เกือบทุกอุตสาหกรรมต่างหลงใหลใน generative AI และฟินเทคเป็นหนึ่งในภาคส่วนสำคัญที่เป็นผู้นำในการปรับใช้ บริษัททางการเงินสามารถรวม generative AI เข้ากับความสามารถ AI แบบดั้งเดิมที่ได้รับการยอมรับมากขึ้น เพื่อเร่งความพยายามในการเปลี่ยนแปลงขององค์กรในด้านสำคัญๆ หลายประการ รวมถึงการตัดสินใจเชิงคาดการณ์ การประเมินความเสี่ยง การมีส่วนร่วมของลูกค้า ความปลอดภัยทางไซเบอร์ การปฏิบัติตามข้อกำหนด และอื่นๆ แม้ว่า generative AI จะมอบศักยภาพที่ยอดเยี่ยม แต่องค์กรฟินเทคจะต้องมีกลยุทธ์ในการใช้โมเดลภาษาขนาดใหญ่ (LLM) ของ generative AI และเทคโนโลยีที่เกี่ยวข้องในองค์กรอย่างไรและที่ไหน
แนวโน้มหลักสี่ประการ
เส้นทางการเปลี่ยนแปลงขององค์กรทุกแห่งจะมีเอกลักษณ์เฉพาะตัวในเรื่องวิธีการและตำแหน่งที่ AI ถูกนำมาใช้เพื่อปรับปรุงกระบวนการ ทำให้เวิร์กโฟลว์เป็นอัตโนมัติ และประหยัดต้นทุน ต่อไปนี้เป็นแนวโน้มสำคัญสี่ประการที่กำหนดเส้นทางการนำ AI ไปใช้สำหรับหลายบริษัทในปัจจุบัน:
1. การผสมผสาน AI ดั้งเดิมและดั้งเดิม: เป็นเรื่องยากที่จะกล่าวเกินจริงถึงความตื่นเต้นเกี่ยวกับ generative AI ในยุคที่ ChatGPT ซึ่งเป็นแอปพลิเคชัน generative AI ที่โด่งดังที่สุด สร้างสถิติอย่างรวดเร็วสำหรับ ฐานผู้ใช้ที่เติบโตเร็วที่สุดในประวัติศาสตร์. แต่ความอุดมสมบูรณ์นี้สามารถปิดบังความจริงที่ว่า generative AI มักจะต้องทำงานควบคู่กับ AI แบบดั้งเดิมเพื่อสร้างมูลค่าสูงสุด ตัวอย่างเช่น ธนาคารสามารถใช้ AI แบบดั้งเดิมเพื่อวิเคราะห์ข้อมูลพฤติกรรมของผู้ใช้ จากนั้นใช้ผลลัพธ์เป็นพื้นฐานสำหรับ AI เชิงสร้างสรรค์เพื่อสร้างเนื้อหาส่วนบุคคล หรือแพลตฟอร์ม AIOps สามารถรวม AI กำเนิดเพื่อปรับแต่งการแจ้งเตือนความปลอดภัยและอำนวยความสะดวกในการติดต่อ SOC การผสมผสาน AI ประเภทต่างๆ เหล่านี้สามารถจ่ายเงินปันผลมหาศาลให้กับบริษัททางการเงินที่ต้องต่อสู้กับข้อมูลที่ละเอียดอ่อนและกฎระเบียบที่เข้มงวด2. ความยืดหยุ่นของข้อมูลมากขึ้นและไซโลน้อยลง: AI ดึงดูดความสนใจของผู้นำด้านบริการทางการเงิน แต่ก็เป็นเรื่องง่ายที่จะลืมว่า AI นั้นไม่มีประโยชน์อะไรหากไม่มีข้อมูลที่ดี หากไม่มีความยืดหยุ่นและการเข้าถึงที่เพียงพอซึ่งอยู่เหนือไซโลแบบดั้งเดิมระหว่างชุดข้อมูลหรือระบบนิเวศของผู้ขาย แหล่งข้อมูลและการสร้างแบบจำลองอัลกอริทึมที่ AI กำเนิดพลังงานจะถูกจำกัด กลยุทธ์การจัดการข้อมูลที่แข็งแกร่งเป็นก้าวแรกเพื่อให้แน่ใจว่ามีมาตรฐานที่สอดคล้องกันสำหรับเมตาดาต้า คำจำกัดความ และคุณลักษณะของข้อมูลทั่วทั้งพื้นที่ไอที สิ่งนี้จะต้องได้รับการสำรองข้อมูลโดยสถาปัตยกรรมข้อมูลพื้นฐานที่ถูกต้อง โดยหลักการแล้วคือสถาปัตยกรรมที่เข้าถึงข้อมูลที่อยู่ในชั้นเวอร์ช่วลไลเซชั่นหรือเทคนิคที่คล้ายกันที่เชื่อมต่อข้อมูลทั้งหมดอย่างอิสระผ่านเครือข่ายองค์กรและบุคคลที่สาม
3. การนำ AI ส่วนตัวมาใช้: โดยเฉพาะอย่างยิ่งเมื่อจับคู่กับ AI แบบดั้งเดิม AI เจนเนอเรชั่นจะมอบข้อมูลเชิงลึกและคุณค่าให้กับองค์กรมากขึ้นกว่าที่เคย ข้อแม้ก็คือข้อมูลเชิงลึกและคุณค่าเหล่านี้สามารถหาทางไปยังบริษัทอื่นๆ ได้อย่างง่ายดาย แม้แต่คู่แข่ง ในระบบนิเวศ AI ที่อาศัยความสัมพันธ์และผู้ขายของบุคคลที่สามอย่างมาก นั่นเป็นเหตุผลว่าทำไมโซลูชัน AI ส่วนตัวจึงมีความสำคัญมากขึ้นเรื่อยๆ สำหรับบริษัทฟินเทคที่ต้องการใช้ประโยชน์จากพลังของ AI โดยไม่กระทบต่อความเป็นส่วนตัวของข้อมูลด้วยการแบ่งปันการสร้างแบบจำลองและการฝึกอบรมอัลกอริทึมโดยไม่ได้ตั้งใจ AI ส่วนตัวช่วยให้บริษัทต่างๆ ฝึกอบรมข้อมูลของบริษัทได้อย่างปลอดภัย โดยที่โมเดลผลลัพธ์จะไม่ถูกแชร์ไปนอกองค์กร
4. การจดจำปัจจัยด้านผู้คนในการนำ AI มาใช้: การนำความสามารถด้าน AI มาปฏิบัติจริงจำเป็นต้องคำนึงถึงปัจจัยด้านผู้คน เป้าหมายโดยรวมคือเพื่อให้แน่ใจว่าความซับซ้อนทางเทคโนโลยีที่ขับเคลื่อน AI จะไม่เป็นอุปสรรคต่อการเข้ามาของผู้จัดการความเสี่ยงทางการเงิน นักวิเคราะห์การลงทุน หรือผู้ใช้ทางธุรกิจอื่นๆ ที่ไม่จำเป็นต้องจบปริญญาเอกสาขาวิทยาศาสตร์ข้อมูลในการทำงาน ความสำเร็จเกี่ยวข้องกับสูตรสองส่วนในการจัดหาแพลตฟอร์มที่สามารถเข้าถึงได้ ซึ่งช่วยให้สามารถควบคุมและปรับแต่งกระบวนการ AI โดยไม่จำเป็นต้องเขียนโค้ดขั้นสูง จากนั้นมีการฝึกอบรมที่เพียงพอสำหรับผู้ใช้ในการจัดการแพลตฟอร์มเหล่านี้ อย่างหลังควรรวมคำแนะนำในการค้นหาและวิศวกรรมที่รวดเร็วเพื่อผลลัพธ์ที่ดีกว่า
ผสมผสานนวัตกรรม AI เข้ากับการบริหารความเสี่ยงเพื่อ ROI สูงสุด
แนวโน้มข้างต้นเป็นตัวกำหนดเส้นโค้งการนำ AI มาใช้ในปัจจุบันสำหรับสถาบันการเงิน เนื่องจากพวกเขาแสวงหา ROI สูงสุดจากประสิทธิภาพใหม่ที่ขับเคลื่อนด้วย AI ข้อแม้ก็คือ ควบคู่ไปกับความสามารถใหม่ๆ จะต้องมาพร้อมกับความพยายามในการบริหารความเสี่ยงที่สำคัญ เพื่อให้แน่ใจว่าช่องโหว่ด้านความปลอดภัยหรือการปฏิบัติตามกฎระเบียบจะไม่ถูกสร้างขึ้นโดยไม่ได้ตั้งใจเมื่อสร้างระบบ AI ใหม่
แม้ว่าพวกเขาสามารถขยายขนาดการดำเนินงานและเปลี่ยนแปลงกระบวนการได้อย่างมาก แต่แพลตฟอร์ม AI เจนเนอเรชั่นที่ใช้ LLM นั้นเป็นที่รู้กันว่านำภาพหลอนของ AI และข้อมูลที่ผิดทางอินเทอร์เน็ตมาสู่ผลิตภัณฑ์งานของพวกเขา และแม้แต่ AI แบบดั้งเดิมก็สามารถขยายความเสี่ยงได้ รวมถึงเมื่อใดก็ตามที่มีการเข้าถึงสตรีมข้อมูลใหม่โดยไม่มีการป้องกันการรับรองความถูกต้องที่เหมาะสม หรือในกรณีที่มีการใช้ระบบอัตโนมัติกับกระบวนการที่มีข้อบกพร่อง ดังนั้นจึงปรับขนาดอินสแตนซ์ที่เป็นไปได้ของการไม่ปฏิบัติตามข้อกำหนดเมื่อใดก็ตามที่กระบวนการอัตโนมัติเกิดขึ้น ทีมปฏิรูปควรปฏิบัติตาม NIST กรอบการบริหารความเสี่ยง AI เพื่อช่วยแนะนำการออกแบบ การพัฒนา การใช้งาน และการประเมินผลิตภัณฑ์ บริการ และระบบ AI
ความเสี่ยงในการปรับใช้ AI อย่างมีประสิทธิภาพและปลอดภัยในองค์กรฟินเทคนั้นสูงเป็นพิเศษในภาคส่วนที่เกี่ยวข้องกับ PII และธุรกรรมทางการเงินที่ละเอียดอ่อนอย่างยิ่ง ข่าวดีก็คือว่าผลตอบแทนจากความสำเร็จก็สูงเป็นพิเศษเช่นกัน นั่นเป็นเพราะว่าความสามารถในการประหยัดเวลาของ generative AI กำลังลดภาระงานที่ต้องทำเอง และปรับปรุงประสิทธิภาพการผลิตในภาคที่เงินเดือนมีแนวโน้มที่จะสูงขึ้น ทุกๆ ชั่วโมงที่ประหยัดได้จะช่วยเพิ่ม ROI เมื่อเทียบกับอุตสาหกรรมอื่นๆ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://www.fintechnews.org/these-four-trends-are-shaping-how-fintech-should-be-using-generative-ai/
