Tekst
Peter Ooms

Financiële processen worden intelligent

1 June 2019
De machine presteert sneller en beter dan de mens
ING organiseert dit jaar nog voor tweeduizend medewerkers wereldwijd opleidingen om hen op weg te zetten beter met artificiële intelligentie (AI) om te gaan. In de zogenaamde ING Analytics Academy zullen ook heel wat medewerkers in België en Nederland hun kennis bijspijkeren op het vlak van data, AI en machineleren. Het wijst op een massale inzet van de nieuwe technologie door de bank.

ING heeft AI en machineleren al in tientallen processen ingepast. Zo zet ING – net als heel wat andere banken – stevig in op de interactie met consumenten via tekst en spraak. Voor die spraaktechnologie maakt het bedrijf gebruik van de bestaande systemen, zoals Alexa van Amazon, Siri van Apple of Google Assistant. Pieter Goderis, global lead customer dialogue analytics, is verantwoordelijk voor de introductie van de technologie. “Ons team kan in een testomgeving al perfect een resem bankzaken afwerken waarbij de volledige interactie verloopt via de stem. We spelen daarbij vooral in op de dagelijks terugkerende bankzaken van de klant. Daarom voeren we analyses uit van de stand van de rekeningen en beleggingen. Als er een tekort dreigt op de ene rekening door bijvoorbeeld een toekomstige huurbetaling, kunnen we proactief voorstellen om bij te storten vanuit de spaarrekening. Uit ervaring weten we intussen dat klanten een aantal transacties liever niet uitvoeren alleen op basis van een stemcommando. Voor een betaling bijvoorbeeld willen ze visueel controleren of alles klopt.”
ING gebruikt die stemtechnologie intussen al in sommige landen, maar niet in België. “Wij zorgen dat onze systemen naadloos samenwerken met de stemherkenning van de technologieleverancier. In België is dat Google. Om die reden wachten we op de introductie van het Belgische taalmodel van Google om dit uit te rollen.”

Natuurlijke taal

Wereldwijd heeft ING intussen tientallen medewerkers in deze afdeling, die zich volledig focust op het verwerken van natuurlijke taal (NLP of natural language processing). Het gaat niet alleen om spraak, maar ook om e-mails, brieven, chatberichten en zelfs over handgeschreven documenten. Pieter Goderis: “Een heel belangrijke functie van die analyse is om klanten die ons contacteren veel sneller te verbinden met de juiste medewerker. In Nederland bijvoorbeeld sluizen we op die manier jaarlijks al miljoenen telefoonoproepen rechtstreeks naar de juiste medewerker door. In België doen we hetzelfde bij e-mailverkeer, want het snel sorteren van de inkomende berichten is cruciaal voor een efficiënte afhandeling van de vraag van de klant. De machine kan dat nu al sneller en beter dan de mens. We werken aan een virtuele assistent als orkestleider van alle digitale conversaties tussen de bank en de klanten. Die treedt op als het centrale contactpunt voor al onze virtuele assistenten in e-mail, telefonie en chat. Met één onderliggend platform moeten we dezelfde functies kunnen aanbieden in alle landen.”
Wanneer documenten moeten worden uitgewisseld, zoals een kopie van de identiteitskaart of een belastingaangifte, kan een assistent in een chatomgeving al snel controleren of het om de juiste aangifte gaat. Indien niet, volgt er meteen reactie. Intussen is de chatbot in sommige landen het belangrijkste kanaal geworden. “We profileren ons inderdaad steeds meer als een ‘conversationele bank’.”

Kredietanalyse en AI

De bank mikt op een achttal domeinen waar het artificiële intelligentie wil inzetten. “Uit onze analyses blijkt dat de kredietwaardigheidsanalyse voor ons het meest beloftevolle proces is om efficiëntieverbeteringen te verkrijgen. Het gaat in de eerste plaats om het effectief beschikbaar maken van databronnen en een correcte analyse via slimmere algoritmes. Dit is een kernproces van de bank. Alle verbeteringen in performantie of efficiëntie zijn hier van cruciaal belang.”
In hoeverre is die analyse van het kredietrisico bij de bank vergelijkbaar met dat van andere bedrijven? In commerciële organisaties zijn ook kredietmanagers aan de slag die de kredietwaardigheid van de klanten bewaken aan de hand van de eigen gegevens over de facturen en het betalingsgedrag, vaak aangevuld met informatie van leveranciers van handelsinformatie. Pieter Goderis: “In principe doen de bank en het bedrijf dezelfde fundamentele dingen. Ik denk wel dat banken veel meer databronnen hanteren en daardoor een veel complexere analyse uitvoeren. Het verschil ligt vooral in de schaal.”

Fraudepreventie

Omdat banken beschikken over zeer grote hoeveelheden data zijn ze goed geplaatst om voordeel te halen uit machineleren. Het algoritme leert zelf patronen te herkennen in de data van een testomgeving. Als dat eenmaal op punt staat, kan het algoritme ook met de echte gegevens aan de slag. “Dat proces staat of valt met de aanwezigheid van grote hoeveelheden kwalitatieve data. Wij hebben die als groep wel, maar we mogen ze niet altijd samenbrengen over de verschillende landen heen wegens beperkingen van GDPR of de lokale bankregulator. In onze ontwikkelingsomgeving waken we heel sterk over het correcte gebruik van de data, waarbij gegevens bijvoorbeeld eerst volledig anoniem gemaakt zijn. Eens we dan een algoritme hebben klaargemaakt, kan het in de landenorganisatie ingezet worden op de lokale gegevens. In België heeft ING drie miljoen klanten, in Nederland acht miljoen”, zegt Pieter Goderis.
De genoemde beperkingen zijn bijvoorbeeld een handicap voor het inzetten van machineleren voor fraudepreventie. In verhouding met het totale aantal transacties zijn er namelijk heel weinig frauduleuze verrichtingen. “Het is dan moeilijk om de klassieke analyses voor machineleren uit te voeren, want die leren uit voorbeelden uit het verleden. Daarom werken we in dat domein meer met zogenaamde unsupervised technieken voor machineleren. Die hebben een andere aanpak en focussen meer op echte anomalieën in de data”, besluit Pieter Goderis.