decisioni ci sia piena conoscenza degli algoritmi utilizzati e delle ragioni alla base dei risultati prodotti. Tutto questo non può funzionare con le tecnologie di machine learning tradizionali, vere e proprie “black box”, che rendono i modelli predittivi e le decisioni prodotti dalle macchine non trasparenti e spesso incomprensibili anche agli occhi degli esperti e degli analisti stessi che li hanno progettati. Fujitsu Laboratories of America ha sviluppato una tecnologia di Graph Machine Learning – Fujitsu Deep Tensor –in grado di rendere "spiegabile" e trasparente le ragioni che sono alla base delle inferenze che costruiscono i modelli predittivi, risolvendo il problema delle black box.

Deep Learning di Fujitsu combina la tecnologia proprietaria chiamata Deep Tensor, che esegue l'apprendimento automatico su dati strutturati a grafo, all’interno di un graph database, con il grafo della conoscenza (Knowledge Graph), lavorando in 2 step. Nella fase 1 identifica all'interno dei dati di input i fattori che contribuiscono in modo significativo al risultato dell'inferenza. Nella fase 2 stabilisce una corrispondenza tra tali fattori e i dati situati in un knowledge graph, che possiamo vedere come il nostro dominio funzionale di conoscenza, per esempio le regole che definiscono pattern anomali, nel caso di comportamenti fraudolenti o sospetti di riciclaggio. Il collegamento di inferenze derivate dal Deep Tensor al Knowledge Graph consente di comprendere le ragioni alla base dei risultati generati dagli algoritmi e di renderli spiegabili. Gli ambiti di applicazione in ambito bancario sono diversi: ad oggi stiamo lavorando insieme a Fujitsu sui fronti dell’antifrode, dell’antiriciclaggio e del commercial lending.

Partendo dagli scenari attuali dell’AI nel mondo bancario e dalle sfide che si trova ad affrontare, nel corso del webinar scopriremo come la tecnologia Deep Tensor di Fujitsu migliora e accelera le applicazioni di AI per il rilevamento e la prevenzione delle frodi nei pagamenti e nella gestione del rischio dei crediti e prestiti commerciali. Il webinar sarà tenuto in lingua inglese e vedrà la partecipazione di speaker eccezionali, tra i massimi esperti di graph machine learning a livello mondiale, in forza a Fujitsu Lab, Wing Au e Jeffrey Fischer (qui tutte le info, ndr.)