Intelligenza artificiale nel corporate banking: la Retrieval-Augmented Generation (RAG) trasforma il settore

Il settore del corporate banking di oggi presenta un vero e proprio paradosso. Le istituzioni finanziarie detengono un tesoro di dati di proporzioni inaudite, eppure in molti processi chiave, come l'analisi dei bilanci, prevalgono ancora metodi che tecnicamente richiamano il secolo scorso. Mentre i giganti della tecnologia stanno stravolgendo intere industrie con sistemi basati sull'intelligenza artificiale, le banche nel corporate banking continuano a fare affidamento su metodologie di analisi obsolete e processi prevalentemente manuali. Ma questo scenario non è destinato a rimanere immutato. La tecnologia Retrieval-Augmented Generation (RAG) è pronta a rivoluzionare la revisione dei bilanci e a catapultare le banche dall'età della pietra dell'analisi dei dati all'era digitale, come evidenziato da Alex Bierhaus di ABTree e dal dottor Nico Peters, amministratore delegato di Fintriq.

La digitalizzazione e l'IA come motori di trasformazione

La digitalizzazione è ormai un imperativo ineludibile nel corporate banking, ma la sua implementazione, come in molti altri settori, procede con esitazione. In questo contesto, l'intelligenza artificiale agisce come un nuovo motore, fornendo un impulso fresco al tema in molte istituzioni. Gli esperti concordano sul fatto che, in futuro, oltre alla gestione del rischio, anche le aree di vendita trarranno notevoli benefici dagli sviluppi dell'IA.

I possibili campi di applicazione sono estremamente ampi e spaziano dall'analisi di marketing e dei clienti all'automazione dei processi e agli assistenti digitali (la cosiddetta "Agentic AI"), fino alla conformità normativa, per esempio nell'ambito ESG (Environmental, Social, and Governance).

LLM e RAG in dettaglio: espandere la conoscenza, migliorare le risposte

Il sistema RAG si basa su due componenti principali: i Large Language Models (LLM) e i meccanismi di Retrieval. I Large Language Models (LLM) hanno compiuto progressi enormi negli ultimi mesi. Essi costituiscono la base per una comprensione intelligente del testo e sono in grado di generare, tradurre e riassumere testo in modo simile a quello umano. La loro capacità di riconoscere correlazioni complesse li rende preziosi per l'automazione nel corporate banking, ad esempio nella gestione delle richieste dei clienti o nell'analisi dei contratti.

Tuttavia, gli LLM incontrano dei limiti, poiché la loro conoscenza si basa su dati di addestramento che non sempre sono attuali o sufficientemente specifici per le questioni finanziarie. Inoltre, possono "allucinare", ovvero generare informazioni errate o non fondate. È qui che interviene il RAG: la Retrieval-Augmented Generation estende gli LLM, permettendo loro di accedere a fonti di conoscenza esterne e aggiornate e di integrarle nelle loro risposte.

RAG nella pratica: il processo tecnico e i suoi vantaggi

Il flusso di lavoro tecnico dei sistemi RAG nel contesto finanziario può essere descritto come un processo a più stadi che combina la potenza dei Large Language Models (LLM) con la precisione dei meccanismi di Retrieval specializzati.

1. Anfrage und Kontextanalyse (Analisi della richiesta e del contesto): il processo inizia con una richiesta dell'utente, tipicamente formulata in linguaggio naturale. Questa richiesta può riguardare una domanda specifica su un'azienda, una voce di bilancio, un confronto settoriale o un requisito normativo. Il sistema RAG analizza innanzitutto il contesto della richiesta per identificare entità rilevanti, relazioni e parole chiave.
2. Retrieval (Recupero): la selezione cruciale delle fonti di informazione. Il cuore del RAG è il meccanismo di Retrieval. Esso ha il compito di identificare ed estrarre i documenti e i dati più rilevanti da una moltitudine di potenziali fonti. La scelta del meccanismo di Retrieval è fondamentale per la qualità e la pertinenza dei risultati e dipende fortemente dal tipo di dati da ricercare.
3. Augmentation (Arricchimento del contesto): le informazioni estratte dal meccanismo di Retrieval vengono fornite all'LLM insieme alla richiesta originale dell'utente. Questo avviene spesso tramite l'integrazione delle informazioni nel prompt dell'LLM o tramite speciali meccanismi di attenzione che focalizzano l'LLM sui passaggi di testo rilevanti.
4. Generierung der Antwort (Generazione della risposta): l'LLM utilizza ora la sua conoscenza pre-addestrata e le informazioni contestuali aggiuntive per generare una risposta fondata. L'LLM è in grado di riassumere, parafrasare, mettere in relazione e trarre conclusioni dalle informazioni esterne.

Attraverso la combinazione di un Retrieval preciso e delle capacità generative dell'LLM, il RAG raggiunge nel contesto finanziario un'accuratezza, attualità e rilevanza delle risposte significativamente più elevate rispetto ai sistemi tradizionali. Nel corporate banking, ciò consente un'analisi più profonda e completa della situazione finanziaria delle aziende, tenendo conto di tutti i fattori rilevanti.

Caso d'uso: analisi del bilancio – la rivoluzione di un processo fondamentale

Un caso d'uso particolarmente interessante per l'IA in generale e per il RAG in particolare è l'analisi dei bilanci. L'analisi dei bilanci annuali è un processo fondamentale nell'erogazione e nel monitoraggio dei crediti, ma spesso richiede tempo e costi elevati.

Il percorso verso un'analisi del bilancio supportata dall'IA inizia con la digitalizzazione dei bilanci annuali, che in pratica sono spesso disponibili in una varietà di formati – dai PDF ai documenti cartacei scansionati, fino ai fax. Una semplice Optical Character Recognition (OCR) è qui di gran lunga insufficiente. Sono invece richiesti sistemi altamente sviluppati che, mediante la Document Layout Analysis, acquisiscono e interpretano in modo intelligente la struttura dei documenti – tabelle, intestazioni, blocchi di testo. La Named Entity Recognition (NER), spesso basata su Large Language Models (LLM) pre-addestrati o modelli specializzati per il settore finanziario, identifica e classifica informazioni chiave come voci di bilancio ("fatturato", "crediti", "debiti"), nomi di aziende, date rilevanti e valute.

Un passo critico e spesso sottovalutato è la validazione dei dati. I dati estratti devono essere sottoposti a controlli di plausibilità, puliti e liberati da errori di OCR prima di poter essere utilizzati per ulteriori analisi. Ciò avviene tramite sistemi e algoritmi basati su regole che, ad esempio, eseguono controlli di somma o confrontano i dati con i valori degli anni precedenti.

Sebbene i moderni software di analisi di bilancio offrano già alcune funzioni di automazione, come il calcolo di indici predefiniti, questi sistemi spesso raggiungono i loro limiti. Sebbene siano in grado di estrarre numeri, possono acquisire solo in modo insufficiente il contesto delle informazioni contenute nelle note esplicative e nelle relazioni sulla gestione. Inoltre, sono spesso limitati a griglie di analisi rigide e offrono poca flessibilità per domande individuali e ad hoc, che sono invece indispensabili nella routine quotidiana di un analista. È qui che inizia la vera rivoluzione: i sistemi RAG.

I sistemi RAG, combinati con un'interfaccia chat intuitiva e collegati a database di bilanci, elevano l'analisi del bilancio a un livello completamente nuovo, consentendo risposte rapide e basate sul contesto a interrogazioni complesse che in precedenza richiedevano ore di lavoro manuale.

Gli autori

Alex Bierhaus è un esperto di strategia IT e architettura software con oltre 20 anni di esperienza. Supporta i fornitori di servizi finanziari nell'utilizzare in modo mirato le innovazioni tecnologiche per la loro crescita e trasformazione digitale. In precedenza, ha lavorato nell'ambiente FinTech, anche come CTO, e ha guidato team IT e di prodotto, dove ha contribuito in modo significativo all'implementazione di progetti IT complessi.

Il dott. Nico Peters è amministratore delegato di Fintriq, docente universitario ed esperto di corporate banking. In precedenza, ha ricoperto diversi ruoli nell'ambiente FinTech, nonché come consulente aziendale nella consulenza di gestione zeb come project manager. Da oltre dieci anni sviluppa approcci innovativi per la digitalizzazione del corporate banking. Nico Peters è un banchiere qualificato e ha conseguito un dottorato di ricerca.