未来AI银行的核心技术现代化超越数字化转型
https://mp.weixin.qq.com/s/WLDhtp4ZeetVTZ_fVIMdaQ
为了使人工智能在整个组织中创造价值，银行需要可扩展，具有弹性和适应性的核心技术。需要在六个关键领域进行更改的建筑。Forartificial intelligence to deliver value across the organization, banks needcore technology that is scalable, resilient, and adaptable. Building thatrequires changes in six key areas.人工智慧（AI）银行通过组织人才，技术和工作方式，以AI优先的愿景超越竞争对手，从而通过引人入胜的旅程和体验为客户提供智能的价值主张，从而为客户提供支持。要实现这一愿景，需要具备四个领域的能力：参与层，决策层，核心技术层和平台运营模型。本系列中的前几篇文章探讨了前两个领域。重新构想的接合层的功能使AI银行能够跨银行渠道以及在合作伙伴生态系统内提供高度个性化的无缝旅程。人工智能决策层的功能将客户的见解转化为消息，并提供量身定制的解决方案，以满足客户的独特需求。当前文章确定了第三领域所需的功能，现代功能堆栈的核心技术和数据基础结构。在整个组织中部署AI功能需要一组可扩展，有弹性和适应性强的核心技术组件。成功实施后，此基础层可以使银行加快技术创新，提高运营质量和可靠性，降低运营成本并增强客户参与度。我们首先总结银行业领导人在计划企业范围内的计划以使核心技术，数据管理和底层基础结构现代化时应考虑的主要需求。接下来，我们研究了使核心技术和数据基础架构现代化所需的关键转型。最后，我们分享了技术领导者应考虑采取的12项行动，以确保转型为客户和银行创造价值。An AI-first model placesdemands on a bank’s core technology在整个行业中，许多组织都在努力跟上数字化需求的步伐，特别是在COVID-19危机期间，消费者在日常交易中加快采用数字渠道的过程中，尤为如此。但是，甚至在此之前，金融服务行业在技术上历来就取得了喜人的成就。数十年来，技术的早期采用者和创新者的机构已经建立了复杂的技术资产格局，并积累了大量的技术债务。一些机构已经解决了这一挑战。许多人落后于曲线。同时，与现有公司一样，活跃于金融科技行业的产业也在不断创新和提高标准。金融机构已经从技术密集型消费者转变为将AI和分析作为一种核心功能，发现更容易过渡到以消费者为中心的实时生态系统。随着AI技术在为银行及其客户创造价值中扮演越来越重要的角色，金融服务组织需要将自己改造成技术领先的机构，以便它们能够近实时地大规模提供定制产品和高度个性化的服务。在许多机构中，现在的标准实践包括全渠道参与，使用API支持跨系统的实时信息交换以及使用大数据分析来改善信用担保，评估产品使用情况以及优先考虑深化关系的机会。随着金融服务组织的不断成熟，对技术基础架构的需求不断增长，以支持涉及分析和实时见解的更复杂的用例，这促使公司重新审查其整体技术功能。一旦他们致力于使核心技术和数据基础架构现代化，从而支持能力堆栈的参与和决策层，银行应围绕六个关键需求组织其转型：技术战略，卓越经验，Robust strategy forbuilding technology capabilities在着手进行核心技术和数据基础架构的根本转型之前，金融服务组织应制定详细的战略，以建立AI至上的价值主张。他们还应制定转型路线图，着眼于价值创造的三个方面：通过有效的治理和生产力跟踪来加快上市时间，明确满足战略和近期优先事项的需求和能力，以及定义明确的根据其创造价值的潜力来协调“更换银行”和“运营银行”计划的机制。更快的上市时间需要高效且可重复的开发和测试实践，以及可靠的平台和生产率测量工具。根据战略重点调整需求和能力在两个层次上起作用。一方面，银行需要确保执行，基础架构和支持能力得到优化，以确保所有用例和流程的持续运行。另一方面，在保证正常运行时间的情况下，应组织和安排工作，以加快对价值产生最大影响的项目。最后，金融机构应建立明确的机制来设定优先级，并确保设计和构建每个用例，以产生超过资本投资和运营成本的回报。Superior omnichanneljourneys and customer experiences构建以其速度，直观性，效率和影响力吸引客户的旅程通常涉及跨越多个银行和非银行系统的各种应用程序，所有这些应用程序均通过一系列API和集成链接在一起。这种复杂的信息交换使组织能够从各种来源获取有价值的数据，以生成高度个性化的消息，并提供几乎实时地直接与客户对话的信息。除了管理API的标准化方法外，银行还应开发一种清晰的机制来跨渠道，核心系统和外部接口进行集成，同时管理多个从属系统之间的变更。他们应该牢记，例如，专注于旅程和用户体验也使后台和运营团队受益。新产品的后端自动化程度越来越高，使员工可以将精力集中在真正特殊的场景和差异化活动上，而不是重复进行低价值的活动。最后，为了确保最大价值，应将用例和功能设计为“企业产品”，以在其他领域重用。例如，处理诸如文档收集和ID验证之类的离散任务的微服务的部署可以确保整个组织中工作方式的一致性。API也应记录在案并归类以便重复使用。与以旅程为中心的API设计相比，以域或产品为中心的API（例如，允许从单个客户商店中检索客户详细信息）具有更高的可重用性，并且具有企业级的功能视图。例如，一种API支持针对特定移动旅程检索客户详细信息。Modern, scalableplatform for data and analytics要近乎实时地提供高度个性化的报价，需要以人工智能为基础的决策能力，并以强大的数据资产为基础。此外，大规模开发具有实时上下文感知能力的机器学习（ML）模型需要自动DevSecOps 以及机器学习操作（MLOps）工具来实现安全且合规的持续集成（CI）和持续部署（CD）。这需要跨源系统，数据平台和数据科学进行复杂的编排，以实现实验室实验和工厂生产。这在高度管制的环境中尤其复杂，在该环境中，安全，审计，风险和其他功能的参与在流程的许多阶段都是至关重要的。反馈回路与渠道系统的结合使模型可以评估输出性能并进行自动调整以提高个性化消息的有效性，因此组织可以几乎立即生成个性化报价。例如，在针对相邻产品的基于位置的报价的情况下，组织必须能够将来自附近参与商家的预定义报价实时叠加在客户的位置和偏好（如先前的交易中所示）上。Scalable hybridinfrastructure utilizing the cloud随着客户参与度在银行和非银行平台上的不断扩展，金融机构需要创建可扩展的基础架构，以在毫秒内处理大量交易。这种功能在某种程度上可以通过基础结构（如代码），自动服务器配置和强大的自动配置管理流程来实现，它们共同解决了由于有机和复杂的链接以及随着时间的推移而累积的变化而导致的“雪花”配置问题。将这些环境托管在分布式网络云环境中，一方面可以实现预付费基准存储与计算能力之间的平衡，另一方面，可以在不中断服务的情况下实现弹性的按需激增容量。自我监控和预防性维护也是自动化的，并且灾难恢复和弹性措施可在后台运行，以确保即使事件逃避了自动自我修复并需要人工干预，也可以确保持续的正常运行时间。结果，将关键操作中断的风险降到最低，并且面向客户的应用程序以高可用性和响应性运行。内部部署和基于云的基础架构的结合在高流量和高频率领域（例如付款处理，核心银行平台和客户入门系统）越来越重要。Highly configurable andscalable core product processors为了维持基于AI和ML功能的领先价值主张，银行必须不断评估其核心产品，并发现创新和定制化的机会。借助对高级分析的深入了解以及对客户需求的深刻理解，组织可以预测新出现的客户需求并相应地设计独特的产品。对实时调节和全天候交易处理的需求也逐渐成为金融机构的主要竞争优势。例如，随着下一代核心银行平台的出现，组织现在可以开发规模化的产品，并且可以轻松配置这些产品以满足特定客户的期望。Secure and robustperimeter for access确保组织在整个技术基础架构中保持适当的网络安全态势至关重要，以防止应用程序，操作系统，硬件和网络中的漏洞。金融机构还应该实施适当的措施，以保护外围环境并控制对组织基础架构范围内的各种系统和应用程序的访问，包括私有和公共云服务器以及本地数据中心。例如，将工作负载从传统的本地基础结构转移到公共云需要采取谨慎的措施来保护客户数据，以及用于检测和修复潜在威胁和漏洞的强大策略。固定边界的“经典”方法应与更现代的方法相结合，以限制入侵的影响或减小“爆炸半径”。同样，鉴于安全事件的事后剖析中日益复杂的网络入侵检测，异常检测甚至取证的出现，人工智能在这里也可以发挥作用。Start the transformation byprioritizing key changes为了满足这些需求，金融机构将需要从传统架构和运营模型过渡到自动化和云优先策略。在高度自动化的混合云基础架构上构建核心技术和数据功能，可以使AI银行获得竞争和差异化功能，从而迅速有效地进行扩展。AI库功能栈将核心系统与AI和分析功能结合在一个统一的体系结构中，旨在实现最大程度的自动化，安全性和可扩展性。要达到此目标状态，需要采取一系列复杂的举措来转变组织的核心技术和数据基础架构。这些举措集中在几个关键领域：技术进步战略，现代API和流架构，核心处理器和系统，数据管理，智能基础设施以及网络安全和控制塔（图2）。银行应该通过将AI优先愿景转变为将技术与业务融合的企业战略，为创新投资提供资金以及技术增量变化的回报来开始这一具有深远意义的计划。 业务和技术作为共同所有者在设计和管理运营模型和结果方面进行协作。这种“技术领先”的思维模式在专注于创新的跨学科团队中蓬勃发展，而熟练的工程技术人才则利用现代工具和实践来实现首次发行。组织还应该为高速工程团队采用企业敏捷实践，并使用现代的软件开发，测试，发布和支持周期方法，由业务，技术和功能专家以及外部合作伙伴组成的跨职能团队进行集成。此外，要对整个堆栈进行有效管理，就需要通过一套标准化的指标来管理技术功能，并持续跟踪堆栈中每个组件的正常运行时间和运行状况。Modern API andstreaming architecture接下来，银行应集成内部和外部系统，以支持跨内部平台，合作伙伴生态系统和众多外部接口的无缝客户旅程。这就需要一种健壮，可扩展和标准化的方法来构建和托管集成和API。反过来，应该对API进行严格的性能测试，并使用敏捷发布原则进行开发。当定义明确的API副产品库存协调整个系统的流程时，产品创新可以在30到60天内从概念发展到生产和最小可行产品的部署。为了完善可靠的API策略，技术领导者还应该考虑建立高速数据流通道，以实现跨企业实时的标准化异步数据传输。Core processors andsystems有了正确的体系结构，银行就可以从传统的，复杂的和紧密交织的核心系统转移到轻量级和高度可配置的核心产品处理器和工作流程。这些处理器还可以通过“微服务”或离散应用（例如用于付款，信用卡账户或贷款）来“补充”传统核心平台中的逻辑。向轻量级核心处理器和托管在可扩展，模块化和精益平台（作为API公开）上的系统的过渡支持例如实时对帐，并允许在实时系统中进行更改，而停机时间为零。使用现代的基于云的基础架构来托管此类平台，也使其更易于扩展。如果成功实施，那么轻量级处理器平台可以使组织从新产品概念发展为在两到三个月内启动。对于受传统技术约束的组织而言，这是一个重大优势，因为后者启动新产品或自定义现有产品可能需要六个月或更长时间。新的现成产品堆栈的组装还可以实现创新的新客户主张，例如使用这些原理在现代堆栈上进行端到端借贷旅程。Data management for theAI world建立现代数据和分析平台以推动决策层的实时ML模型至关重要。这些模型产生的分析见解可通过martech工具进行部署，以打造智能服务和智能体验，从而使AI银行与传统运营商脱颖而出。为了支持卓越的全渠道客户旅程以及与合作伙伴生态系统的无缝集成，数据平台必须能够接近实时地提取，分析和部署大量数据。数据平台还应向实验室和工厂团队提供具有AI和数据科学功能的可扩展工作台。这些工作台使团队能够在开发模型和在产品迭代中部署见解时访问相关数据集。基础设施还应该通过自动化和可重复的过程来支持ML模型的开发。如果组织允许跨企业的跨学科团队搜索和提取平台上保存的数据，则这些团队可以根据客户需求和市场机会优化其数据消耗。必须使数据科学团队拥有适当的工具并拥有可扩展的计算能力，以便他们进行实验和创新。在这些操作的基础上，适当的技术文档和资产分类（例如，API，ML模型，数据字典，DevOps和MLOps工具）可确保适当的管理和访问控制。通过基于定义明确的实验室工厂模型创建ML模型和记分卡，人工智能优先组织使员工能够利用自助式实时数据和分析基础架构来指导基于价值的计划并支持日常决策。Intelligentinfrastructure然后，银行应确保他们拥有有效的战略来现代化基础设施。为此，他们应该考虑在工作负载需要弹性，规模以及使用托管或托管产品（例如托管数据库）的情况下，采用公共云来补充传统的基础架构。公共云通过更高级别的自动化，模板和降低操作风险来提高速度。设置此类环境时，银行必须以基础架构管理的基本要素为基础，包括可观察性，弹性和高可用性，以及可靠的配置策略。经过精心调整，可伸缩且负载均衡的堆栈可以支持不到一秒的响应时间，同时可以水平扩展以适应事务量的变化。Cybersecurity andcontrol tower最后，机构应解决网络安全和控制问题。这包括建立集中式控制塔，以监视整个基础架构中的数据，系统和网络。职责范围包括确保边界安全以及识别和纠正威胁和入侵。同样重要的是，在将资产部署到实时系统上之前，要为安全测试和漏洞扫描建立一套定义明确的合规性措施。这些措施降低了潜在威胁情景带来的风险。Technology leaders shouldprioritize interconnected capabilities考虑到要转换的组件的范围很广，组织应该牢记，当他们首次建立技术转型的整体策略时，最佳结果就更有可能实现。不幸的是，并非所有人都能找到资源来充分利用AI技术的飞速发展和客户期望的不断提高所提供的潜力。一些金融机构尽管看到了变革的当务之急，但仍对其原有平台进行了维护和现代化。各种业务部门都在此基础上建立了有机构建的平台，从而使其成本更高且维护越来越复杂。许多组织已经在孤岛中用于多年技术计划上，花费了数十亿美元，却发现它们无法产生证明投资合理所需的规模效益。如果组织满足本文顶部概述的战略要求，则现代核心技术和数据基础结构的实施可以通过更快地交付变更和改进，提高成本效率，提高资产质量并增强功能来产生重大价值。客户成果。例如，合理的DevOps和发布管理策略可以使容量创建增加25％到30％，将产品上市时间减少50％到75％，并将故障率减少超过50％。反过来，通过流程自动化和敏捷的工作方式，开发工作可以将计划的依从性提高1.5倍，并将客户的缺陷减少20％到30％，领先的组织将问题解决时间和计划时间缩短了30％到50％。也有间接的好处：通过赋予员工明确的使命，自主权和对客户的高度关注，敏捷组织能够将员工敬业度提高20％到30％，这既体现在他们推荐工作场所的意愿上，又体现在员工身上满意度调查。技术转型充满着风险，包括延迟和成本超支，只有那些领导人准备投入必要的精力和资本以进行全面努力的组织才可以踏上征途。最终，这是一个决定，不仅要生存，而且要蓬勃发展，这需要改变心态。具体而言，传统金融机构将需要突破其传统技术架构，并探索AI和分析的机会。如果他们接受挑战并开始考虑如何最好地规划成为AI银行的路线，他们的领导者可能会考虑从正在进行此类转型的金融服务业领导者的经验中收集的12个关键见解（图表3））：Consider the factory model to build at scale考虑要大规模构建的工厂模型。在转换的快速发展和关键领域中采用工厂方法，以实现技术团队内部功能的可重复执行和开发，并促进标准化以加快执行速度。例如，由团队，预定义的操作过程以及用于管理，确定优先级和执行各个业务部门中的更改的系统组成的核心系统工厂可以显着加快新解决方案的部署。
Consider insourcing differentiating capabilities考虑引入差异化功能。根据所需的最终结果，在内部提供强大的工程支持（可能从API，基础结构或数据和分析平台开始），从而构建内部的某些差异化功能。
Maintain rigorous documentation on integrations维护有关集成的严格文档。请记住，参与系统的开发和核心技术的全面变化需要对集成进行重大调整，而这些集成的规范文档不合标准通常会减慢银行转型的广泛计划。
Identify an anchor stack but experiment with others确定锚堆栈，然后尝试其他锚堆栈。强调标准化对于以工程为中心的大规模开发的重要性，并建立在单个堆栈上以支持更快的变更。同时，继续尝试使用其他堆栈和堆栈组件以构建更小的版本，以便采用替代的或更新的方法，在这些方法中明确定义了增量收益。
Maintain an automation-first and fast-release posture保持自动化优先和快速发布的态势。在快速发展的应用程序和堆栈上采用自动化优先和频繁部署的态势。尽管最初出现打ic的情况并不罕见，但随着时间的流逝，应加强释放导轨，以加快产品上市时间。良好定义的发布管理和部署是执行速度的关键。通过DevSecOps进行标准化通常可以释放多达20％到30％的生产力。
Consider a modern core for high-velocity areas考虑高速区域的现代核心。考虑基于可扩展的混合基础架构构建的现代轻量级核心系统，以实现新功能的有效部署，同时实现金融产品的模块化构建。
Adopt a value-centric approach to building data platforms采用以价值为中心的方法来构建数据平台。利用数据和分析平台随时间变化而发展的事实，并且不允许团队因工具和可用技术的快速变化而不知所措。我们已经观察到，为变更工作的预期回报进行预算的组织能够对功能简单的用例进行优先级排序，适应迭代构建平台的路线图，并在此过程中实现经济价值。
Set up a lab and factory for analytics设置实验室和工厂进行分析。建立一个实验室，以测试工具和平台进行实验，以在测试和学习周期中进行有效的开发。此外，建立一个中心工厂，以在单个堆栈上大规模生成和部署分析用例。
Define the enterprise cloud strategy定义企业云战略。在利益相关者之间创建通用策略，以实现向云的结构化和系统化迁移。在安全范围，变更管理以及云迁移和部署策略方面，云采用在企业中创造了多个第一名。
Establish end-to-end visibility across the technology andinfrastructure stack建立整个技术和基础架构堆栈的端到端可见性。认识到大规模数字转换对数量和规模施加了限制，因此可以使用强大的自动化工具来观察堆栈性能以及诊断和解决问题。
Identify the right perimeter design for the cloud确定适合云的外围设计。为了防止对基于云的面向公众的应用程序进行潜在的恶意攻击，请设计适当的网络边界，以优化潜在的攻击半径。
Ensure data security on the cloud确保云上的数据安全。设计健壮的数据分类和数据安全保护措施，以避免关键的客户数据组合，并遵守国家数据保护和数据居住法律。
如果银行要在技术领先者的AI和分析能力日益影响客户期望的世界中蓬勃发展，则它们必须重建其核心技术和数据基础架构，以支持AI驱动的决策和重新构想的客户参与度。这是AI-bank功能堆栈的三个“技术层”。完整的堆栈还包括一个领先的操作模型，以确保所有层一起协同工作，以通过智能服务和体验来提供智能命题。未来的AI银行需要一种敏捷的文化和面向平台的运营模型，该模型能够迅速响应新兴机会并迅速提供大规模创新解决方案。本系列的下一篇文章探讨了平台操作模型的关键要素。SvenBlumberg is a senior partner in McKinsey’s Dusseldorfoffice,
Rich Isenberg is a partner in the Atlanta office,
Dave Kerr is a senior expert in the Singaporeoffice,
Milan Mitra is an associate partner in the Bengaluruoffice,
RennyThomas is a senior partner in the Mumbai office.
The authors would liketo thank Brant Carson, Kayvaun Rowshankish, Yihong Wu, and Himanshu Satija fortheir contributions to this article.PSM課程報名：http://i7q.cn/6xmHpY
