از موارد استفاده AI و ML چه چیزی می توانیم بیاموزیم؟

بازنشر افلاطون

دنبال: 0

از موارد استفاده AI و ML چه چیزی می توانیم بیاموزیم؟ هوش داده PlatoBlockchain. جستجوی عمودی Ai.

بر اساس نظرسنجی اخیر بانک انگلستان، استفاده از فناوری‌های ML در شرکت‌های خدمات مالی بریتانیا همچنان در حال افزایش است: بیش از 70 درصد از شرکت‌هایی که پاسخ دادند از برنامه‌های یادگیری ماشین (ML) استفاده می‌کردند یا در حال توسعه بودند، با شرکت‌هایی که انتظار داشتند
تعداد برنامه های کاربردی ML طی سه سال آینده به بیش از سه برابر خواهد رسید. مزایای گزارش‌شده فناوری‌های ML افزایش قابلیت‌های داده‌ها و تجزیه و تحلیل، افزایش کارایی عملیاتی و بهبود تشخیص تقلب و پولشویی است.
انگلستان، 2022).

اگر در بین 70 درصد یا بیشتر خوش شانس شرکت هایی هستید که قبلاً ML را اجرا کرده اند، می دانید که به یک چیز خوب رسیده اید. با این حال، ممکن است به نظر برسد که قبلاً ML را برای همه موارد استفاده آشکار در تجارت خود اعمال کرده اید. از طرفی اگر دارید
هنوز شروع به توسعه یا استقرار برنامه های کاربردی ML در شرکت شما نکرده اید، در این صورت ممکن است همه چیز مانند یک مبارزه دشوار بزرگ به نظر برسد که حتی شروع به بررسی آن کنید. در واقع، منطقی به نظر می رسد که تصور کنیم درصد واقعی شرکت هایی که هنوز سفر ML خود را آغاز نکرده اند.
حتی بیشتر از 30٪ است، زیرا این ارقام بر اساس سازمان هایی است که به نظرسنجی در مورد ML (یعنی نشان دادن سوگیری انتخاب خود) پاسخ دادند.

هنگام در نظر گرفتن فرصت‌های جدید برای برنامه‌های کاربردی ML - یا به طور گسترده‌تر هوش مصنوعی -، چه برای اولین بار باشد یا نه، در نظر گرفتن اینکه چگونه سازمان‌های دیگر چگونه با موفقیت از این فناوری‌ها استفاده کرده‌اند، مفید است. اغلب، این اطلاعات می تواند دشوار باشد
دسترسی داشته باشید، به دلیل اینکه از نظر تجاری حساس است. در مواردی که در دسترس باشد، می توان آن را در بدنه گزارش ها، نتایج نظرسنجی یا سایر اسناد دفن کرد. هدف از بررسی و حضور اخیر من در این ماه در لندن در کنار گوگل، کمک است
دیگران برای غلبه بر این چالش و به اشتراک گذاشتن درک سیستماتیک از موارد استفاده AI و ML در حوزه خدمات مالی پس از بررسی ادبیات.

من خلاصه ترکیبی را ارائه خواهم کرد که در سه دسته اصلی گروه بندی می شود: مدیریت ریسک، سازمانی/عملیاتی، و افزایش تجربه و تعامل مشتری. همانطور که در مورد هر بررسی متون وجود دارد، تصمیماتی باید در مورد آن گرفته می شد
گروه بندی، طبقه بندی و گنجاندن موارد استفاده و منابع آنها. به عنوان مثال، برای بررسی گسترده تر که الگوریتم های هوش مصنوعی و ML و خطرات مربوط به استفاده از این فناوری ها را نیز پوشش می دهد، گزارش اخیر موسسه تورینگ را توصیه می کنم.
(Maple, et al. 2023).

بخش خدمات مالی

طبق نظرسنجی‌های اخیر، سازمان‌ها در بخش خدمات مالی به طور فزاینده‌ای از فناوری‌های ML و AI بهره می‌برند - و از آنها سود می‌برند. با این حال، یکی از موانع پذیرش هوش مصنوعی، شناسایی موارد استفاده مناسب است. در این
در مقاله ما طیف وسیعی از موارد استفاده را بررسی کرده‌ایم که می‌توان آن‌ها را به‌طور کلی به «مدیریت ریسک»، «سازمانی/عملیاتی» و «افزایش تجربه و تعامل مشتری» دسته‌بندی کرد. در برخی موارد، انتزاع از موارد خاص ممکن است مفیدتر باشد
از موارد به منظور استفاده از رویکرد استقرایی بیشتر استفاده کنید. برای کمک به این موضوع، من سه ویژگی کلی موارد استفاده از AI/ML، یعنی «فرایندهای تجاری»، «داده‌ها» و «نوع وظیفه» را همراه با مثال‌های مربوطه ارائه کردم.

خلاصه ای از فناوری ها و برنامه های کاربردی ML و AI بدون دست زدن به فرصت های بالقوه ارائه شده توسط هوش مصنوعی مولد کامل نخواهد بود. اگرچه این رویکردها برای چندین سال وجود داشته است، اما اواخر سال 2022 و انتشار نسخه بتا عمومی بود
ChatGPT توسط OpenAI و ابزارهای مشابه توسط رقبایی مانند PaLM-2. که آنها را مورد توجه عموم مردم و رهبران تجاری قرار داد. در حال حاضر، چنین رویکردهای هوش مصنوعی مولد هنوز در بررسی های سیستماتیک برنامه های هوش مصنوعی و ML در امور مالی دیده نشده است.
خدمات (اگرچه Buckmann، Haldane و Hüser، 2021 محدودیت های مدل قبلی زبان بزرگ OpenAI GPT-3 را بررسی و شناسایی کردند). با این حال، به منظور کامل بودن، باید برخی از مناطق معمولی را در نظر بگیرید که در آن فناوری‌های هوش مصنوعی مولد هستند
مانند ChatGPT می تواند به طور موثر اعمال شود.

من مشتاقانه منتظر به اشتراک گذاشتن بررسی های دقیق به زودی هستم، از جمله انجام این کار در رویداد Google ما در لندن در این ماه!