Τι μπορούμε να μάθουμε από περιπτώσεις χρήσης AI και ML;

Σύμφωνα με πρόσφατη έρευνα της Τράπεζας της Αγγλίας, η χρήση τεχνολογιών ML σε εταιρείες χρηματοοικονομικών υπηρεσιών του Ηνωμένου Βασιλείου συνεχίζει να αυξάνεται: πάνω από το 70% των εταιρειών που απάντησαν χρησιμοποιούσαν ή ανέπτυξαν εφαρμογές μηχανικής μάθησης (ML), με τις εταιρείες να αναμένουν
ο αριθμός των εφαρμογών ML υπερτριπλασιάστηκε τα επόμενα τρία χρόνια. Τα αναφερόμενα οφέλη των τεχνολογιών ML είναι βελτιωμένες δυνατότητες δεδομένων και αναλυτικών στοιχείων, αυξημένη λειτουργική αποτελεσματικότητα και βελτιωμένος εντοπισμός απάτης και νομιμοποίησης εσόδων από παράνομες δραστηριότητες (Bank of
Αγγλία, 2022).

Εάν είστε στο τυχερό 70% περίπου των εταιρειών που έχουν ήδη εφαρμόσει ML, ξέρετε ότι έχετε προχωρήσει σε κάτι καλό. Ωστόσο, μπορεί να φαίνεται ότι έχετε ήδη εφαρμόσει ML σε όλες τις προφανείς περιπτώσεις χρήσης στην επιχείρησή σας. Από την άλλη, αν έχετε
Δεν έχετε αρχίσει ακόμη να αναπτύσσετε ή να αναπτύσσετε εφαρμογές ML στην επιχείρησή σας, τότε μπορεί να φαίνονται σαν μια τεράστια δύσκολη μάχη για να αρχίσετε να το εξετάζετε. Πράγματι, θα φαινόταν λογικό να φανταστεί κανείς ότι το πραγματικό ποσοστό των εταιρειών που δεν έχουν ακόμη ξεκινήσει το ταξίδι τους ML
είναι ακόμη μεγαλύτερο από 30%, δεδομένου ότι αυτά τα στοιχεία βασίζονται σε οργανισμούς που απάντησαν σε έρευνα σχετικά με την ML (δηλ. επιδεικνύουν μεροληψία αυτοεπιλογής).

Όταν εξετάζουμε νέες ευκαιρίες για εφαρμογές ML – ή ευρύτερα AI –, είτε είναι για πρώτη φορά είτε όχι, είναι χρήσιμο να εξετάσουμε πώς άλλοι οργανισμοί έχουν εφαρμόσει με επιτυχία αυτές τις τεχνολογίες. Συχνά, αυτές οι πληροφορίες μπορεί να είναι δύσκολες
για πρόσβαση, επειδή είναι εμπορικά ευαίσθητο. Σε περιπτώσεις που είναι διαθέσιμο, μπορεί να ενταφιαστεί στο σώμα αναφορών, αποτελεσμάτων έρευνας ή άλλης τεκμηρίωσης. Ο σκοπός της πρόσφατης κριτικής και της εμφάνισής μου αυτόν τον μήνα στο Λονδίνο μαζί με την Google, είναι να βοηθήσω
άλλοι για να ξεπεράσουν αυτήν την πρόκληση και να μοιραστούν μια συστηματική κατανόηση των περιπτώσεων χρήσης τεχνητής νοημοσύνης και ML στον τομέα των χρηματοοικονομικών υπηρεσιών μετά από έρευνα της βιβλιογραφίας.

Θα παρουσιάσω τη συνθετική περίληψη η οποία ομαδοποιείται σε τρεις κύριες κατηγορίες: διαχείριση κινδύνου, οργανωτική / λειτουργική και ενίσχυση της εμπειρίας και της δέσμευσης πελατών. Όπως συμβαίνει με κάθε βιβλιογραφική ανασκόπηση, έπρεπε να ληφθούν αποφάσεις
την ομαδοποίηση, την κατηγοριοποίηση και τη συμπερίληψη των περιπτώσεων χρήσης και των πηγών τους. Για παράδειγμα, για μια ευρύτερη ανασκόπηση που καλύπτει επίσης αλγόριθμους AI και ML και κινδύνους που σχετίζονται με τη χρήση αυτών των τεχνολογιών, θα συνιστούσα την πρόσφατη έκθεση του Ινστιτούτου Turing
(Maple, et al. 2023).

Ο τομέας των χρηματοπιστωτικών υπηρεσιών

Σύμφωνα με πρόσφατες έρευνες, οι οργανισμοί στον τομέα των χρηματοοικονομικών υπηρεσιών υιοθετούν όλο και περισσότερο – και επωφελούνται από – τεχνολογίες ML και AI. Ωστόσο, ένα από τα εμπόδια στην υιοθέτηση της τεχνητής νοημοσύνης είναι ο εντοπισμός των κατάλληλων περιπτώσεων χρήσης. Σε αυτό
άρθρο έχουμε διερευνήσει μια σειρά περιπτώσεων χρήσης που μπορούν να ομαδοποιηθούν ευρέως σε «Διαχείριση κινδύνου», «Οργανωτική / επιχειρησιακή» και «Βελτίωση της εμπειρίας και της αφοσίωσης των πελατών». Σε ορισμένες περιπτώσεις, μπορεί να είναι πιο χρήσιμο να αφαιρέσουμε την αφαίρεση από συγκεκριμένα
χρησιμοποιήστε περιπτώσεις για να χρησιμοποιήσετε μια πιο επαγωγική προσέγγιση. Για να βοηθήσω σε αυτό, παρουσίασα τρία γενικά χαρακτηριστικά των περιπτώσεων χρήσης AI/ML, δηλαδή «Επιχειρηματικές διαδικασίες», «Δεδομένα» και «Τύπος εργασίας», μαζί με αντίστοιχα παραδείγματα.

Μια περίληψη των τεχνολογιών και εφαρμογών ML και AI δεν θα ήταν πλήρης χωρίς να αγγίξουμε τις πιθανές ευκαιρίες που προσφέρει η γενετική τεχνητή νοημοσύνη. Αν και αυτές οι προσεγγίσεις υπάρχουν εδώ και αρκετά χρόνια, ήταν τέλη του 2022 και η δημόσια έκδοση beta του
ChatGPT από το OpenAI και παρόμοια εργαλεία από ανταγωνιστές όπως το PaLM-2. που τους τράβηξε την προσοχή του ευρύτερου κοινού και των ηγετών των επιχειρήσεων. Επί του παρόντος, τέτοιες παραγωγικές προσεγγίσεις τεχνητής νοημοσύνης δεν έχουν ακόμη εμφανιστεί σε συστηματικές ανασκοπήσεις εφαρμογών τεχνητής νοημοσύνης και ML σε χρηματοοικονομικές
υπηρεσίες (αν και οι Buckmann, Haldane και Hüser, 2021 εξέτασαν και εντόπισαν περιορισμούς του προηγούμενου μοντέλου μεγάλων γλωσσών OpenAI GPT-3). Ωστόσο, για λόγους πληρότητας, πρέπει να λάβετε υπόψη ορισμένους τυπικούς τομείς όπου δημιουργούνται τεχνολογίες τεχνητής νοημοσύνης
όπως το ChatGPT θα μπορούσε να εφαρμοστεί αποτελεσματικά.

Ανυπομονώ να μοιραστώ λεπτομερείς κριτικές σύντομα, συμπεριλαμβανομένου του να το κάνω στην εκδήλωσή μας στην Google στο Λονδίνο αυτόν τον μήνα!

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.finextra.com/blogposting/25836/what-can-we-learn-from-ai-and-ml-use-cases?utm_medium=rssfinextra&utm_source=finextrablogs