Cinque anni fa, le banche hanno iniziato a servirsi cautamente dei bot riservandoli a un insieme molto ristretto di attività, quali ad esempio le domande più frequenti ed elementari a cui rispondere. La maggior parte delle richieste dei clienti veniva di fatto ancora indirizzata direttamente agli agenti. Oggi le ambizioni sono invece superiori; la tecnologia bot è migliorata e cresce la richiesta di opzioni self-service. In molti istituti la realizzazione di un programma globale che estenda l’automazione e utilizzi la comprensione del linguaggio naturale (NLU) e i bot potrebbe però richiedere anni, a meno di non scegliere una tecnologia personalizzabile e di rapida implementazione.

Ecco qui di seguito quattro aree di adozione e utilizzo dei bot specifiche per il settore servizi finanziari.

  1. Una Marea di Intenti

A differenza di altri settori, quello bancario deve confrontarsi con un’ampia varietà e quantità di intenti dei clienti, legati al gran numero di linee di business in gioco. Pensiamo ad esempio a tutte le attività da svolgere quando si tratta di servizi retail, ossia conti deposito, carte di pagamento, prestiti e gestione patrimoniale.

Per rispondere a dette esigenze, molti vendor tecnologici si sono specializzati in questo settore sviluppando alcune librerie dedicate di intenti ed espressioni. Gli stessi potrebbero inoltre avere a disposizione integrazioni già pronte per i sistemi presenti nelle banche. Questo però non significa che siano in grado di rispondere con successo a ogni richiesta.

Di fatto, spesso le banche più grandi supportano clientele che parlano lingue diverse e i termini specifici potrebbero differire a seconda della regione geografica di appartenenza. Una messa a punto appropriata dei bot, l’assicurazione della qualità e i test di usabilità restano in tal senso attività critiche per il successo. Con l’esperienza offerta dai bot che si dimostrerà incoerente in caso tutto questo venga svolto in fretta.

“La sfida per i servizi finanziari è quella di essere un dominio molto ricco e complesso, comprendente tante linee di business e un’ampia gamma di prodotti differenti tra loro,” commenta Jake Tyler, CEO di Finn AI. “Più scopo aggiungi e più intenti ti servono — e più intenti aggiungi più dati ti servono per ciascun intento. In Finn, ad esempio, supportiamo centinaia di intenti tipici dei servizi bancari retail, e ciascuno dei nostri intenti viene addestrato con una media di 2.000 espressioni umane, spesso ben di più (oltre 10.000) per le componenti complesse del nostro modello linguistico. Una scarsa copertura del modello o la presenza di dati di addestramento insufficienti abbassano le probabilità di risposta del bot alle domande specifiche degli utenti.”

  1. Fulfillment dei Bot e Sistemi di Backend del Settore Finanziario

Identificando gli intenti e riempiendo gli slot si è solo a metà dell’opera, quella metà talvolta più semplice da svolgere. Questo si rivela particolarmente vero quando, per soddisfare l’intento, si punta a integrare i bot con i sistemi di backend.

Immagina che il tuo cliente voglia trasferire dei fondi da un conto deposito a un conto risparmio. L’identificazione del suo desiderio e di tutti i dettagli legati all’operazione permette di riconoscere l’intento e riempire gli slot. Ma l’attività del bot non si ferma qui, dovendo ancora soddisfare la richiesta di origine. L’esecuzione dell’intento necessita infatti di un’integrazione con i sistemi bancari attraverso interfacce conformi alla sicurezza e ai protocolli di comunicazione, che semplificano nel contempo il processo in questione.

Alcune aziende, come Oracle, ServiceNow e Salesforce hanno quindi consolidato le interfacce verso molti sistemi di backend, diventando essenzialmente un broker di comunicazioni. Questo significa che il tuo bot potrebbe non dover dialogare con una decina di sistemi diversi.

  1. Data Security, Privacy e Compliance

Sebbene molti journey partano con i bot FAQ o di benvenuto, la vera sfida si manifesta quando entrano in azione quelli transazionali, avendo le banche standard di controllo superiori. Quando si tratta di mettere in produzione questo tipo di bot non esiste una soluzione rapida.

Il primo passo da compiere è la suddivisione di tutti gli intenti in due gruppi: quelli che richiedono identificazione e verifica (ID/V) e quelli no. In questo modo riesci a identificare il profilo di sicurezza necessario all’interno del tuo ecosistema di bot. Il passo successivo è la categorizzazione delle tipologie di informazioni che riempiranno gli slot o che i bot offriranno. Determina i requisiti in termini di conformità rispetto a PCI e ai vari regolamenti sulla data-privacy. Terzo, identifica tutti i sistemi alla base della soddisfazione dell’intento e, quindi, categorizza ciascuno di essi in termini di sicurezza/rischio.

La raccolta anticipata di queste informazioni ti preparerà per i confronti necessari con i tuoi team di sicurezza e compliance. Fatti affiancare da loro in questa attività acquisendo indicazioni su cosa ti è consentito fare. Consultatili prima di avventurarti in piani estremamente ambiziosi.

  1. Model Risk Governance

Le banche utilizzano modelli complessi e applicano la data science nell’ambito delle proprie attività di business. La model risk governance ha compiuto un passo ulteriore quando gli istituti hanno per la prima volta iniziato a servirsi di algoritmi di intelligenza artificiale (AI) per la valutazione dei rischi, ad esempio nella concessione di un prestito. Se gli algoritmi non avessero funzionato in modo corretto, ci sarebbero state conseguenze negative, generando rischi. Oggi la model risk governance è un processo formale con severi controlli all’ingresso. Quando un algoritmo di AI viene proposto – qualsiasi tipo di algoritmo di AI o machine learning — per proteggersi le banche devono passare attraverso un processo molto lungo e dettagliato.

Supponi di avere in mente un progetto da completare in sei mesi. Parla il prima possibile con il tuo team interno di model risk governance e chiedi di quanto tempo avranno bisogno. Quindi consideralo nella tempistica del tuo progetto.

Sebbene in origine la model risk governance non fosse stata pensata per i bot, oggi entra in gioco in tutti i servizi che impiegano i modelli di AI. Se un processo o sistema sta eseguendo calcoli, previsioni o analisi, potrebbe essere a sua volta classificato come modello. Alla fine, sei tu il responsabile per il suo andamento così come della disponibilità di tutte le informazioni da fornire al team di model risk governance. Queste informazioni possono riguardare processi di tuning, testing e QA, informazioni sulle fonti dati e i processi di data cleansing, così come dettagli sulle modalità di eliminazione del rischio di decisioni ingiuste o non etiche all’interno del modello stesso.

La Strada Verso Bot Più Evoluti

Considerando tutte queste sfide potresti a questo punto chiederti da dove iniziare e come dirigerti verso un’adozione concreta e avanzata dei bot.

“Come accade per una conversazione tradizionale, un’esperienza bot di qualità dipende sia dalla comprensione dei desideri dell’utente sia dalla capacità di completare tale attività,” afferma Tyler. “La risposta risiede nella combinazione di due elementi ugualmente importanti: il progetto della conversazione e l’integrazione con i sistemi di backend. Non importa quanto la tua AI sia brava a comprendere quanto gli utenti stanno dicendo se poi hai progettato risposte superficiali o ti manca l’integrazione con i sistemi di backend necessaria al completamento delle attività.”

Tyler suggerisce anche di scegliere casi di utilizzo già noti. “Oggi i chatbot e gli assistenti virtuali sono implementati diffusamente e stanno generando valore per le divisioni consumer delle principali banche. Ad esempio, l’Erica Virtual Assistant di Bank of America ha 21 milioni di utenti, cresciuti di oltre il 60% lo scorso anno. I clienti se ne servono come strada più rapida e conveniente per svolgere le operazioni sui dispositivi mobili. Questo caso consumer è un ottimo punto di partenza. Se non vuoi tuffarti direttamente nell’implementazione di un bot a livello di digital banking, inizia dal sito e passa progressivamente ai canali autenticati.”

Tyler raccomanda inoltre l’individuazione di un partner tecnologico dotato di un modello di linguaggio bancario pre addestrato. In questo modo risparmierai tempo e risorse sull’addestramento dell’AI, potrai uscire sul mercato più rapidamente e abbassare il rischio generale del progetto. Devi però ancora garantire che il bot riesca a rispondere alle richieste degli utenti e a completare tutte le attività correlate.

“Il settore è pieno di esempi di realtà finanziarie che hanno sottostimato il tempo e gli sforzi necessari all’addestramento del modello di linguaggio dell’AI,” aggiunge Tyler. Parti dall’opzione più semplice, ossia i casi d’uso con tante richieste e attività di routine poco complesse. Di solito sono quelli delle tue business unit retail/consumer. Scegli i casi che hanno volumi elevati poiché mostrano con chiarezza se il bot sta risolvendo un problema reale e generano dati sufficienti ad addestrare e ottimizzare velocemente il tuo modello di AI.

“La buona notizia è che i vantaggi facilmente accessibili sono tanti. Dando un’occhiata a cosa i clienti stanno chiedendo al tuo call center avrai già una chiara indicazione del punto da cui iniziare,” afferma Tyler. “In alternativa, fallo dai casi di utilizzo a basso rischio, come un help desk HR o IT. Questi bot di knowledge management sono analoghi a un motore di ricerca con interfaccia conversazionale e possono dimostrarsi molto efficaci, più semplici da costruire e addestrare e più rapidi da implementare. Tuttavia, nota come la soluzione che costruisci, così come la tua esperienza per addestrarla, non saranno comunque utili per i casi di utilizzo più complessi.”

Infine, mantieni sempre le persone coinvolte. I bot aiutano gli utenti a risolvere i problemi di routine e ripetitivi. Tra questi ci sono quelle richieste semplici che oggi monopolizzano il tempo del tuo team di supporto. Tuttavia, i bot non saranno mai perfetti per rispondere a tutto. Esistono infatti molte attività, come le controversie sulle transazioni e le problematiche patrimoniali, risolte meglio dal tuo team di supporto. Ecco che un bot in grado di trasferire facilmente un utente a un agente dal vivo ti offre il meglio dell’automazione e del tocco umano.