Il mondo del finance e dei pagamenti è caratterizzato da una notevole complessità, tecnologica e normativa, nonché da un numero notevole di variabili che interessano i diversi processi. D’altra parte, tutti gli operatori del settore sono accomunati da alcune esigenze: la rapidità dei tempi di risposta, nonché l’efficacia e l’efficienza di queste azioni. In questo senso una riposta può arrivare dalle soluzioni di intelligenza artificiale e machine learning, che sono in grado di scovare le correlazioni esistenti tra differenti fonti di dati ed effettuare azioni di risposta automatizzate, permettendo così agli operatori bancari di disporre di servizi e applicazioni più efficienti e performanti, a tutto vantaggio degli utenti finali.
L’esperienza di Mantica
Un attore come TAS Group, che realizza soluzioni software per la monetica, i pagamenti elettronici e i mercati finanziari, sta approcciando in maniera convinta queste tecnologie, in particolare a partire dall’acquisizione nel 2019 dell startup specializzata Mantica. Progressivamente, infatti, numerose soluzioni software di TAS sono state ottimizzate con i modelli di machine learning realizzati da Mantica che, anche prima dell’acquisizione, poteva vantare un modello di business consolidato, come racconta il CEO di Mantica, Amedeo Borin: “ La nostra azienda nasce circa dieci anni fa come startup ed ha sempre avuto al centro il tema della valorizzazione del dato in ottica advanced analytics, grazie all’uso di tecnologie innovative come machine learning e intelligenza artificiale. Abbiamo realizzato una tecnologia end to end, che supporta tutto il processo di automazione per la produzione di modelli di machine learning, che vengono rilasciati in supporto delle applicazioni del cliente finale”.
Come funzionano i modelli
Questi modelli, dopo essere stati opportunamente addestrati, diventano in grado di intercettare le continue variazioni di un fenomeno osservato, che i tradizionali sistemi non sarebbero in grado di effettuare. Il modello finale non è altro che un oggetto software, che viene interrogato tramite API dalle applicazioni già esistenti, rendendo così possibile una risposta in tempo reale. Diventa così possibile attribuire, ad esempio, uno score sulle probabilità di frode di un determinato pagamento. “A partire dal momento in cui abbiamo a disposizione i dati, in 4-6 settimane siamo in grado di produrre i modelli. Si tratta di un tempo molto rapido, considerato che questi modelli hanno una propria validità e accuratezza, che potrebbe essere già verificata sul campo. Un modello di machine learning, però, non vive di vita propria, ma deve essere inserito in un ambito di produzione, tipicamente dei prodotti o dei servizi del nostro cliente. Si entra così in un ambito che per noi è meno sotto controllo. Specialmente nel mondo enterprise e bancario – a causa di collaudi, simulazioni e obblighi normativi di vario genere – i tempi dell’on boarding effettivo possono allungarsi anche notevolmente”.
Le soluzioni di TAS integrate con il machine learning
Queste caratteristiche hanno spinto TAS Group, che aveva inizialmente approcciato Mantica per uno specifico progetto, ad acquisire una quota di maggioranza (80%) della startup AI. Fattore che ha portato in questi anni all’integrazione dei modelli di machine learning Mantica nelle soluzioni proposte da TAS sul mercato. In ambito sicurezza, Fraud Detection consente l’individuazione tempestiva delle anomalie nell’utilizzo degli strumenti di pagamento, sia card-based che account-based, abilitando l’effettuazione di indagini ed interventi opportuni in caso di frode sospetta o accertata. La soluzione permette anche l’interazione in tempo reale con l’ambiente del cliente, sia esso PSP, TPP o Merchant, e l’utilizzo di motori predittivi evoluti per supportare la Transaction Risk Analysis. Un altro servizio a uso interno equipaggiato con il machine learning di Mantica è Harmonizer Hub (Account Aggregation Service in real time) che abilita analisi, interpretazione, riconciliazione e armonizzazione delle causali bancarie, assicurando così un’interpretazione omogenea dei dati con possibili ricadute positive anche sull’individuazione di transazioni sospette. Le decisioni ambito marketing (e non solo) sono supportate invece da Payment Intelligence, che permette l’estrapolazione di potenti modelli comportamentali e predittivi, offrendo una visione dei clienti a 360 gradi. Non meno importante è Sanction Screening per Service Bureau, che può essere utilizzato per gli obblighi anti-money-laundering e anti-terrorismo nell’ individuazione di eventuali azioni sospette: il software mette a disposizione servizi di matching (Match & Proximity Indicator) basati su Sanction List internazionali (OFAC, EU, UN).
Le necessità degli operatori
Ma cosa sta spingendo davvero il machine learning in ambito finance e pagamenti? “Il valore di mercato principale per il mondo finance è storicamente la conoscenza dei clienti, siano essi privati, merchant o aziende. Il machine learning aiuta ad amplificare questa conoscenza, permettendo di affrontare due tipi di questioni: la prima è la gestione del rischio, la seconda è il miglioramento delle proposizioni di mercato. Ad esempio, in ambito creditizio, oltre all’esposizione finanziaria del richiedente, le banche potrebbero valutare con maggiore cognizione di causa la fattibilità economica della richiesta di credito. Più in generale, gli attori del finance non richiedono esplicitamente l’introduzione del machine learning quanto, piuttosto, la possibilità di rilevare delle informazioni che adesso magari sfuggono. Non a caso i nostri referenti provengono più dal lato business piuttosto che dall’IT. In quest’ottica, la nostra tecnologia ci consente di essere molto agili ed estremamente adattabili alle esigenze del cliente”, conclude Borin. In prospettiva futura Mantica e TAS stanno esplorando anche le possibilità di applicazione del quantum computing nell’ambito della protezione frodi, grazie a una collaborazione con l’Università di Verona.
