Подготовленность данных для agentic AI в финансовых услугах

В партнерстве с Elastic

Финансовые компании имеют особые требования к бизнес-ИИ. Они работают в одном из самых жестко регулируемых секторов и при этом реагируют на внешние события, которые обновляются каждую секунду. Поэтому успех agentic AI в финансовых услугах зависит не столько от сложности системы, сколько от качества, безопасности и доступности данных, на которых она работает.

«Все начинается с данных», — говорит Стив Мэйзэк, глобальный управляющий директор Search AI в Elastic.

Agentic AI — это системы, которые могут самостоятельно планировать действия и выполнять задачи, а не просто генерировать ответы, — дает огромный потенциал для финансовых услуг благодаря способности учитывать данные в реальном времени и оптимизировать сложные рабочие процессы. Gartner отмечает, что более половины команд в финансовых услугах уже внедрили agentic AI или планируют это сделать.

Однако внедрение автономного ИИ в любую организацию усиливает как сильные, так и слабые стороны исходных данных. Чтобы разворачивать agentic AI быстро, уверенно и под контролем, финансовым компаниям сначала нужно уметь искать, защищать и контекстуализировать свои данные в масштабе. «Agentic AI усиливает самое слабое звено в цепочке: доступность и качество данных, — говорит Мэйзэк. — А системы настолько хороши, насколько хорошее у них самое слабое звено».

Следовательно, финансовым компаниям нужен надежный и централизованный хранилище данных, к которому легко получить доступ, которое стабильно работает и которым можно управлять в масштабе.

Высокие ставки качества информации

Регулирование в секторе финансовых услуг требует высокой степени подотчетности для всех инструментов работы с данными. Как говорит Мэйзэк, недостаточно просто объяснить, откуда пришли данные и во что они были преобразованы: «Вот данные, которые вошли, и вот то, что вышло». Нужен проверяемый и управляемый способ объяснить, какую именно информацию модель нашла и почему эта информация оказалась правильной для следующего шага. Иными словами, нужно уметь видеть, понимать и описывать лежащие в основе процессы.

В то же время финансовым компаниям нужны скорость и точность, чтобы соответствовать ожиданиям клиентов и опережать конкурентов. Рынки постоянно меняются, а вместе с ними движутся риски и возможности. Если ИИ-модель умеет разбирать естественный язык (неструктурированные данные) из сложных источников — в дополнение к структурированным данным в таблицах, которые легче анализировать, — пользователи получают более релевантную информацию.

В такой среде нет терпимости к ошибкам, включая галлюцинации, которые преследовали ранние ИИ-инициативы. Системы agentic AI зависят от быстрого доступа к высококачественным, хорошо управляемым данным, которые защищены и доступны. В финансовых услугах эти данные охватывают транзакции, взаимодействия с клиентами, сигналы риска, политики и исторический контекст. Задачу подготовки этих данных для ИИ нельзя недооценивать. «Естественный язык куда более хаотичен, чем структурированные данные, и это делает процесс их организации и очистки намного важнее и намного сложнее», — говорит Мэйзэк.

Данные должны быть хорошо проиндексированы и объединены из разных мест, а не заперты в силосах отдельных систем внутри организации. Иначе ИИ-агенты будут работать медленно, давать непоследовательные ответы и принимать решения, которые сложнее отследить и объяснить, подрывая доверие со стороны регуляторов, клиентов и внутренних заинтересованных сторон.

Как говорит Мэйзэк, «существует множество способов описать, как исполнить сделку в банке. В мире, где работают агенты, эти описания должны быть детерминированными — давать один и тот же результат каждый раз. Но мы строим решения на мощных, но недетерминированных моделях. Это очень сложно, но не невозможно».

Для финансовой компании управление этим может быть крайне сложным. Исследование Forrester показало, что 57% финансовых организаций все еще развивают внутренние компетенции, необходимые для полноценного использования agentic AI. «Данные существуют во множестве форматов, созданных за всю историю банка, — говорит Мэйзэк. — Возьмите любой банк, который существует 50 лет: у него может быть 60 разных типов PDF для одного и того же документа. И при этом мы хотим, чтобы вывод этих систем был на 100% точным. Во многих случаях здесь нет “достаточно хорошо”». То есть компании должны сделать все правильно с первого раза.

Поиск и защита результатов

Эффективная поисковая платформа — ключ к решению проблемы фрагментированных, плохо проиндексированных и труднодоступных данных. Финансовые компании, которые могут легко работать как со структурированными, так и с неструктурированными данными, защищать их и применять в правильном контексте, получат наибольшую выгоду от agentic AI. Для этого часто нужно проектировать ИИ-системы с учетом доступа к данным и практической пользы от них, чтобы они работали быстрее, выдавали более точные результаты и снижали риски. «Поиск — это базовая технология, которая делает ИИ точным и привязанным к реальным данным, — говорит Мэйзэк. — Поисковые платформы стали авторитетными хранилищами контекста и памяти, которые будут двигать эту ИИ-революцию».

Когда такие решения уже внедрены, поисковые системы с поддержкой ИИ и автономные системы могут использоваться финансовыми компаниями для самых разных задач. При мониторинге клиентского риска agentic AI может непрерывно анализировать транзакции, рыночные сигналы и внешние данные, чтобы выявлять возникающие риски; платформы затем могут автоматически помечать проблемы или эскалировать их в реальном времени. В мониторинге сделок ИИ-агенты могут проверять торговые процессы, выявлять расхождения в разных форматах и пошагово устранять исключения при минимальном участии человека. В регуляторной отчетности ИИ может собирать данные из разных систем, формировать обязательные отчеты и отслеживать, как был получен каждый результат. Эти сценарии экономят время и одновременно поддерживают требования аудита и комплаенса за счет прослеживаемости и объяснимости.

Хотя такие возможности уже существуют, они часто остаются ручными, фрагментированными и трудными для масштабирования. Agentic AI позволяет финансовым организациям двигаться к более автоматизированным, эффективным и масштабируемым процессам, сохраняя точность и прозрачность, которые требуются в их строго регулируемой среде. Как говорит Мэйзэк, «это не так уж сильно отличается от того, как люди работают сегодня, просто все делается намного быстрее и в большем масштабе».

Создание экосистемы agentic AI

Запуск agentic AI может пугать, особенно если другие ИИ-инициативы внутри компании уже буксовали. Рекомендация Мэйзэка — выбрать управляемый вариант использования и позволить ему расти со временем. «Успех строится на успехе, — говорит он. — Хотя компании могут стремиться автоматизировать бизнес-процесс из 70 шагов, они понимают, что нужно с чего-то начать. На рынке работает подход, при котором проблему решают по одному шагу за раз. Как только вы заставляете работать первый шаг, можно переходить к следующему, а затем к следующему».

Финансовые организации, которые опередят конкурентов, будут теми, кто встроит agentic AI в более широкую экосистему, включающую надежные средства безопасности, качественное управление данными и эффективное управление производительностью систем. Как говорит Мэйзэк, «если делать это хорошо, появится ИИ-цикл обратной связи, в котором руководители будут получать новые сигналы от этих систем, чтобы оценивать эффективность инвестиций и получать надежные, применимые на практике инсайты». За счет итераций на пилотах и постоянного улучшения компании создадут agentic-системы, которые можно измерять, управлять ими и масштабировать. Это превратит agentic AI в устойчивое конкурентное преимущество.

Узнайте больше о том, как Elastic поддерживает финансовые услуги.

Материал — перевод статьи с английского.

Оригинал: Data readiness for agentic AI in financial services