چالش های پیاده سازی GenAI در خدمات مالی

توانایی رایانه برای تولید متن نثر اخیراً به اندازه کافی خوب شده است که می توان آن را برای استفاده عملی تجاری در نظر گرفت. پس چرا اکثر شرکت ها هنوز از آن استفاده نمی کنند؟ بیایید به چند چالش در اجرای این روش ها نگاه کنیم. در حالی که هوش مصنوعی مولد (GenAI) همچنین می تواند تصاویر، صدا یا ویدئو تولید کند، ما در اینجا بر توانایی آن برای تولید متن تمرکز خواهیم کرد.

در قلب GenAI مدلی نهفته است که یک متن را به متن دیگر تبدیل می کند. متن ورودی اغلب سؤالی است که توسط یک کاربر انسانی پرسیده می شود یا دستور داده می شود. متن خروجی، امیدوارم پاسخی صحیح و معنادار باشد. بسیاری از ما با یک یا چند مدل از این مدل ها به صورت آنلاین در یک محیط پیامک که یادآور مکالمه است بازی کرده ایم. علیرغم اینکه به نظر می رسد یک مکالمه است، ترک ها به ما نشان می دهند که با یک انسان صحبت نمی کنیم.

اولین گروه از چالش ها در نحوه ساخت این مدل ها نهفته است. آنها بر اساس مجموعه های متنی عظیم از اینترنت هستند. بیشتر این متن تخیلی است یا حاوی سخنان نامناسبی مانند تبعیض است. بسیاری از این متن نیز مشمول قانون کپی رایت است، که قانونی بودن مدل ها را تا حدودی نامشخص می کند.

گروه بعدی چالش ها به ماهیت این مدل ها مربوط می شود. آنها یک ماتریس احتمال غول‌پیکر را نشان می‌دهند که چه کلمه‌ای احتمالاً دنباله‌ای از یک دنباله شروع معین از کلمات است. به این ترتیب، آنها قادر به استدلال منطقی، استدلال علّی یا عقل سلیم نیستند. نتیجه عملی این است که آنها گاهی اوقات پاسخ های نادرست یا غیرممکن می دهند - چیزی که توهم نامیده می شود.

علاوه بر این، در عمل تجاری، این مدل‌ها نمی‌توانند به تنهایی زندگی کنند، بلکه باید در انواع ابزارهای نرم‌افزاری دیگر که اغلب توسط فروشندگان دیگر ساخته می‌شوند، ادغام شوند. سپس مدل‌های GenAI می‌توانند یک رابط زبانی برای این ابزارهای نرم‌افزاری برای ساده‌سازی بسیاری از وظایف نشان دهند. با این حال، کار ادغام مدل‌های GenAI با نرم‌افزار قدیمی به تازگی آغاز شده است و توسط چشم‌انداز متنوع و به سرعت در حال تغییر خود فروشندگان پیچیده شده است.

با فرض اینکه GenAI به طور کامل در نرم افزارهای نرم افزاری رایج مورد استفاده در صنعت خدمات مالی ادغام شده باشد، ما همچنان با چالش آموزش و مدیریت تغییر در نیروی کار صنعتی که به هوش انسانی افتخار می کند، مواجه خواهیم بود.

اینها در اصل همه چالش ها هستند. بیایید فعلا آنها را کنار بگذاریم و بپرسیم که GenAI را برای انجام خدمات مالی به کار می‌گیریم.

برخی از کاربردها با سایر صنایع مانند اتوماسیون خدمات مشتری در پاسخ به سؤالات یا انجام کارهای معمولی مانند خط تلفن هوشمند خودکار مشترک است. می‌توان برای بسیاری از مشتریان ایمیل‌های بازاریابی ارسال کرد که به طور پیچیده با الگوی رفتاری هر فرد طراحی شده است تا محصولات و خدمات خاصی را که واقعاً برای آن شخص مناسب است، تبلیغ کند. 

وقتی متوجه می‌شویم که GenAI فقط به زبان‌های انسانی صحبت نمی‌کند، بلکه به زبان‌های کامپیوتری نیز صحبت می‌کند، جالب‌تر می‌شود. این می تواند یک سوال به زبان انگلیسی را به SQL، زبان پایگاه داده، یا به جاوا اسکریپت، زبان صفحات وب ترجمه کند. یک تحلیلگر مالی ممکن است یک سوال به زبان انگلیسی بپرسد، آن را در یک پایگاه داده با SQL کامل قرار داده و پاسخ را به یک صفحه جاوا اسکریپت تبدیل کند که به عنوان نمودار تجزیه و تحلیل نمایش داده می شود. برای تحلیلگر مالی، نمودار فوراً با داده های عددی قابل اعتماد ظاهر می شود. قابل اعتماد است زیرا GenAI محتوای عددی را ایجاد نکرده است، بلکه آن را از یک پایگاه داده خوب بازیابی کرده است. پاسخ آنی یک سود قابل توجه است زیرا تمام کار و تأخیر انسان ذخیره می شود.

GenAI قادر است متن نثری را به صورت بومی بنویسد و بنابراین می تواند اولین پیش نویس تحلیل یا گزارش مالی را برای تصحیح توسط انسان ارائه دهد. به خوبی مستند شده است که اتوماسیون پیش نویس اول می تواند تا 40 درصد از کل تلاش نیروی انسانی را برای گزارش صرفه جویی کند.

به طور خلاصه، چالش‌های اصلی مربوط به خود مدل‌ها و ادغام آنها با ابزارهای دیگر است. پس از ادغام، باید توسط نیروی کاری که مایل و آموزش دیده برای انجام این کار به درستی استفاده شود.

این ما را به آخرین مانع برای پذیرش در خدمات مالی می رساند: اعتماد. متخصصان امور مالی، مدیران شرکت‌ها و تنظیم‌کننده‌های دولتی به طور یکسان هنوز کاملاً به این فناوری‌ها اعتماد ندارند که به اندازه‌ای که ما می‌خواهیم برای خدمت به صنعت تنظیم‌شده‌ای که در آن مبالغ هنگفتی پول در یک لحظه از دست می‌رود، قابل اعتماد باشند. این باید با ادغام هایی مانند آنچه در بالا ذکر شد برای کنترل GenAI با پایگاه های داده دقیق و همچنین با حمایت بهتر از خود صنعت هوش مصنوعی مواجه شود تا درک عدم اعتماد را غلبه کند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://www.finextra.com/blogposting/25582/implementation-challenges-of-genai-in-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs