GFT Group i Google Cloud - przegląd zastosowań biznesowych Sztucznej Inteligencji

Dnia 9 maja GFT Polska uczestniczyło w organizowanym w ramach partnerstwa z Google wydarzeniu “Artificial Intelligence - Taking it to the next level”.

Zainteresowanie rozwiązaniami AI jest bardzo duże. W spotkaniu wzięło udział kilkuset przedstawicieli naszych klientów reprezentujących największe instytucje finansowe świata, zarówno z obszaru bankowości inwestycyjnej, jak i detalicznej.

GFT UK, we współpracy z oddziałami z Polski i Hiszpanii, omówiło postęp w dziedzinie AI, konkretne zastosowania, które realizujemy u klientów, a także te aspekty platformy, Google Cloud Platform, które pomagają w ich szybkim wdrażaniu.

Omawiane rozwiązania dla banków detalicznych koncentrują się głównie na usprawnieniach interakcji z klientem, takich jak chat-boty i inteligentni asystenci finansów osobistych. Oferta dla klientów inwestycyjnych skupia się na redukcji kosztów poprzez automatyzację obsługi procesów regulacyjnych i wewnętrznych, takich jak reklamacje.

W ofercie Google Cloud w tym kontekście najciekawszymi rozwiązaniami są:

• DialogFlow - Udostępnione niedawno narzędzie do budowania chat-botów. DialogFlow nie wymaga umiejętności programowania. Sztuczna inteligencja DialogFlow uczy się na przykładach i "sugestiach" będących częścią konfiguracji.

• Cloud ML Engine - Bezserwerowa platforma do trenowania i hostowania modeli TensorFlow. ML Engine pozwala na trenowanie w chmurze, ale nie wymaga przeniesienia całej infrastruktury - gotowe modele można wykorzystywać poza GCP. Jest to ważne szczególnie dla dużych instytucji, które nie chcą ponosić kosztów własnej infrastruktury obliczeniowej, ale ich pełna migracja do chmury wiązałaby się z dużą inwestycją.

Narzędzie NLP opracowane przez GFT Polska

GFT Polska prezentowało autorskie rozwiązanie umożliwiające automatyzację procesów biznesowych opartych o nieustrukturyzowane wiadomości e-mail. Narzędzie zaprojektowane przez nasz zespół należy do rodziny NLP (Natural Language Processing – przetwarzanie języka naturalnego) i jest oparte na konwolucyjnej sieci neuronowej.

Funkcjonalność narzędzia można podzielić na dwa zasadnicze etapy:

1) Kategoryzacja treści na bazie tekstu naturalnego.

E-maile pisane są ręcznie, a więc nie posiadają spójnej struktury. Dodatkowym wyzwaniem są określenia specyficzne dla języka naturalnego. Nasz algorytm NLP jest w stanie określić do jakiego rodzaju problemu odnosi się dana wiadomość i przekazać ją do odpowiedniego pracownika, co eliminuje konieczność interpretacji dużej liczby komunikatów. Pozwala to na znaczną redukcję czasu pracy.

2) Detekcja najważniejszych elementów treści.

Wiadomości składają się z różnego rodzaju elementów stałych, formułowanych jednak językiem naturalnym. Nasze narzędzie potrafi zidentyfikować takie pojęcia jak daty, identyfikatory instrumentów finansowych, nazwy podmiotów prawnych itp. Dzięki dalszej automatyzacji, pracownik banku jest w stanie błyskawicznie uzyskać informacje powiązane z danym zapytaniem, takie jak dokonane transakcje.

Nasze narzędzie potrafi także samodzielnie uczyć się schematów pojęć, co eliminuje konieczność ręcznego wprowadzania znacznych ilości danych.

Marcin Kowalski