Menghadapi masa yang tidak pasti, bank-bank di Indonesia dan Asia Pasifik mengalami keadaan di mana mereka harus menyeimbangkan antara kebutuhan untuk memastikan kelangsungan operasional inti, termasuk memberi dukungan kepada para nasabah dan melakukan kalibrasi ulang demi masa depan bisnis mereka.

Meskipun tidak ada solusi tunggal untuk semua masalah, bank-bank semakin mempertimbangkan penggunaan kecerdasan buatan (artificial intelligence/AI) dan pembelajaran mesin (machine learning) untuk menyeimbangkan prioritas-prioritas bisnis tersebut.

IDC baru-baru ini memperkirakan bahwa 75% lembaga jasa keuangan teratas di wilayah Asia Pasifik akan menerapkan perpaduan tool otomatisasi dan AI sebelum tahun 2022 guna meningkatkan efisiensi operasional, mengurangi biaya, mendorong pertumbuhan bisnis, meningkatkan keterikatan nasabah dan karyawan, serta menghadirkan pengalaman nasabah yang sesuai dengan kebutuhan mereka.

Namun, hingga saat ini, banyak bank di Indonesia dan Asia Pasifik belum memanfaatkan AI dan pembelajaran mesin secara mendalam karena baru menggunakannya untuk otomatisasi tugas-tugas yang dilakukan berulang mengikuti aturan tertentu yang dahulu dilakukan oleh manusia. Agar AI atau pembelajaran mesin dapat memberikan nilai transformatif bagi bisnis, keduanya perlu digunakan untuk mengotomatisasi pengambilan keputusan. Misalnya, PT Bank Rakyat Indonesia (BRI). Dengan menggunakan pembelajaran mesin untuk mengotomatisasi pemrosesan data dari berbagai touch point nasabah seperti ATM, mobile banking, dan channel internet banking, BRI mampu mengidentifikasi anomali, yang berpotensi menjadi transaksi penipuan, secara real time.

Meskipun jelas bahwa AI dan pembelajaran mesin dapat menghadirkan nilai bisnis yang strategis, bank-bank di Indonesia tidak akan dapat memanfaatkan potensi penuh dari tool-tool tersebut tanpa memiliki landasan TI yang andal.

Membangun Fondasi yang Kuat untuk AI dan Pembelajaran Mesin dengan Cloud Data Enterprise

Dengan banyaknya karyawan di sektor keuangan yang saat ini menghabiskan hampir 50% waktunya untuk mengumpulkan dan memproses data, di sinilah AI dan pembelajaran mesin dapat berfungsi. Tool-tool tersebut dapat digunakan untuk mereplikasi tidak hanya tugas-tugas sederhana, tetapi juga aktivitas yang kompleks dan memakan banyak waktu manpower para ahli untuk pengambilan keputusan yang kompleks pada skala, kecepatan, dan ketepatan yang lebih besar daripada manusia.

Namun, menggunakan AI dan pembelajaran mesin untuk mengotomatisasi pengambilan keputusan bukanlah tanpa tantangan. Sebagian besar bank menggunakan sistem TI legacy, yang tidak dirancang untuk mendukung big data secara efektif. Karena sistem seperti itu menghasilkan data dan alur kerja yang terisolasi di seluruh organisasi, sistem tersebut menghalangi tool AI atau pembelajaran mesin untuk mengakses semua data yang diperlukan untuk membuat keputusan yang akurat.

Memiliki platform data yang dapat mengelola dan mendukung siklus data yang lengkap mulai dari edge hingga ke AI adalah salah satu cara untuk mengatasi rintangan tersebut. Platform itu harus memungkinkan bank untuk mengumpulkan data di edge (seperti di ATM, ponsel, kantor cabang), mengalirkan data, serta memusatkan dan menyimpannya dengan cara yang andal dan scalable.

Platform tersebut juga harus memungkinkan tool AI atau pembelajaran mesin untuk dengan mudah mengakses data di mana pun data tersebut berada, baik di public cloud atau private cloud, maupun on-premise, tanpa mengorbankan keamanan dan tata kelola data. Inilah yang kami sebut sebagai Enterprise Data Cloud, yaitu platform data yang memungkinkan perusahaan perusahaan untuk mendapatkan kendali atas data mereka secara terpadu di seluruh siklus data dan analitik mulai dari pengumpulan hingga prediksi sehingga memungkinkan untuk mengamankan dan mengatur, mengelola, dan mengotomatiskan seluruh proses dalam lingkungan cloud hybrid atau multi-cloud pada platform yang 100% open source.

Landasan Pembangun Lainnya demi Kesuksesan AI dan Pembelajaran Mesin

Bank perlu lebih dari sekadar memiliki platform data yang tepat jika mereka ingin menuai manfaat penuh dari penggunaan AI dan pembelajaran mesin untuk mengotomatisasi pengambilan keputusan. Penelitian telah menunjukkan bahwa perusahaan-perusahaan yang paling sukses adalah perusahaan yang memiliki strategi AI atau pembelajaran mesin holistik yang menjangkau semua lini bisnis.

Untuk menjadikan pembelajaran mesin atau AI menjadi agenda utama perusahaan, bank harus mengembangkan berbagai use case yang mendukung tujuan bisnis. Setelah itu, bank-bank harus menargetkan beberapa tugas yang mudah dicapai di mana pembelajaran mesin atau AI dapat diterapkan dan memberikan hasil. Dengan menunjukkan bagaimana pembelajaran mesin atau AI dapat memberikan hasil kepada bisnis melalui proyek percontohan tersebut, akan lebih mudah untuk mendapatkan dukungan dari level kepemimpian teratas.

Contoh dari tugas yang mudah dicapai misalnya, JP Morgan, yang menggunakan sistem pembelajaran mesin yang didukung oleh Cloudera untuk mengotomatiskan proses peninjauan perjanjian pinjaman komersial. Sebelumnya pengacara dan staf bagian pinjaman yang menghabiskan 360.000 jam setiap tahun untuk meninjau dokumen-dokumen perjanjian, sistem hanya membutuhkan beberapa detik untuk melakukan hal yang sama.

Hal ini juga membantu mengurangi jumlah kesalahan layanan pinjaman, yang sebagian besar berasal dari kesalahan manusia dalam menafsirkan 12.000 kontrak wholesale baru per tahun. Karena keberhasilan proyek ini dan proyek serupa lainnya, JP Morgan kini berinvestasi secara signifikan untuk mengembangkan kemampuannya agar perusahaan ini dapat menerapkan AI pada skala yang lebih besar.

Bank yang baru memulai perjalanan AI atau pembelajaran mesin mereka juga harus berpikir seperti seorang investor swasta dan mengambil pendekatan portofolio. Sebagaimana hampir mustahil untuk secara akurat memprediksi startup mana yang akan menjadi sukses, sulit untuk memperkirakan proyek pembelajaran mesin atau AI mana yang akan memberikan nilai strategis bagi bisnis.

Oleh karena itu, bank harus menebar jaring yang lebih luas dan menjalankan beberapa use case pembelajaran mesin atau AI secara bersamaan. Bank-bank juga harus secara teratur meninjau beberapa use case tersebut untuk memutuskan use case mana yang harus dilanjutkan atau dihentikan. Pada dasarnya, bank-bank ini perlu memiliki pola pikir bahwa beberapa, atau bahkan sebagian besar use case tersebut akan gagal. Namun, use case yang berhasil akan secara signifikan meningkatkan efektivitas dan efisiensi perusahaan.

AI dan pembelajaran mesin dapat memberikan peningkatan transformatif bagi bank-bank di Indonesia sehingga mereka dapat lebih efisien, mengurangi biaya operasional, dan menghadirkan pengalaman pelanggan yang lebih baik meskipun banyak ketidakpastian dalam lingkungan bisnis masa kini dan masa depan. Untuk memastikan bahwa langkah tersebut akan membuahkan hasil, bank harus terlebih dahulu memiliki platform data terbuka, yang dapat mendukung penggunaan berbagai fungsi analitik (misalnya, pembelajaran mesin, AI, dan lainnya) lintas lingkungan cloud hybrid dan multi-cloud, dan dengan kebijakan keamanan dan tata kelola yang konsisten guna mengotomatisasi pengambilan keputusan.

Bank-bank kemudian harus memilih kasus penggunaan yang tepat untuk memulai perjalanan AI atau pembelajaran mesin mereka, dan menjalankan beberapa proyek tersebut pada saat yang sama. Dari sana, mereka akan dapat meningkatkan skala ke titik penerapan AI atau pembelajaran mesin untuk mengotomatisasi pengambilan keputusan bagi sebagian besar proses bisnis. Hanya dengan demikianlah bank-bank tersebut dapat mewujudkan potensi penuh dari AI dan pembelajaran mesin.

Oleh: Fanly Tanto, Country Manager Cloudera Indonesia

www.swa.co.id