ABI Lab, nell'ambito dell’AI Hub, ha realizzato un Catalogo Use Case 2024, una raccolta aggiornata di casi concreti, con l'obiettivo di:

• comprendere come l’Intelligenza Artificiale (AI) e, in particolare, l’AI Generativa (GenAI) siano oggi applicate nelle realtà bancarie;
• identificare possibili aree su cui lavorare;
• avviare un confronto sui risultati conseguiti e condividere le principali lessons learned.

Il Catalogo Use Case è stato strutturato attraverso un approccio collaborativo che ha visto la partecipazione di tutte le banche e aziende partner coinvolte.

Per offrire una panoramica completa delle possibilità offerte dall’Intelligenza Artificiale nel settore bancario, il Catalogo Use Case è stato strutturato in due sezioni, distinte ma complementari:

• use case bancari - La prima sezione è dedicata esclusivamente a use case in ambito bancario e, analogamente al Catalogo 2022, si compone di 7 ambiti, ulteriormente suddivisi in 24 sotto-ambiti.
• use case altre industry - La seconda sezione, invece, si concentra sugli use case realizzati in altre industry che possono essere adattati e applicati anche nel settore bancario.

In questo modo, il catalogo fornisce una raccolta completa di esperienze e conoscenze, unendo gli insights specifici del settore bancario con le innovazioni provenienti da altre industrie, per creare una risorsa di valore.

Dall’analisi degli use case raccolti, emergono alcune evidenze:

SELEZIONE DEI MODELLI

• DIMENSIONE: non sempre è necessario utilizzare modelli di grandi dimensioni; in molti casi, modelli più leggeri funzionano bene per specifici use case.
• VERTICALIZZAZIONE : la scelta tra modelli Domain-Specific o General-Purpose non è banale e dipende molto dal contesto. L’effort di verticalizzazione non necessariamente migliora i risultati (dipende dallo use case).
• SOURCING: la scelta tra modelli di mercato (proprietari) e modelli open source richiede un’approfondita fase di analisi.

ARCHITETTURA, DATI E SVILUPPO

• CLOUD: la flessibilità dei servizi cloud è spesso sfruttata per ottenere risultati scalabili e sostenibili.
• DATI: la fase di preparazione dei dati è in genere la più impegnativa di ogni progetto. Bisogna avere un numero adeguato di dati di qualità per ottenere risultati accurati.
• SVILUPPO CONTINUO: si preferisce affrontare i progetti per fasi semplici e successive, invece di implementare direttamente soluzioni complesse per intero.

ACCORGIMENTI SU PROGETTI DI GENAI

• FEEDBACK CONTINUO: integrare meccanismi per raccogliere e utilizzare feedback in tempo reale spesso migliora la qualità dei risultati.
• COLLABORAZIONE: coinvolgere tutti gli stakeholder, incluso il Business Owner, è essenziale per raggiungere i risultati.
• TESTING: è importante definire casi di test su misura per le peculiarità della GenAI, con un focus, ad esempio, su spiegabilità e validazione umana.
• TECNICHE: cambiano rapidamente (RAG, Prompting, etc.). È importante sviluppare velocemente opportune competenze.

Il lavoro ottenuto rappresenta una prima versione della Raccolta Use Case, uno strumento utile ad avviare confronti e momenti di discussione. Sarà ripreso e arricchito in futuro per cogliere nuove esperienze implementative e valutarne l’evoluzione nel continuo.