在技术飞速发展的时代，很少有行业像银行和支付行业一样准备好转型。 随着生成人工智能 (GenAI) 等技术的出现，转型已经开始。

“治理、成本和效用构成了我们试图平衡的 [GenAI] 三角形的三个点。正确处理这些点将为我们的行业带来变革的可能性，” Stax Payments首席技术官Mark Sundt在 PYMNTS 系列“支付的下一步：给 GenAI 公司的备忘录”的对话中说道。

随着银行和支付公司考虑这项技术，重点正转向可以提高效率、改善客户体验和解决欺诈问题的人工智能的实际应用。

由于几乎每个软件服务都嵌入了人工智能工具，公司还必须优先考虑护栏以确保数据的隐私和安全。

尽管人工智能的潜力不可否认，但 Sundt 强调了安全和成本方面的关键问题。“治理一直是我们的首要任务，”他说。“我们使用的每项服务都嵌入了一些人工智能组件。治理是为了确保这些工具不会无意中扩散敏感数据。”

人工智能支付应用面临的挑战

人工智能使用的成本考量同样紧迫。大型语言模型 (LLM) 虽然功能强大，但运行成本却高得离谱，而且其实用性并不总是值得投资。

但随着行业逐渐放弃试图解决所有问题的单一模型，规模更小、更专业的“代理模型”正在获得关注。这些模型旨在高效且经济地解决特定问题，标志着人工智能部署方式的转变。

桑德特说：“我们正在从使用大型模型的厨房水槽方法转向集中的、协调的代理，以便有效且更低成本地解决特定问题。”

他补充说，这种趋势在客户服务领域尤为明显，人工智能被用于精确诊断和解决问题。公司不再建立试图回答所有可能问题的大型模型，而是开发专注于解决实际问题的小型模型。

“客户不需要百科全书式的答案。他们想知道如何配置他们的终端以优化交换费和响应时间。这就是小型、专业化模型的闪光点，”Sundt 说。

“这种向动态、更小模型的转变类似于计算本身的演变，”他补充道，并指出它与从大型机计算到分布式云应用的更广泛的技术转变相似。

人工智能欺诈检测、风险管理

人工智能在风险管理和欺诈检测中的作用是另一个具有巨大潜力的领域。

“我们遇到的最大危险信号是新建立银行关系或网站的商家。这些时间属性通常表明存在欺诈意图，”他说。Stax 利用人工智能来评估账户寿命、店面存在和交易行为等因素，从而丰富决策。

Sundt 还描述了交易欺诈中的可疑模式，例如大额交易后出现批量撤销或向不同信用卡退款。“这些情况需要强大的人工智能系统来大规模检测和缓解欺诈活动，”他说。

展望未来，桑德特认为人工智能的下一个前沿在于推理。

“目前的模型擅长总结和分类，但在推理方面却举步维艰。人类总是在信息不完整的情况下做出决定。教会人工智能做同样的事情将是一个巨大的飞跃，”他说。

这种能力将增强从欺诈检测到客户服务的一切，使人工智能能够更复杂地处理复杂、模糊的场景。

不过，桑德特强调，人工智能提供商需要将其快速发展周期与银行业较慢的合规驱动性质相结合。

“金融行业的发展速度落后于技术。对于人工智能公司来说，了解我们行业的独特挑战并相应地设计解决方案至关重要，”他说。

免责声明：

本文所发布的内容和图片旨在传播行业信息，版权归原作者所有，非商业用途。如有侵权，请与我们联系。所有信息仅供参考和分享，不构成任何投资建议。投资者应基于自身判断和谨慎评估做出决策。投资有风险，入市需谨慎。

关注我们，一起探索AWM！

2024-12-18

2025-01-15

2024-12-14