L’intelligenza artificiale agentica e i modelli linguistici di piccole dimensioni stanno rivoluzionando il settore dei pagamenti, migliorando efficienza, sicurezza e personalizzazione dei servizi finanziari.
Ce ne parla Ramon Villarreal, Global Architect e Payments Lead, Financial Services di Red Hat nell’articolo che condividiamo di seguito.
Buona lettura!
La trasformazione dei pagamenti, tra AI agentica e modelli linguistici di piccole dimensioni
I servizi finanziari sono nel pieno di una grande trasformazione volta alla loro modernizzazione e l’AI ricopre un ruolo sempre più centrale in questo processo. Un impatto particolarmente evidente lo troviamo nel mercato dei pagamenti, dove l’uso dell’intelligenza artificiale sta progredendo in aree cruciali come la gestione del rischio e il rilevamento delle frodi.
Le istituzioni finanziarie, che affrontano quotidianamente sfide complesse, tra cui l’adeguamento alle nuove normative, la mitigazione dei rischi e la lotta ai crimini finanziari, stanno attualmente esplorando le possibili applicazioni dell’AI come strumento a supporto. Tuttavia, manca ancora una spinta decisiva alla sua adozione su larga scala, dovuta in parte alla relativa novità di alcune funzioni, come l’AI generativa, e in parte alla necessità di sviluppare un approccio ponderato per la sua implementazione.
A tale scopo, è importante che le organizzazioni comprendano innanzitutto quali obiettivi vogliono raggiungere, per sviluppare poi una strategia dettagliata che li allinei con i requisiti normativi.
I casi di applicazione dell’AI nei servizi finanziari
Sono diversi i casi d’uso che le imprese dei servizi finanziari stanno esplorando attivamente nel contesto dei pagamenti. Queste applicazioni sfruttano i modelli di apprendimento di grandi dimensioni (LLM) e l’AI agentica.
Un esempio è il routing intelligente dei pagamenti, che permette di gestire e distribuire qualsiasi tipo di transazione nel sistema appropriato, senza interruzioni. Per ogni transazione, il sistema analizza i fattori legati al pagamento, tra cui anche i dati del cliente, la posizione geografica e il profilo di rischio, e adatta dinamicamente il percorso per raggiungere l’esito più appropriato. In questo modo, è possibile massimizzare la percentuale di successo delle analisi delle transazioni e minimizzare i costi legati alle verifiche manuali e ripetitive per ciascun passaggio necessario.
Un’altra area critica è la valutazione del rischio di credito. L’AI – grazie alla capacità di analizzare grandi quantità di dati in tempo reale – può essere utilizzata per identificare meglio e più velocemente le anomalie nei processi di rilevamento delle frodi o di contrasto al riciclaggio di denaro e, allo stesso tempo, può essere allenata per riconoscere gli schemi di frode in maniera più accurata e minimizzare il tasso di falsi positivi.
L’AI può anche automatizzare processi manuali e soggetti a errori, riducendo i costi, accelerando le operazioni e migliorando la qualità dei flussi di lavoro. Un esempio è la correzione dei dati di pagamento, dove un sistema di pre-validazione e valutazione supportato dall’AI minimizza la necessità di intervento manuale e, qualora fosse necessario, l’agente del servizio clienti può collaborare con l’AI generativa per semplificare il processo di correzione, accelerando significativamente i tempi di risoluzione.
Le opportunità offerte dall’AI sono enormi. Tuttavia, è fondamentale ricordare che il settore dei pagamenti è fortemente regolamentato e che la sicurezza, la trasparenza e l’affidabilità dei sistemi devono rimanere prioritarie. Questo è particolarmente vero alla luce delle normative e delle linee guida derivanti dall’AI Act dell’UE.
In questo contesto, tre approcci stanno assumendo un’importanza crescente: l’open source, l’utilizzo di modelli di AI più piccoli e l’adozione di ambienti cloud ibridi.
L’open source e la garanzia di trasparenza dei modelli
Le politiche, le tecnologie e le soluzioni open source promuovono la collaborazione e la trasparenza. Nel contesto dell’AI, ciò si traduce in dati facilmente accessibili e affidabili, e in un processo decisionale trasparente, idealmente con la possibilità di contribuire allo sviluppo del modello. Questo costituisce la base per una “AI affidabile”, i cui principi cardine sono la spiegabilità, l’equità, la robustezza e la controllabilità dei modelli. Questo tipo di AI è essenziale per le istituzioni finanziarie, e normative come l’AI Act dell’UE e le direttive delle autorità di vigilanza locali definiscono già importanti linee guida in questo ambito.
Small language model (SLM) e AI agentica per modelli più precisi e reattivi
Un’ulteriore sfida per i fornitori di servizi finanziari è individuare il modello di AI più appropriato per le proprie esigenze. La tendenza che sta emergendo con più forza vede le istituzioni non affidarsi più esclusivamente ai Large Language Model (LLM), ma valutare modelli più piccoli (SML) addestrati per casi d’uso mirati.
Gli SML offrono diversi vantaggi. Innanzitutto, sono necessarie meno risorse per la loro implementazione, con effetti positivi i termini di riduzione dei costi e consumi energetici. Inoltre, gli SML facilitano l’integrazione continua di nuovi dati, in particolare quelli direttamente legati all’azienda e al settore in cui opera, permettendo di completare le fasi di addestramento molto più rapidamente. Infine, l’utilizzo di modelli più piccoli con licenza open source consente alle aziende di essere più indipendenti dai fornitori e di scegliere più agevolmente soluzioni che offrono visibilità sugli algoritmi, sui dati di addestramento e sui pesi del modello.
Parallelamente, l’AI agentica sta emergendo come un nuovo paradigma nell’implementazione dei modelli di intelligenza artificiale. Questi agenti intelligenti sono in grado di analizzare i trend, prendere decisioni in frazioni di secondo e adeguare dinamicamente le strategie in base ai dati e alle notizie in tempo reale, aprendo la strada a sistemi più efficienti e reattivi.
Il cloud ibrido come fondamento dell’infrastruttura di innovazione
I pagamenti rappresentano un’area intrinsecamente critica per la sicurezza, data la natura delle transazioni monetarie e la necessità di archiviare e gestire dati finanziari e personali altamente sensibili. Tradizionalmente, le aziende hanno preferito infrastrutture di proprietà e server on-premises per ospitare i dati e il software utilizzato per i pagamenti. Tuttavia, questo approccio presenta dei limiti e non consente una piena adozione di tecnologie innovative come l’AI. In risposta, il mercato del cloud si è evoluto per offrire una soluzione ibrida che combina i vantaggi di entrambi i mondi. Il cloud ibrido, tipicamente abilitato da un livello di astrazione e una piattaforma di gestione centralizzata, consente alle organizzazioni di continuare a utilizzare l’archiviazione on-premises per i dati sensibili, sfruttando al contempo la scalabilità e la flessibilità del cloud pubblico. Questa architettura permette di spostarsi tra diversi fornitori di cloud pubblico in base alle proprie policy, alle richieste del mercato o alle normative, garantendo al contempo la resilienza operativa.
Un approccio cloud ibrido si basa sulla portabilità dei carichi di lavoro, garantendo una gestione coerente e sicura durante l’intero ciclo di vita dell’applicazione, dallo sviluppo e dall’addestramento del modello di AI all’integrazione in un’applicazione di pagamento. Le istituzioni finanziarie possono, ad esempio, sviluppare e addestrare un modello di AI in un cloud pubblico utilizzando dati disponibili pubblicamente o dati di test sintetici, per poi integrarlo nell’applicazione on-premises. In alternativa, possono addestrare i modelli con dati riservati all’interno del proprio data center e successivamente eseguirli in un ambiente cloud pubblico.
Pur riconoscendo le sfide legate all’AI, come le problematiche relative alla privacy, i costi di investimento e la necessità di definire una solida direzione strategica fin dall’inizio, il suo potenziale nel settore dei pagamenti è immenso. L’AI può semplificare i processi, aumentare l’efficienza e guidare l’innovazione. Alla base di tutto, tuttavia, rimane la necessità di un’infrastruttura ibrida flessibile, progettata per garantire maggiore trasparenza e collaborazione, e capace di adattarsi ai rapidi cambiamenti del mondo dell’AI.
di Ramon Villarreal, Global Architect e Payments Lead, Financial Services, Red Hat
