Генеративное искусственное интеллект (ИИ) в устойчивом банковском секторе – уменьшение выбросов углерода и поощрение экологически чистых расходов

Применение генеративного искусственного интеллекта (ИИ) в устойчивом банковском секторе для снижения выбросов углерода и стимулирования экологически чистых расходов

Введение

“Земля обладает достаточными ресурсами для наших нужд, но не для нашей жадности.” — Махатма Ганди

В свете растущего климатического кризиса, как отдельные лица, так и институты все больше признают необходимость сокращения выбросов углерода и принятия более устойчивых практик. Банки, как финансовые посредники с широкой клиентской базой, находятся в привилегированном положении для поощрения и стимулирования экологически осознанного поведения у своих клиентов. Генеративный искусственный интеллект (ИИ), благодаря своей способности анализировать данные, предоставлять персонализированные рекомендации и облегчать взаимодействие, представляет собой мощный инструмент для банков, чтобы помочь своим клиентам уменьшить выбросы углерода при совершении транзакций.

В этой статье рассматриваются несколько случаев использования, где генеративный ИИ может позволить клиентам банка делать экологически безопасные выборы и также позволять банкам предлагать стимулы для устойчивого поведения. Также предоставляется референсная архитектура с использованием сервисов AWS для создания приложения для устойчивого банковского дела для этих случаев использования.

I. Анализ данных и инсайты

Генеративный ИИ может начать путь к уменьшению выбросов углерода, проводя всесторонний анализ истории транзакций клиента. Он может классифицировать расходы по различным категориям углеродного следа, таким как транспорт, питание и энергия. Таким образом, он предлагает четкую картину о том, какие привычки трат клиента оказывают наибольшее окружающее воздействие.

• Если у вас всего лишь 3 минуты – эта инструкция к использованию чата ChatGPT Dense Summary создана специально для вас
• Разблокировка Knowledge Management 3.0, новая эра понимания с генеративным AI
• Почему DALLE3 представляет новое рассвет Искусственного интеллекта изображений

Например, ИИ может определить, что клиент часто пользуется услугами совместной поездки на автомобиле, что значительно влияет на его углеродный след. Имея такую информацию, банки могут предоставить персонализированные рекомендации для сокращения данного влияния, такие как предложение о совместной поездке на автомобиле, использование общественного транспорта или переход на электромобили.

II. Персонализированные рекомендации

Генеративный ИИ может предоставлять клиентам действенные рекомендации, адаптированные к их привычкам расходования. Эти рекомендации выходят за рамки общих советов и основаны на фактических операциях клиента, что делает их более релевантными и вероятными для принятия.

Представьте себе ситуацию, когда клиент часто бывает в ресторанах, известных своими большими выбросами углерода. ИИ может предложить альтернативные варианты обедов с меньшим воздействием на окружающую среду или посоветовать клиенту изучить домашние приготовления. Такие персонализированные рекомендации помогают людям принимать обоснованные решения, не изменяя радикально свой образ жизни.

III. Отслеживание углеродного следа в режиме реального времени

Для того, чтобы действительно повлиять на поведение, генеративный ИИ может рассчитывать углеродный след каждой транзакции в режиме реального времени. Это означает, что при совершении покупки клиент мгновенно получает информацию о воздействии его решения на окружающую среду. Эта функция может быть легко интегрирована в банковское приложение клиента, делая ее легко доступной и действенной.

Например, когда клиент покупает билет на самолет, ИИ может рассчитать соответствующие выбросы углерода и отобразить их наряду с транзакцией. Это не только повышает осведомленность, но и побуждает клиентов рассмотреть альтернативные варианты путешествия с меньшими выбросами.

IV. Программы поощрения

Один из наиболее привлекательных способов, которыми банки могут использовать генеративный ИИ, состоит в разработке программ поощрения за устойчивые расходы. Клиенты, активно сокращающие свой углеродный след или делающие экологически безопасные выборы, могут получать вознаграждения. Эти вознаграждения могут иметь различные формы, такие как кэшбэк, сниженные процентные ставки по кредитам или скидки на экологически чистые товары и услуги.

Представьте клиента, который постоянно пользуется общественным транспортом вместо владения автомобилем. Система ИИ банка может отслеживать такое поведение и вознаграждать клиента кэшбэком или скидками на экологически чистые товары и услуги. Это не только поощряет устойчивое поведение, но и способствует лояльности клиентов.

V. Интеграция компенсации выбросов углерода

В то время как сокращение выбросов углерода имеет важное значение, не всегда возможно полностью их устранить. Генеративный ИИ может предложить варианты компенсации выбросов углерода, позволяя клиентам компенсировать свои выбросы. Эти компенсации могут включать инвестиции в проекты по использованию возобновляемой энергии, поддержку мероприятий по возрождению лесов или финансирование других устойчивых инициатив.

Банки могут обеспечить безупречную интеграцию с провайдерами компенсации выбросов углерода через свои платформы. Таким образом, клиенты могут легко рассчитать выбросы, связанные с их расходами, и выбрать компенсацию непосредственно через приложение или веб-сайт банка. Это практичный способ взять на себя ответственность за свой углеродный след.

VI. Геймификация и вовлечение

Чтобы сделать устойчивые расходы увлекательными и приятными, Генеративный ИИ может превратить процесс в игру. Путем установления задач и целей, связанных с сокращением выбросов углерода, клиенты могут зарабатывать очки, значки или другие награды по мере своего прогресса. Например, достижение вех по снижению выбросов углерода может открывать дополнительные награды или признание в банковском сообществе.

Геймификация не только поощряет экологически осознанное поведение, но также способствует развитию чувства конкуренции и достижения у клиентов. Это может дополнительно способствовать вовлечению и вдохновлять на долгосрочное приверженность устойчивости.

VII. Образовательный контент

Обучение клиентов о воздействии их выборов на окружающую среду является важной составляющей сокращения углеродного следа. Генеративный ИИ может генерировать образовательный контент о устойчивом образе жизни, предоставляя клиентам информацию о том, как различные выборы влияют на окружающую среду и как они могут внести позитивные изменения.

Например, если клиент часто делает онлайн-покупки, ИИ может предоставить информацию о выбросах углерода, связанных с доставкой, и предложить способы снижения этого влияния, такие как выбор экологичных вариантов доставки или объединение заказов.

VIII. Обратная связь и отслеживание прогресса

Генеративный ИИ может предлагать непрерывную обратную связь о прогрессе клиента в снижении его углеродного следа с течением времени. Отслеживая и визуализируя свои улучшения, клиенты могут видеть положительное влияние своих выборов. Этот цикл обратной связи может быть очень мотивирующим и побуждать клиентов продолжать принимать экологически грамотные решения.

Например, клиент, перешедший на использование возобновляемой энергии, может видеть, как с течением времени сократились выбросы, связанные с его потреблением электроэнергии. Визуальное отображение прогресса подчеркивает важность его устойчивых выборов.

IX. Создание сообщества

Банки могут способствовать формированию чувства сообщества среди своих клиентов, создавая онлайн-форумы или сообщества, где люди могут делиться своим опытом и советами по сокращению углеродного следа. Генеративный ИИ может способствовать дискуссиям и отвечать на вопросы, связанные с устойчивостью.

Эти сообщества предоставляют платформу для взаимной поддержки и вдохновления клиентов на их пути к устойчивости. Более того, банк может активно участвовать в этих форумах, демонстрируя свое приверженность к экологической ответственности.

X. Предсказывающая аналитика

Генеративный ИИ может использовать предсказывающую аналитику для предварительного определения потенциальных будущих выбросов углерода на основе поведения клиента и внешних экологических данных. Таким образом, он может предложить предварительные действия для минимизации воздействия предстоящих покупок на окружающую среду.

Например, если ИИ предсказывает, что предстоящий отпуск клиента будет сопряжен с высоким уровнем выбросов углерода, он может рекомендовать варианты компенсации этих выбросов или выбора более экологичного жилья.

AWS Справочная архитектура для устойчивого банковского приложения

Вот краткое описание архитектуры AWS для каждой из функциональных компонент:

1. Пользовательский интерфейс:

Клиенты могут получать доступ к приложениям по всему миру с разных устройств (веб, мобильные и т. д.) с помощью следующих сервисов AWS:

· Amazon Route 53 предоставляет маршрутизацию DNS для доступа к приложениям из интернета.

· Amazon CloudFront распределяет статические ресурсы (видео, изображения) и получает динамические ответы (API) с помощью инфраструктуры CDN Amazon для бесшовного клиентского опыта.

· AWS Amplify – платформа разработки фронтенда и бэкенда для размещения, аутентификации и развертывания серверных функций для веб- и мобильных приложений.

· AWS API Gateway обеспечивает управление API и безопасное предоставление микросервисов.

· AWS Lambda обеспечивает безсерверное вычисление для выполнения бэкенд-логики на основе запросов.

2. Интеграция с основными системами банковского ядра (CBS):

В банковской сфере ключевыми источниками внутренних данных являются операции в реальном времени и офлайн-информация о клиентах, хранящаяся в базах данных основных банковских систем. Для интеграции с CBS используются следующие сервисы AWS для сбора данных для различных функций:

· AWS DMS используется для репликации необходимых для аналитических целей офлайн-данных из CBS в AWS RDS (в зависимости от требований, возможны замены другими подходящими БД).

· AWS Kinesis Firehouse захватывает банковские транзакции для реального времени аналитики и прогнозирования.

· Amazon S3 – масштабируемое озеро данных, хранит все сырые данные из различных источников для дальнейшей обработки.

3. Интеграция с третьими сторонами:

В банковском секторе данные от третьих сторон в основном поступают из приложений SaaS и от сторонних поставщиков (таких как Amenity, SASB и RepRisk для устойчивого развития). Следующие сервисы AWS помогают интегрировать эти данные:

· Amazon AppFlow автоматизирует сбор и каталогизацию данных из разных приложений SaaS (например, Salesforce CRM).

· AWS Data Exchange позволяет найти и подписаться на более 70+ наборов данных по устойчивому развитию, таких как экологические, социальные и корпоративные показатели (ESG), выбросы, погода и спутниковые данные.

4. Преобразование данных и обработка больших данных:

Преобразование данных и обработка больших данных необходимы для подготовки данных для обучения генеративных моделей и получения прогнозов и аналитических выводов. Можно использовать следующие сервисы AWS:

· AWS Glue автоматизирует преобразование данных из озера данных S3 и AWS RDS.

· Сгруппированные данные размещаются в Amazon S3 для дальнейшего использования сервисами AWS.

· Сгруппированные данные также загружаются в хранилище данных Amazon Redshift для аналитических возможностей и выводов.

· Amazon EMR используется для обработки больших данных, анализа с использованием статистических алгоритмов и создания прогнозных моделей для выявления тенденций в расходах, поведении клиентов и персонализированных рекомендаций.

· Amazon Athena используется для подготовки данных для аналитических информационных панелей на основе Amazon S3 и Redshift.

· Amazon DynamoDB (база данных No-SQL) хранит данные для геймификации, отслеживания прогресса, создания сообщества и снижения углеродного следа.

5. Сервисы генеративного искусственного интеллекта:

Используя подготовленные и преобразованные данные, сервис AWS SageMaker позволяет разрабатывать, обучать, развертывать и отслеживать модели генеративного искусственного интеллекта. Используются следующие функции AWS SageMaker:

· Foundation Models (FMs), встроенные алгоритмы Amazon SageMaker Jumpstart.

· Непрерывный мониторинг результатов генеративной модели искусственного интеллекта с использованием Amazon SageMaker Model Monitor.

· Управление ML-процессом от начала до конца (с использованием практик CI/CD) с помощью Amazon SageMaker Pipeline.

AWS объявил о новых сервисах генеративного искусственного интеллекта, таких как Amazon Bedrock, который предоставляет доступ к FMs от Amazon и ведущих исследовательских компаний искусственного интеллекта, таких как AI21 Labs, Anthropic, Cohere, Meta и Stability AI. На момент написания этого блога, эти сервисы находятся в ограниченном предварительном доступе и ожидают общедоступности. При доступности эти сервисы также могут быть легко интегрированы с помощью API.

6. Получение аналитических выводов и уведомлений:

Клиенты получают прогнозы и аналитические выводы в виде информационных панелей (оценки, модели потребления), рабочих процессов (действия, статус) и оповещений (уведомления push, текстовые сообщения) с использованием следующих сервисов AWS:

· Богатая визуализация данных и интерактивные информационные панели, встроенные в веб- и мобильные приложения с использованием встроенной аналитики Amazon QuickSight.

· Amazon Step Functions – оркестровка рабочего процесса и управление триггерами уведомлений.

· Amazon SNS – доставка оповещений и уведомлений клиентам по SMS и push-уведомлениям на мобильные устройства.

7. Аутентификация и шифрование:

Личные данные клиентов должны быть высоко защищены и соответствовать стандартам безопасности. Вот некоторые сервисы AWS, которые помогают обеспечить это:

· Amazon Cognito предлагает аутентификацию клиентов (функции регистрации и входа в систему) и контроль доступа к функциям веб- и мобильных приложений.

· AWS IAM для определения и управления ролями и доступом к данным и ресурсам в AWS и предотвращения несанкционированного доступа.

· AWS KMS используется для генерации ключей для шифрования данных с повышенной безопасностью.

8. Аудит и мониторинг:

Клиентам необходимо получать доступ к банковским услугам без проблем. Нормативные акты требуют от банков поддержания контроля над аудитом и соответствием с помощью ведения журнала. Для этого можно использовать следующие сервисы AWS:

· Amazon CloudWatch непрерывно наблюдает, контролирует и визуализирует производительность сервисов AWS, а также запускает автоматические действия при возникновении предупреждений/триггеров.

· AWS CloudTrail непрерывно контролирует события, активность и доступ пользователя и регистрирует их в целях аудита.

Заключение

В эпоху, когда важно быть осознанным экологически, банки имеют уникальную возможность способствовать позитивным изменениям, используя генеративное искусственное интеллект. Благодаря инициативам, основанным на искусственном интеллекте, банки могут помочь своим клиентам уменьшить их углеродный след и принимать экологически обоснованные решения. Эти усилия благотворно влияют не только на окружающую среду, но и позиционируют банки как социально ответственные учреждения, приоритетно ориентированные на устойчивость. Кроме того, такие инициативы способствуют укреплению лояльности и вовлеченности клиентов, поскольку они ценят дополнительные услуги, соответствующие их ценностям.

Банки, которые применяют генеративное искусственное интеллект для устойчивых инициатив, обычно ощущают положительный эффект как на своей прибыльности, так и на своей репутации ответственных корпоративных граждан. Сотрудничая со своими клиентами, банки могут играть важную роль в смягчении изменения климата и поощрении создания более экологически чистого и устойчивого мира.