AWS, ecco come il Machine Learning cambia il settore dei Fintech

Baran Karlidag, Global Financial Services Partner Solutions Architect, AWS spiega come l’adozione del Machine Learning (ML) nelle società di servizi finanziari sta accelerando e cambiando il modo di operare e di servire i clienti.

Infatti Il 67% delle società di servizi finanziari del Regno Unito che hanno risposto a una recente indagine della Banca d’Inghilterra (BoE)[1] ha affermato di utilizzare il Machine Learning in una serie di aree di business. La sfida che le organizzazioni di servizi finanziari devono affrontare oggi è comprendere come possono sfruttare al meglio il Machine Learning e applicarlo in modo più ampio per avere un impatto significativo sulle loro attività, migliorando la loro risposta competitiva alle realtà FinTech che entrano nei loro mercati.

La quota di mercato delle tradizionali società di servizi finanziari sta subendo un forte attacco da parte delle società FinTech. Un sondaggio condotto su 7.900 clienti del retail banking in 20 Paesi ha rivelato che il 60% degli intervistati utilizza prodotti di grandi aziende tecnologiche/banche di servizi finanziari o lo farà probabilmente entro i prossimi tre anni.[2] Le esperienze tradizionali non sono più sufficienti per i clienti che desiderano interazioni istantanee e personalizzate attraverso molteplici canali. Gli intervistati della Generazione Y hanno valutato i siti web e le applicazioni mobili come più importanti delle filiali fisiche. L’ambiente in cui operano le banche tradizionali sta cambiando rapidamente e devono muoversi rapidamente o rischiano di diventare irrilevanti.

Il ruolo del Machine Learning

I CIO, sia nel settore bancario, dei mercati dei capitali o delle assicurazioni, devono bilanciare un complesso insieme di obiettivi nell’odierno ambiente dirompente e guidare l’innovazione, accelerando l’agenda della trasformazione digitale, mantenendo l’infrastruttura esistente e garantendo sicurezza e costi bassi.

Le società di servizi finanziari possono beneficiare delle tecnologie ML per vari casi d’uso per affrontare le sfide del settore. Le società di servizi finanziari possiedono enormi quantità di dati accumulati nel corso di decenni che oggi possono essere integrati con nuove fonti. Ovunque vi sia complessità e volumi elevati di dati, il ML può fornire una soluzione più potente rispetto ai modelli tradizionali basati su regole utilizzando un maggior numero di punti dati che possono essere costruiti e adattati più rapidamente, fornendo una migliore rilevazione con tassi di falsi positivi inferiori. Il Machine Learning permette analizzare serie di dati molto grandi e di identificare relazioni che altrimenti rimarrebbero sconosciute, fornendo una ricca fonte di informazioni che può favorire una migliore personalizzazione, prodotti e servizi su misura, che aiuteranno le banche tradizionali a mantenere i loro clienti.

Tuttavia, le società di servizi finanziari si trovano ad affrontare una serie di sfide per l’adozione di ML:

• La governance delle imprese: allineare lo sviluppo di applicazioni di Machine Learning con i processi aziendali esistenti e garantire la conformità normativa
• Innovazione: garantire che l’organizzazione possa innovare rapidamente e sfruttare le nuove tecnologie nel campo dell’apprendimento automatico
• La scossa di “dare il via“: costruire la capacità organizzativa per supportare ed evolvere i sistemi di apprendimento automatico in produzione

La governance dell’impresa

I servizi finanziari sono un settore altamente regolamentato con severi requisiti di sicurezza. Ciò significa che l’accesso ai dati deve essere attentamente controllato e monitorato. Le società di servizi finanziari devono creare la governance, i processi e le capacità necessarie affinché il ML possa essere utilizzato in modo efficiente e creare valore dai dati. Allo stesso modo, una soluzione ML deve essere sviluppata in modo da essere allineata con i processi IT e di sicurezza dell’organizzazione.

Lo sviluppo ML è un processo complesso e iterativo che diventa più difficile perché non ci sono strumenti integrati per l’intero flusso di lavoro di machine learning e le organizzazioni devono modificare i processi e gli strumenti esistenti per includere il ML. Inoltre, i regolatori richiedono alle organizzazioni di servizi finanziari di avere un processo di convalida dei loro modelli finanziari interni richiedendo la produzione di artefatti per dimostrare che i loro sistemi ML sono stati progettati, formati e aggiornati in linea con i loro obiettivi di progettazione per produrre risultati equi e imparziali.

Innovazione fa rima con Machine Learning

Le tecnologie di ML offrono molte opportunità di innovazione, ma è spesso difficile per le organizzazioni aziendali identificare la migliore tecnologia per un caso d’uso specifico.  Il panorama in rapida evoluzione, con quadri e modelli in costante sviluppo, rende molto complesso scegliere tra i framework. A questa complessità si aggiunge la necessità di una potenza di calcolo molto elevata, che insieme a vincoli di budget e tempi di approvvigionamento, riduce la capacità delle organizzazioni di sperimentare e quindi di innovare rapidamente

Dare il via

L’implementazione e il mantenimento di processi di ML in modo efficace è una vera e propria sfida in una società di servizi finanziari, che porta un alto livello di complessità all’organizzazione IT. Il modello di ML deve passare attraverso processi di gestione del cambiamento ed essere integrato con gli strumenti esistenti. Una volta implementato, i sistemi devono essere monitorati, dimensionati per il carico e rattoppati e i team dell’infrastruttura devono acquisire nuove competenze per svolgere efficacemente questi compiti.

Oggi il mercato mette a disposizione delle organizzazioni che operano nei servizi finanziari una serie strumenti per gestire più agevolmente i livelli di complessità interconnessi; tra questi c’è il servizio di Amazon Web Services, Amazon SageMaker.

Il servizio Amazon SageMaker copre l’intero ciclo di vita di ML e può aiutare le aziende a superare le sfide sopra descritte fornendo tutti i componenti utilizzati per l’apprendimento automatico in un unico set di strumenti, in modo che i modelli arrivino alla produzione più velocemente, con molto meno sforzo e a costi inferiori. Gli strumenti coprono l’intero ciclo di vita del ML, dall’esplorazione iniziale alla gestione del patrimonio produttivo. Sono perfettamente integrati con altri prodotti AWS e con le funzioni di sicurezza. Le organizzazioni possono utilizzare questo set di strumenti per allineare i loro processi di sviluppo di ML con la complessa governance interna e soddisfare la maggior parte dei loro requisiti di sicurezza.

Abilitare la sperimentazione di nuove tecnologie e accelerare il ciclo di vita dello sviluppo dei progetti ML aiuterà le istituzioni ad acquisire efficacemente le conoscenze e a ottenere un vantaggio competitivo. Amazon SageMaker è un abilitatore molto potente per le aziende di servizi finanziari per realizzare questi benefici e adottare l’apprendimento automatico su larga scala.

L’esempio italiano

Banca Progetto, la banca digitale specializzata in servizi per le piccole e medie imprese italiane (PMI) e per la clientela privata, ha scelto proprio Amazon Web Services (AWS) come unico fornitore di servizi cloud. Banca Progetto è la prima banca italiana ad aver ricevuto l’autorizzazione ad esternalizzare l’intera infrastruttura tecnologica da Banca d’Italia.

Con AWS, Banca Progetto migliorerà l’efficienza delle sue operazioni, modernizzerà la propria infrastruttura tecnologica, aumenterà la sicurezza, accelererà l’innovazione e trasformerà l’esperienza bancaria per i propri clienti in tutta Italia. Banca Progetto sta già utilizzando gli avanzati servizi di AWS, tra cui l’analisi dei dati e l’apprendimento automatico (Machine Learning – ML), per automatizzare le operazioni finanziarie e migliorare le applicazioni web e mobile rivolte ai clienti, in conformità con le normative della Banca d’Italia e della Banca Centrale Europea.

I CIO devono trasformare le loro organizzazioni per affrontare le nuove sfide dei servizi finanziari integrare le moderne tecnologie ML nei loro processi può essere un elemento di svolta da non lasciare inesplorato.

AWS e la Regione Italiana

Amazon Web Services (AWS) ha annunciato l’apertura della Regione AWS Europe(Milano). Il cloud è stato una parte fondamentale della trasformazione in molti settori in tutta Italia, tra cui il settore del fintech. I clienti di questa industry posso beneficiare della nuova Regione AWS di Milano soprattutto grazie all’impatto positivo che la tecnologia cloud può avere sul settore fintech, contribuendo così alla crescita del paese.

LEGGI ANCHE: AWS apre Regione Europe a Milano e porta i data center nel Bel Paese

Con questo lancio, AWS opera ora in 76 Availability Zones – zone di disponibilità-in 24 regioni geografiche in tutto il mondo, e ha annunciato altre nove zone di disponibilità e tre ulteriori Regioni AWS in Indonesia, Giappone e Spagna. La Regione AWS Europe (Milano) è la sesta Regione AWS in Europa insieme a Dublino, Francoforte, Londra, Parigi e Stoccolma.