شکل‌دهی جدید فین‌تک با استفاده از هوش مصنوعی مولد

مایکل هفنر

تقریبا همه صنایع عاشق هوش مصنوعی مولد (Generative AI) هستند و فین‌تک یکی از بخش‌های کلیدی پیشرو در پذیرش آن است.

به گزارش اقتصاد دیجیتال و به نقل از fintechnexus؛ شرکت‌های مالی می‌توانند هوش مصنوعی مولد را با قابلیت‌های سنتی‌تر هوش مصنوعی ترکیب کنند تا تلاش‌های تحول سازمانی را در چندین حوزه کلیدی، از جمله تصمیم‌گیری پیش‌بینی کننده، ارزیابی ریسک، تعامل با مشتری، امنیت سایبری، انطباق و موارد دیگر تسریع بخشند. با این حال، در حالی که هوش مصنوعی مولد پتانسیل بالایی را ارائه می‌دهد، سازمان‌های فین‌تک باید در نحوه و مکان اعمال مدل‌های زبان بزرگ (LLM) هوش مصنوعی مولد و فناوری‌های مرتبط در سازمان استراتژیک باشند.

چهار روند کلیدی هوش مصنوعی مولد در فین‌تک

مسیر تحول هر سازمانی در نحوه و مکان دقیق اعمال هوش مصنوعی برای ساده‌سازی فرآیندها، خودکارسازی گردش کار و ایجاد صرفه‌جویی در هزینه منحصر به فرد خواهد بود. با این گفته، در اینجا چهار روند کلیدی وجود دارد که مسیر پذیرش هوش مصنوعی را برای بسیاری از شرکت‌ها در حال حاضر شکل می‌دهد:

۱. ترکیب هوش مصنوعی مولد و سنتی:

نادیده گرفتن هیجان حول هوش مصنوعی مولد در عصری که ChatGPT، شناخته‌شده‌ترین برنامه هوش مصنوعی مولد، به سرعت رکورد سریع‌ترین رشد پایگاه کاربری در تاریخ را به دست آورد، دشوار است. اما این شور و شوق می‌تواند این واقعیت را پنهان کند که هوش مصنوعی مولد اغلب برای ایجاد بیشترین ارزش باید با هوش مصنوعی سنتی همکاری کند. برای مثال، یک بانک می‌تواند از هوش مصنوعی سنتی برای تجزیه و تحلیل داده‌های رفتار کاربر استفاده کند و سپس از خروجی‌ها به‌عنوان مبنایی برای هوش مصنوعی مولد برای ایجاد محتوای شخصی‌سازی‌شده استفاده کند.

یا یک پلتفرم AIOps می‌تواند هوش مصنوعی مولد را برای سفارشی‌سازی هشدارهای امنیتی و تسهیل ارتباط SOC (مرکز عملیات امنیتی) ادغام کند. ترکیب این انواع مختلف هوش مصنوعی می‌تواند سود سرشاری برای شرکت‌های مالی که با داده‌های حساس و مقررات سختگیرانه دست و پنجه نرم می‌کنند، به همراه داشته باشد.

بیشتر بخوانیم: فرصت‌های تجاری جدید با ترکیب بلاک‌چین و هوش‌مصنوعی

۲. انعطاف‌پذیری بیشتر داده و سیلوهای کمتر:

هوش مصنوعی توجه رهبران خدمات مالی را به خود جلب کرده است، اما به راحتی می‌توان فراموش کرد که هوش مصنوعی بدون داده‌ی خوب هیچ است. بدون انعطاف‌پذیری و دسترسی مناسب که از سیلوهای سنتی بین مجموعه داده‌ها یا اکوسیستم‌های فروشنده فراتر رود، منابع اطلاعاتی و مدل‌سازی الگوریتمی که هوش مصنوعی مولد را قدرت می‌بخشند محدود خواهند شد.

یک استراتژی مدیریت داده‌ی قوی اولین گام برای اطمینان از استانداردهای ثابت برای فراداده، تعاریف و ویژگی‌های داده در کل بخش فناوری اطلاعات است. این باید با زیرساخت داده‌ای مناسب پشتیبانی شود، ایده‌آل آن است که به داده‌ها در محل استقرار آن‌ها از طریق یک لایه مجازی‌سازی یا تکنیک مشابهی که تمام داده‌ها را به صورت آزاد در سراسر سازمان و شبکه‌های شخص ثالث متصل می‌کند، دسترسی داشته باشد.

۳. پذیرش هوش مصنوعی اختصاصی:

به ویژه در ترکیب با هوش مصنوعی سنتی، هوش مصنوعی مولد بینش و ارزش بیشتری را نسبت به گذشته به سازمان ارائه می‌دهد. نکته‌ی قابل توجه این است که این بینش‌ها و ارزش‌ها می‌توانند به راحتی در یک اکوسیستم هوش مصنوعی که به شدت به روابط و فروشندگان شخص ثالث وابسته است، به سایر شرکت‌ها، حتی رقبا، راه پیدا کنند. به همین دلیل، راه‌حل‌های هوش مصنوعی اختصاصی برای شرکت‌های فین‌تکی که می‌خواهند از قدرت هوش مصنوعی بدون به خطر انداختن حریم خصوصی داده‌ها با اشتراک‌گذاری ناخواسته‌ی آموزش مدل‌سازی و الگوریتم استفاده کنند، اهمیت بیشتری پیدا می‌کنند. هوش مصنوعی اختصاصی به شرکت‌ها این امکان را می‌دهد تا به صورت ایمن روی داده‌های شرکت آموزش ببینند و مدل‌های حاصل هرگز خارج از سازمان به اشتراک گذاشته نمی‌شوند.

بیشتر بخوانیم: هوش مصنوعی و بیت‌کوین چگونه دنیا را تغییر می‌دهند؟

۴. به یاد آوردن عامل انسانی در پذیرش هوش مصنوعی:

به کارگیری قابلیت‌های هوش مصنوعی نیازمند توجه به عامل انسانی است. هدف نهایی این است که اطمینان حاصل شود پیچیدگی‌های فناورانه‌ی پشت هوش مصنوعی به مانعی برای ورود مدیران ریسک مالی، تحلیلگران سرمایه‌گذاری یا سایر کاربران تجاری که نباید برای انجام کار خود به مدرک دکترای علوم داده نیاز داشته باشند، تبدیل نشود.

موفقیت مستلزم یک دستورالعمل دو بخشی است: ارائه‌ی پلتفرم‌های قابل دسترس که امکان کنترل و سفارشی‌سازی فرآیندهای هوش مصنوعی را بدون نیاز به کدگذاری پیشرفته فراهم می‌کند؛ و سپس آموزش کافی برای کاربران برای مدیریت این پلتفرم‌ها. مورد آخر باید شامل راهنمایی در مورد جستجو و مهندسی دستورالعمل برای نتایج بهتر باشد.

ترکیب نوآوری هوش مصنوعی با مدیریت ریسک برای حداکثر بازده سرمایه (ROI)

روندهای فوق، مسیر پذیرش هوش مصنوعی را برای مؤسسات مالی در عصر حاضر تعریف می‌کند، چرا که آن‌ها به دنبال دستیابی به حداکثر بازده سرمایه (ROI) از طریق کارآمدی‌های جدید مبتنی بر هوش مصنوعی هستند. نکته‌ی قابل توجه این است که همراه با قابلیت‌های جدید، باید تلاش قابل توجهی در زمینه مدیریت ریسک صورت گیرد تا اطمینان حاصل شود که هنگام راه‌اندازی سیستم‌های هوش مصنوعی جدید، آسیب‌پذیری‌های امنیتی یا انطباقی به طور ناخواسته ایجاد نشوند.

در حالی که پلتفرم‌های هوش مصنوعی مولد که به مدل‌های زبان بزرگ (LLM) متکی هستند، می‌توانند عملیات را به طور چشمگیری گسترش دهند و فرآیندها را متحول سازند، اما شناخته شده است که توهمات هوش مصنوعی و اطلاعات نادرست اینترنت را به محصولات کاری خود وارد می‌کنند. حتی هوش مصنوعی سنتی نیز می‌تواند ریسک را افزایش دهد – از جمله هر زمان که به جریان‌های داده جدید بدون تدابیر احراز هویت مناسب دسترسی پیدا شود، یا در مواردی که خودکارسازی بر روی فرآیندهای معیوب اعمال شود و در نتیجه، با هر بار اجرای فرآیند خودکار، نمونه‌های احتمالی عدم انطباق را افزایش دهد.

بیشتر بخوانیم: ترکیب هوش مصنوعی و بلاک‌چین در امور مالی و سرمایه‌گذاری

تیم‌های تحول باید از چارچوب مدیریت ریسک هوش مصنوعی موسسه ملی استانداردها و فناوری (NIST) برای هدایت طراحی، توسعه، استفاده و ارزیابی محصولات، خدمات و سیستم‌های هوش مصنوعی پیروی کنند.

خطرات استقرار مؤثر و ایمن هوش مصنوعی در سازمان‌های فین‌تک، به‌ویژه در بخش‌هایی که با اطلاعات شخصی قابل شناسایی (PII) و تراکنش‌های مالی بسیار حساس سروکار دارند، به طور ویژه‌ای بالا است. خبر خوب این است که پاداش موفقیت نیز به طور ویژه‌ای بالا است.

زیرا با توجه به اینکه قابلیت‌های صرفه‌جویی در زمان هوش مصنوعی مولد، حجم کارهای دستی را کاهش می‌دهد و بهره‌وری را در بخش‌هایی که حقوق و دستمزد به طور کلی بالاتر است، بهبود می‌بخشد، صرفه‌جویی در هر ساعت در مقایسه با سایر صنایع، بازده سرمایه (ROI) را افزایش می‌دهد.

بیشتر بخوانیم: بازگشت سرمایه تبلیغات (ROAS) چیست؟

• شکل‌دهی جدید فین‌تک با استفاده از هوش مصنوعی مولد