转变贸易业务

AI如何启用新的成本杠杆并加速向T + 1的过渡 在本白皮书中，我们讨论了银行在转变传统业务时面临的挑战，以及最近人工智能(AI)的发展正在提供新的方法来推动效率和加速大规模变革。作为例如，我们探索使用人工智能驱动的通信采矿来简化贸易结算流程。 Contents 03040506070809出了什么问题？贸易运作的新方法通信挖掘：AI驱动的通信自动化用例：证券交易结算中的异常处理手动异常处理的挑战加速过渡到T + 1实现AI驱动的自动化 出了什么问题？ 在利率上升和潜在经济衰退的背景下，银行继续努力应对fi的能力和高成本收入比。 除了增加收入外，银行还将运营效率作为其支出的重点管理战略。现在广泛接受的是，后台是解锁下一级成本节约的关键。 许多银行继续拉动传统的成本杠杆，如外包、流程改进和工作流管理。 在许多情况下，结果已经平淡无奇，多年的变革计划未能提供预期的好处。运营成本仍然居高不下，在某些情况下，成本收入比正在增加。 贸易运作的新方法 随着银行寻求新的效率杠杆，它们已经开始探索新技术如何加速数字化转换e夫奥茨。 数字化转型的一种方法正在获得牵引力是用人工智能来挖掘大量的组织中的通信数据以进行改进机会，并实现全新的自动化。这种方法可以简化许多操作流程，导致企业营业利润率提高。 关于新的潜在好处fits已经写了很多fi金融服务中的技术- Ops等战略4.0和数字化转型承诺从显著的fi不能提高生产力新的商业模式。更不用说整个行业了区块链实现的市场基础设施转型技术。 这些策略在纸面上很有意义，但到目前为止很少有现实世界中实施它们的例子成功-几乎没有证据表明他们可以提供任何东西不仅仅是超fi社会变化。 通信采矿：AI驱动通信自动化 一个关键的差异特性是通信挖掘只需要15 - 20个数据样本即可检测新概念具有很高的fi可信度。这与100 - 300相比主题的标准AI模型通常需要的样本检测，以及通常需要的500 - 1, 000 UiPath通信挖掘是一种强大的能力UiPath业务自动化平台。它使用状态- of -最先进的AI来分析、监控和自动化对话和基于服务的流程。 监督机器学习技术自动检测通信数据中的概念和意图，避免需要复杂的问题解决和培训方法论。 这提供了两个主要业务beefits: 业务用户只需为其数据创建分类使用多阶段学习过程。分类法包括与业务相关的标签，用于标记每个按顺序进行对话(与fi信心水平一起)驱动下游处理。在银行的情况下操作，分类法通常会描述一个分层的识别fi函数和异常的过程模型类型，例如"结算>失败>交易对手缺乏". 1.检测高风险，低频率事件:解决方案需要100s或1, 000s的数据样本根本无法检测到这些事件。 2.非常短的培训周期：Other解决方案需要大量数据和通常需要数周或数月训练模型的努力。训练现在可以测量周期天或小时，即使是大数据sets. This is due to the processof 分类可以代表任何与银行相关的概念，对于 example: •事件类型(例如故障需求、贸易生命周期事件,客户端查询...)••异常类型风险(例如，GDPR违规、密码共享、选修公司行动指导……)••••流程/组织单位紧迫性情绪实体(例如，日期、货币、工具、价格、交易对手...) 经过培训后，通信挖掘分类可以是跨三个功能部署： 采矿-用于分析和发现过程改善机会。 Monitoring-用于趋势的实时跟踪，性能和服务质量。 自动化-用于将标签应用于真实的对话-时间，以推动下游自动化通过UiPath机器人。 用例：证券中的异常处理贸易结算 向T + 1结算过渡的时钟正在滴答作响-在一个工作日内进行例行证券交易的结算。 然而，运营团队仍然面临着堆积如山的例外——主要的分歧是他们少了一天的时间来解决他们。 对于参与过渡到T + 1的运营领导者，增加他们的团队以应对处理的挑战电子邮件和用更少的时间解决异常问题根本不是一个选择。这就是人工智能驱动的组合通信挖掘和自动化可以帮助支持其团队满足市场需求的能力。 手动例外的挑战处理 大部分贸易结算生命周期都是在直通处理(STP)工作中处理的，这需要很少的人力干预。然而，许多银行仍然处理一些结算准备工作，包括拨款、审计和三分之一(34%)的资本市场高管表示，他们至少50%的交易仍然是手动交易。 鉴于fiRMS在结算之前将有更少的时间来管理例外，贸易结算失败的增加是非常有可能的。 几乎每个STP的异常都是通过电子邮件，异常通常由运营团队使用共享来处理mailboxes. But this manual process introduces considerable fraction and risk to trade settlement, especially as lean operations在T + 1下，团队将有更少的时间来处理它们。 失败的交易不仅对交易量不敏感，还会带来运营和风险挑战。随着积压的失败的交易带来了利润率飙升和交易对手风险增加的前景。客户关系也承受着沉重的压力，受影响的客户可能会决定将业务转移到另一个能够提供更好的服务水平。 在日益动荡的市场中，限制手动接触点的数量并减少手工工作在整个贸易结算中引入的风险。 加速过渡到T + 1 向T + 1结算过渡的时钟正在滴答作响-在一个工作日内进行例行证券交易的结算。 为了实现T+1，操作应该在异常处理中寻求更多的自动化机会。异常处理具有由于对复杂的非结构化数据的依赖，即使用高变化的数量，自由形式和对话语言的非结构化。 幸运的是，人工智能的最新进展强调了机器准确理解和处理人类的能力语言和请求。有了这些功能，电子邮件查询和异常的端到端自动化现在确实，十分之九的资本市场高管认为，人工智能和自动化对于帮助他们的fiRM满足他们的需求至关重要T+1义务。 大约10人中的9人资本市场执行者同意AI&自动化将在帮助他们的fiRM移动到T + 1 83％的人说自动化是已嵌入并在他们的端到端贸易生命周期 73%的人认为AI是已嵌入并在他们的端到端贸易生活 在OpenAI的GPT模型等生成AI系统中，AI系统的智能和复杂性日益增强。然而，这并不意味着fiRMS可以简单地通过ChatGPT或GPT - 4连接每个异常。 除了数据隐私挑战之外，GPT模型并不完全可靠，并且容易出现“幻觉”和其他errors. In a process as critical and timely regulated as trade settlement,fiRMS need the highest level of accuracy and从他们的AI驱动的自动化性能。 运营团队需要专门的AI能力，针对异常处理的特定任务进行培训，并针对他们的fiRM在安全的环境中拥有自己的数据，将上下文转化为行动。 UiPath Communications Mining提供了此功能，使运营团队能够快速构建AI模型能够理解操作电子邮件的细微差别，并使用该上下文来自动化下游的工作。 UiPath通信挖掘提供了短模型训练周期和快速部署的好处。Communications Mining还利用最先进的Generative AI来加快注释过程。这有助于定制的AI模型，可以在数小时或数天内部署，而不是通常需要训练AI的数周或数月模型。 一旦经过训练，通信挖掘模型就可以准确地检测交易以及高风险、低频率的请求。然后，系统可以向下游发送事务请求到STP的自动化机器人，或者升级更复杂的如果需要，向代理请求。 实现AI驱动的自动化 其中绝大多数是由手动错误驱动的，工艺设计不良或程序不完善。 早期迹象表明，人工智能可以帮助解锁复杂性背负的冰环境。多亏了深度学习，现在可以挖掘非结构化数据在规模上，并快速识别内的有效性和手动随着时间的推移而建立的过程。 原则上，没有理由处理和异常管理不能完全自动化。 有趣的是，这些进步开始塑造未来与今天截然不同的行动愿景。运营从根本上说是一种风险功能。它管理风险从交易执行到结算。任何执行后发生的风险由操作，直到它们被解决。 这必须是任何技术支持的核心焦点策略-从过程函数转换操作通过消除手动处理和例外。 在未来，运营将有更高的水平由于人工智能的实施，自动化比今天存在的自动化更多，以及一个显著较小的fi足迹。异常检测将允许“shif tef”的行动，重点是预防，而不是对异常发生时的反应。 当然，有很多责任-记账，监管报告、数据管理、对账等等-但所有这些功能从根本上来说管理风险。 这是AI驱动自动化的愿景。高度 处理功能。很多管理层关注的是通常专注于操作模型、流程执行、降低了单位人工成本。 通信采矿将在fi中发挥重要作用实现这个愿景。 在复杂的手动处理的组合环境是有问题的。风险事件并非罕见 了解更多UiPath通信挖掘 UiPath如何在交易后生命周期中减少异常