數位貸款對於銀行和金融機構來說是非常重要的業務推動力。客戶在完成了解客戶（KYC）流程後，可以在線申請貸款。一般的數位貸款流程包含多個步驟，例如用戶註冊（包括通過KYC驗證用戶）、信用驗證、風險驗證、信用審核和貸款批准。目前，其中一些步驟仍然是手動進行，這會導致貸款批准的延遲，影響客戶的體驗。
在印度，KYC驗證通常需要通過身份證明文件來驗證身份，例如PAN卡或Aadhar卡，還需要地址和收入的驗證。印度的信用檢查通常使用客戶的PAN號碼進行。解決這些挑戰的理想方法是盡可能自動化這些流程。
數位貸款解決方案主要需要協調一系列步驟和其他功能，例如自然語言理解、圖像分析、實時信用檢查和通知。您可以使用Amazon Bedrock Agents輕鬆地圍繞這些功能構建自動化。Amazon Bedrock是一項完全管理的服務，通過單一API提供來自AI公司（如AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI和Amazon）的高效基礎模型（FMs），並提供廣泛的功能來構建具有安全性、隱私性和負責任AI的生成式AI應用程序。使用Amazon Bedrock Agents，您可以協調多步驟流程並使用自然語言指令與企業數據集成。
在這篇文章中，我們提出了一個使用DigitalDhan的解決方案，這是一個基於生成式AI的解決方案，用於自動化客戶註冊和數位貸款。該解決方案使用Amazon Bedrock Agents自動化與KYC驗證、信用和風險評估以及通知相關的服務。金融機構可以使用這個解決方案來幫助自動化客戶註冊、KYC驗證、信用決策、信用審核和通知流程。這篇文章展示了如何利用Amazon Bedrock Agents自動化複雜的業務流程來獲得競爭優勢。
為什麼生成式AI最適合支持客戶旅程的助手
傳統的AI助手使用基於規則的導航或自然語言處理（NLP）指導時，在處理複雜的人類對話時表現不佳。例如，在實際的客戶對話中，客戶可能提供不充分的信息（例如，缺少文件），提出隨意或不相關的問題（例如，在驗證身份文件時詢問貸款提前還款選項），使用自然語言輸入（例如，使用不同的貨幣表示方式，如將兩萬表示為“20K”或“20000”或“20,000”）。此外，基於規則的助手不提供額外的推理和解釋（例如，為什麼貸款被拒絕）。一些僵化的線性流程規則要麼迫使客戶重新開始流程，要麼需要人類的協助。
生成式AI助手在處理這些挑戰方面表現出色。通過精心設計的指令和提示，基於生成式AI的助手可以詢問缺失的細節，以人類語言進行對話，並在需要時優雅地處理錯誤，同時解釋其行動的理由。您可以添加防護措施，以確保這些助手不偏離主題，並提供靈活的導航選項，以應對現實世界的複雜性。上下文感知的助手還通過靈活回應各種偏離流程的客戶查詢來增強客戶參與度。
解決方案概述
DigitalDhan是提議的數位貸款解決方案，由Amazon Bedrock Agents提供支持。他們開發了一個完全自動化客戶註冊、KYC驗證和信用審核過程的解決方案。DigitalDhan服務提供以下功能：
客戶可以通過該解決方案了解逐步的貸款流程和所需文件
客戶可以上傳KYC文件，如PAN和Aadhar，DigitalDhan通過自動化工作流程進行驗證
DigitalDhan完全自動化信用審核和貸款申請過程
DigitalDhan通過電子郵件通知客戶有關貸款申請的情況
我們將數位貸款流程建模為接近現實世界的情境。以下圖顯示了DigitalDhan解決方案的高級步驟。
關鍵業務流程步驟包括：
貸款申請者通過訪問DigitalDhan解決方案啟動貸款申請流程。
貸款申請者開始貸款申請之旅。貸款申請的示例提示包括：
“申請貸款的流程是什麼？”
“我想申請貸款。”
“我的名字是Adarsh Kumar。PAN是ABCD1234，電子郵件是john_doe@example.org。我需要150000的貸款。”
申請者上傳他們的PAN卡。
申請者上傳他們的Aadhar卡。
DigitalDhan處理每個自然語言提示。在文件驗證過程中，該解決方案從上傳的PAN和Aadhar卡中提取關鍵詳細信息，如姓名、地址、出生日期等。然後，該解決方案根據PAN識別用戶是否為現有客戶。
如果用戶是現有客戶，該解決方案將獲取該客戶的內部風險評分。
如果用戶是新客戶，該解決方案將根據PAN詳細信息獲取信用評分。
該解決方案使用現有客戶的內部風險評分來檢查信用資格。
該解決方案使用新客戶的外部信用評分來檢查信用資格。
信用審核過程根據信用評分和風險評分進行信用決策，並計算批准客戶的最終貸款金額。
貸款申請詳細信息及決策通過電子郵件發送給客戶。
技術解決方案架構
該解決方案主要使用Amazon Bedrock Agents（協調多步驟過程）、Amazon Textract（從PAN和Aadhar卡中提取數據）和Amazon Comprehend（識別PAN和Aadhar卡中的實體）。以下圖顯示了解決方案架構。
DigitalDhan解決方案架構的關鍵組件包括：
用戶開始使用DigitalDhan應用程序的註冊過程。他們提供各種文件（包括PAN和Aadhar）和貸款金額作為KYC的一部分
文件上傳後，將通過各種人工智能和機器學習（AI/ML）服務自動處理。
Amazon Textract用於從上傳的文件中提取文本信息。
Amazon Comprehend用於識別實體，如PAN和Aadhar。
信用審核流程由Amazon Bedrock Agents提供支持。
知識庫包含貸款相關文件，以回答與貸款相關的查詢。
貸款處理AWS Lambda函數使用KYC文件中的信息檢查信用評分和內部風險評分。完成信用檢查後，該函數計算貸款資格並處理貸款申請。
通知Lambda函數通過電子郵件向客戶發送有關貸款申請的信息。
Lambda函數可以與外部信用API集成。
Amazon簡單電子郵件服務（Amazon SES）用於通知客戶其貸款申請的狀態。
事件使用Amazon CloudWatch進行日誌記錄。
Amazon Bedrock Agents深入探討
由於我們在DigitalDhan解決方案中大量使用了Amazon Bedrock Agents，讓我們來看看Amazon Bedrock Agents的整體運作。以下圖顯示了Amazon Bedrock Agents各組件的流程。
Amazon Bedrock Agents將每個任務分解為子任務，確定正確的順序，並執行行動和知識搜索。詳細步驟如下：
處理貸款申請是Amazon Bedrock Agents在DigitalDhan解決方案中執行的主要任務。
Amazon Bedrock Agents使用用戶提示、對話歷史、知識庫、指令和行動組來協調與貸款處理相關的步驟序列。Amazon Bedrock代理將自然語言提示作為輸入。以下是給予代理的指令：
我們配置了代理的預處理和協調指令，以驗證並按照預定的順序執行步驟。在代理指令中指定的少量示例提高了代理性能的準確性。根據指令和API描述，Amazon Bedrock代理創建邏輯步驟序列以完成操作。在DigitalDhan的例子中，指令被指定為Amazon Bedrock代理創建以下序列：
向客戶打招呼。
收集客戶的姓名、電子郵件、PAN和貸款金額。
詢問PAN卡和Aadhar卡以讀取和驗證PAN和Aadhar號碼。
根據驗證的PAN將客戶分類為現有客戶或新客戶。
對於現有客戶，計算客戶的內部風險評分。
對於新客戶，獲取外部信用評分。
使用內部風險評分（對於現有客戶）或信用評分（對於外部客戶）進行信用審核。如果內部風險評分低於300或信用評分高於700，則批准貸款金額。
將信用決策通過電子郵件發送給客戶的電子郵件地址。
行動組定義了執行操作的API，例如創建貸款、檢查用戶、獲取風險評分等。我們在OpenAPI架構中描述了每個API，代理使用這些API來選擇最合適的API來執行操作。以下代碼是create_loan API的示例。Amazon Bedrock代理在執行操作時使用create_loan API的描述。API架構還指定customerName、address、loanAmt、PAN和riskScore為API的必需元素。因此，相應的API在調用create_loan API之前讀取客戶的PAN號碼（verify_pan_card API）、計算客戶的風險評分（fetch_risk_score API）並識別客戶的姓名和地址（verify_aadhar_card API）。
Shailesh Shivakumar是AWS印度的FSI資深解決方案架構師。他與銀行、非銀行金融公司（NBFC）和交易企業等金融企業合作，幫助他們設計安全的雲服務，並與他們合作加速他們的雲旅程。他建立演示和概念驗證，以展示AWS雲的可能性。他還負責其他項目，例如客戶啟用研討會、AWS演示、成本優化和解決方案評估，以確保AWS客戶在雲旅程中取得成功。Shailesh是AWS的機器學習TFC成員，處理生成式AI和機器學習相關的客戶場景。安全性、無伺服器、容器和雲中的機器學習是他的主要興趣領域。
Reena Manivel是AWS FSI解決方案架構師。她專注於分析，並與貸款和銀行業務的客戶合作，創建安全、可擴展和高效的AWS解決方案。除了她的技術追求外，她還是一位作家，喜歡與家人共度時光。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
