Les cinq agences fédérales de régulation financière rassemblent des informations sur l'utilisation par les institutions financières de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML).
Les cinq agences fédérales sont:
- le Consumer Financial Protection Bureau (CFPB) ,
- la Federal Deposit Insurance Corporation (FDIC),
- the Federal Reserve Board (Fed),
- the National Credit Union Administration (NCUA) and the
- Office of the Comptroller of the Currency (OCC)
Les agences ont collectivement annoncé une demande de renseignements (RFI) pour obtenir la contribution des parties prenantes, y compris les institutions financières, les associations professionnelles et les groupes de consommateurs. Les agences cherchent à comprendre l’opinion du public sur l’utilisation de l’IA par les institutions financières dans la fourniture de services aux clients. La RFI sollicite également l’opinion de l’industrie sur l’utilisation de l’IA dans les services financiers afin de déterminer si des éclaircissements de la part des agences seraient utiles pour l’utilisation de l’IA de manière sûre et rationnelle. Enfin, des opinions sont sollicitées sur la conformité aux lois et réglementations applicables, y compris celles relatives à la protection des consommateurs.
Les institutions financières mettent en œuvre des applications basées sur l'IA et le ML de diverses manières dans leurs organisations. Les utilisations actuelles incluent:
Avec quelques conseils, vous pouvez créer une plate-forme de données adaptée aux besoins de votre organisation et tirer le meilleur parti de votre capital de données.
Obtenir le guide
Cela implique l'utilisation de l'IA pour identifier les transactions potentiellement suspectes, anormales ou aberrantes (par exemple, détection de fraude et surveillance de la criminalité financière). Cela implique l'utilisation d'un logiciel pour analyser des données structurées et non structurées (c'est-à-dire des courriels, du texte, des données audio), dans le but d'identifier les fraudes ou les transactions anormales. Le marquage des transactions doit équilibrer une plus grande précision et rapidité tout en ne créant pas trop de faux positifs. Il comprend également l'identification des transactions pour les enquêtes de la Loi sur le secret bancaire et de lutte contre le blanchiment d'argent, la surveillance des employés pour les pratiques inappropriées et la détection des anomalies de données.
Les technologies d'IA, telles que la reconnaissance vocale et le traitement du langage naturel (PNL), sont utilisées pour améliorer l'expérience client et pour gagner en efficacité opérationnelle. Un exemple est l'utilisation de chatbots pour automatiser les interactions de routine avec les clients, telles que les activités d'ouverture de compte et les demandes générales des clients. L'intelligence artificielle est mise à profit dans les centres d'appels pour traiter et trier les appels des clients afin de fournir un service personnalisé amélioré. Ces technologies sont également utilisées pour mieux cibler le marketing dans le commerce de détail et personnaliser les recommandations commerciales dans la gestion de patrimoine.
Cela implique l'utilisation de l'IA pour éclairer les décisions de crédit afin d'améliorer ou de compléter les techniques existantes. Cette application de l'IA peut utiliser des données traditionnelles ou utiliser des données alternatives (telles que des informations transactionnelles de flux de trésorerie provenant d'un compte bancaire). Le défi consiste à s'assurer que le logiciel en cours de développement n'est pas codé avec des biais.
L'IA peut être utilisée pour augmenter la gestion des risques et les pratiques de contrôle. Par exemple, une approche d'IA pourrait être utilisée pour compléter et vérifier un autre modèle de crédit plus traditionnel. Les institutions financières peuvent également utiliser l'IA pour améliorer la surveillance du crédit (y compris par le biais d'alertes précoces), le recouvrement des paiements, la restructuration et le recouvrement des prêts et la prévision des pertes. L'IA peut aider l'audit interne et la gestion indépendante des risques à augmenter la taille de l'échantillon (par exemple pour les tests), à évaluer les risques et à renvoyer les problèmes à haut risque à des analystes humains. L'IA peut également être utilisée dans la gestion du risque de liquidité, par exemple pour améliorer la surveillance des conditions du marché ou la gestion des garanties.
L'analyse textuelle fait référence à l'utilisation de la PNL pour traiter des données non structurées (généralement du texte) et obtenir des informations à partir de ces données ou efficacité des processus existants.
Pensez aux publicités télévisées de l'armée où les virus informatiques sont détectés et détruits juste à temps. L'IA peut être utilisée pour détecter les menaces et les activités malveillantes, révéler les attaquants, identifier les systèmes compromis et prendre en charge l'atténuation des menaces. Les exemples incluent l'enquête en temps réel sur les attaques potentielles, l'utilisation de la détection basée sur le comportement pour collecter les métadonnées du réseau, le signalement et le blocage des nouveaux ransomwares et autres attaques malveillantes, l'identification des comptes compromis et des fichiers impliqués dans l'exfiltration, et une analyse médico-légale approfondie des fichiers malveillants.
Les lecteurs sont encouragés à fournir des commentaires, qui deviennent une partie du dossier public, au Bureau of Consumer Financial Protection. Les lecteurs peuvent soumettre des informations réactives et d'autres commentaires, identifiés par le numéro de dossier CFPB 2021-0004, par l'une des méthodes suivantes:
- Portail fédéral des règlements en ligne: Allez à http://www.regulations.gov. Suivez les instructions pour soumettre des commentaires.
- Courriel: 2021-RFI-AI@cfpb.gov. Incluez le dossier n ° CFPB-2021-0004 dans la ligne d'objet du message.
À propos de l'auteur
Carl est certifié dans Scaled Agile Framework (SAFe), un Scrum Master et un chef de projet Six Sigma Green Belt avec plus de 25 ans d'expérience dans les services financiers, supervisant le développement à grande échelle de plates-formes logicielles mondiales de comptabilité multidevises, de rapports réglementaires et de rapports financiers. Il a une expérience pratique de la rédaction, de la révision et du dépôt de rapports de la Réserve fédérale, de la FFIEC et de l'IRS, y compris les rapports d'appel, les rapports Y9C, 2900 rapports, les rapports TIC et les rapports de remise d'arbitrage.
Plus de cet auteur
avril 2, 2021
Les régulateurs bancaires sollicitent des commentaires sur l'utilisation de l'IA et du ML dans l'industrie
Les cinq agences fédérales de régulation financière rassemblent des informations sur l'utilisation par les institutions financières de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML).
Les cinq agences fédérales sont:
Les agences ont collectivement annoncé une demande de renseignements (RFI) pour obtenir la contribution des parties prenantes, y compris les institutions financières, les associations professionnelles et les groupes de consommateurs. Les agences cherchent à comprendre l’opinion du public sur l’utilisation de l’IA par les institutions financières dans la fourniture de services aux clients. La RFI sollicite également l’opinion de l’industrie sur l’utilisation de l’IA dans les services financiers afin de déterminer si des éclaircissements de la part des agences seraient utiles pour l’utilisation de l’IA de manière sûre et rationnelle. Enfin, des opinions sont sollicitées sur la conformité aux lois et réglementations applicables, y compris celles relatives à la protection des consommateurs.
Les institutions financières mettent en œuvre des applications basées sur l'IA et le ML de diverses manières dans leurs organisations. Les utilisations actuelles incluent:
The Future of Big Data
Avec quelques conseils, vous pouvez créer une plate-forme de données adaptée aux besoins de votre organisation et tirer le meilleur parti de votre capital de données.
Obtenir le guide
Cela implique l'utilisation de l'IA pour identifier les transactions potentiellement suspectes, anormales ou aberrantes (par exemple, détection de fraude et surveillance de la criminalité financière). Cela implique l'utilisation d'un logiciel pour analyser des données structurées et non structurées (c'est-à-dire des courriels, du texte, des données audio), dans le but d'identifier les fraudes ou les transactions anormales. Le marquage des transactions doit équilibrer une plus grande précision et rapidité tout en ne créant pas trop de faux positifs. Il comprend également l'identification des transactions pour les enquêtes de la Loi sur le secret bancaire et de lutte contre le blanchiment d'argent, la surveillance des employés pour les pratiques inappropriées et la détection des anomalies de données.
Les technologies d'IA, telles que la reconnaissance vocale et le traitement du langage naturel (PNL), sont utilisées pour améliorer l'expérience client et pour gagner en efficacité opérationnelle. Un exemple est l'utilisation de chatbots pour automatiser les interactions de routine avec les clients, telles que les activités d'ouverture de compte et les demandes générales des clients. L'intelligence artificielle est mise à profit dans les centres d'appels pour traiter et trier les appels des clients afin de fournir un service personnalisé amélioré. Ces technologies sont également utilisées pour mieux cibler le marketing dans le commerce de détail et personnaliser les recommandations commerciales dans la gestion de patrimoine.
Cela implique l'utilisation de l'IA pour éclairer les décisions de crédit afin d'améliorer ou de compléter les techniques existantes. Cette application de l'IA peut utiliser des données traditionnelles ou utiliser des données alternatives (telles que des informations transactionnelles de flux de trésorerie provenant d'un compte bancaire). Le défi consiste à s'assurer que le logiciel en cours de développement n'est pas codé avec des biais.
L'IA peut être utilisée pour augmenter la gestion des risques et les pratiques de contrôle. Par exemple, une approche d'IA pourrait être utilisée pour compléter et vérifier un autre modèle de crédit plus traditionnel. Les institutions financières peuvent également utiliser l'IA pour améliorer la surveillance du crédit (y compris par le biais d'alertes précoces), le recouvrement des paiements, la restructuration et le recouvrement des prêts et la prévision des pertes. L'IA peut aider l'audit interne et la gestion indépendante des risques à augmenter la taille de l'échantillon (par exemple pour les tests), à évaluer les risques et à renvoyer les problèmes à haut risque à des analystes humains. L'IA peut également être utilisée dans la gestion du risque de liquidité, par exemple pour améliorer la surveillance des conditions du marché ou la gestion des garanties.
L'analyse textuelle fait référence à l'utilisation de la PNL pour traiter des données non structurées (généralement du texte) et obtenir des informations à partir de ces données ou efficacité des processus existants.
Pensez aux publicités télévisées de l'armée où les virus informatiques sont détectés et détruits juste à temps. L'IA peut être utilisée pour détecter les menaces et les activités malveillantes, révéler les attaquants, identifier les systèmes compromis et prendre en charge l'atténuation des menaces. Les exemples incluent l'enquête en temps réel sur les attaques potentielles, l'utilisation de la détection basée sur le comportement pour collecter les métadonnées du réseau, le signalement et le blocage des nouveaux ransomwares et autres attaques malveillantes, l'identification des comptes compromis et des fichiers impliqués dans l'exfiltration, et une analyse médico-légale approfondie des fichiers malveillants.
Les lecteurs sont encouragés à fournir des commentaires, qui deviennent une partie du dossier public, au Bureau of Consumer Financial Protection. Les lecteurs peuvent soumettre des informations réactives et d'autres commentaires, identifiés par le numéro de dossier CFPB 2021-0004, par l'une des méthodes suivantes:
À propos de l'auteur
Carl est certifié dans Scaled Agile Framework (SAFe), un Scrum Master et un chef de projet Six Sigma Green Belt avec plus de 25 ans d'expérience dans les services financiers, supervisant le développement à grande échelle de plates-formes logicielles mondiales de comptabilité multidevises, de rapports réglementaires et de rapports financiers. Il a une expérience pratique de la rédaction, de la révision et du dépôt de rapports de la Réserve fédérale, de la FFIEC et de l'IRS, y compris les rapports d'appel, les rapports Y9C, 2900 rapports, les rapports TIC et les rapports de remise d'arbitrage.
Plus de cet auteur
Source link
Partager :
Articles similaires