Tantangan Implementasi GenAI di Jasa Keuangan

Kemampuan komputer untuk menghasilkan teks prosa akhir-akhir ini menjadi cukup baik untuk dipertimbangkan dalam penggunaan bisnis praktis. Jadi mengapa sebagian besar perusahaan belum menggunakannya? Mari kita lihat beberapa tantangan dalam menerapkan metode ini. Meskipun AI generatif (GenAI) juga dapat menghasilkan gambar, audio, atau video, kami akan fokus pada kemampuannya menghasilkan teks di sini.

Inti dari GenAI terdapat sebuah model, yang mengubah satu bagian teks menjadi teks lainnya. Teks masukan sering kali berupa pertanyaan yang diajukan atau perintah yang diberikan oleh pengguna manusia. Teks keluarannya, semoga merupakan tanggapan yang benar dan bermakna. Sebagian besar dari kita pernah bermain dengan satu atau lebih model ini secara online dalam lingkungan pesan teks yang mengingatkan kita pada percakapan. Meski tampak seperti percakapan, retakan yang muncul menandakan kita tidak sedang berbicara dengan manusia.

Tantangan pertama terletak pada bagaimana model ini dibuat. Mereka didasarkan pada koleksi teks yang sangat besar dari internet. Sebagian besar teks ini bersifat fiksi atau berisi ujaran tidak pantas seperti diskriminasi. Banyak dari teks ini juga tunduk pada undang-undang hak cipta, sehingga membuat legalitas modelnya agak tidak jelas.

Kelompok tantangan berikutnya berkaitan dengan sifat dasar dari model-model tersebut. Mereka mewakili matriks probabilitas raksasa tentang kata apa yang paling mungkin mengikuti rangkaian kata awal tertentu. Oleh karena itu, mereka tidak mampu melakukan penalaran logis, argumentasi sebab akibat, atau akal sehat. Hasil praktisnya adalah mereka terkadang memberikan jawaban yang salah atau tidak mungkin – sesuatu yang disebut halusinasi.

Selain itu, dalam praktik bisnis, model ini tidak dapat berjalan sendiri namun harus diintegrasikan ke dalam berbagai perangkat lunak lain, yang sering kali dibuat oleh vendor lain. Model GenAI kemudian dapat mewakili antarmuka bahasa ke perangkat lunak ini untuk menyederhanakan banyak tugas. Namun, upaya mengintegrasikan model GenAI dengan perangkat lunak lama baru saja dimulai dan menjadi rumit karena lanskap vendor itu sendiri yang beragam dan cepat berubah.

Seandainya GenAI terintegrasi sepenuhnya ke dalam utilitas perangkat lunak umum yang digunakan dalam industri jasa keuangan, kita masih akan menghadapi tantangan pelatihan dan manajemen perubahan pada tenaga kerja di industri yang bangga akan kecerdasan manusianya.

Itu semua pada prinsipnya merupakan tantangan. Mari kita kesampingkan dulu hal-hal tersebut dan tanyakan apa yang bisa kita lakukan dengan menggunakan GenAI dalam layanan keuangan.

Beberapa kegunaannya sama dengan industri lain seperti otomatisasi layanan pelanggan dalam menjawab pertanyaan atau melakukan tugas rutin seperti hotline otomatis cerdas. Seseorang dapat mengirim email pemasaran ke banyak pelanggan yang disesuaikan secara rumit dengan pola perilaku masing-masing individu untuk mengiklankan produk dan layanan tertentu yang benar-benar sesuai untuk orang tersebut. 

Semakin menarik ketika kita menyadari bahwa GenAI tidak hanya berbicara dalam bahasa manusia tetapi juga bahasa komputer. Itu dapat menerjemahkan pertanyaan yang diajukan dalam bahasa Inggris ke dalam SQL, bahasa database, atau ke dalam JavaScript, bahasa halaman web. Seorang analis keuangan mungkin mengajukan pertanyaan dalam bahasa Inggris, memasukkannya ke database dalam SQL yang sempurna dan jawabannya diubah menjadi halaman JavaScript yang ditampilkan sebagai bagan analitik. Bagi analis keuangan, grafik muncul seketika dengan data numerik yang dapat dipercaya. Hal ini dapat dipercaya karena GenAI tidak membuat konten numerik melainkan mengambilnya dari database yang terbentuk dengan baik. Jawaban seketika adalah keuntungan yang signifikan karena semua pekerjaan manusia dan penundaan dapat dihemat.

GenAI mampu menulis teks prosa secara native sehingga dapat memberikan draf pertama analisis atau laporan keuangan untuk dikoreksi oleh manusia. Telah terdokumentasi dengan baik bahwa otomatisasi draf pertama dapat menghemat sebanyak 40% dari total upaya tenaga kerja manusia untuk laporan tersebut.

Kesimpulannya, tantangan utama terletak pada model itu sendiri dan integrasinya ke dalam alat lain. Setelah terintegrasi, mereka harus digunakan dengan benar oleh tenaga kerja yang bersedia dan terlatih untuk melakukannya.

Hal ini membawa kita pada hambatan terakhir dalam penerapan layanan keuangan: Kepercayaan. Para profesional di bidang keuangan, eksekutif perusahaan, dan regulator pemerintah masih belum terlalu percaya bahwa teknologi ini dapat diandalkan seperti yang kita inginkan untuk melayani industri yang diatur di mana sejumlah besar uang dapat hilang dalam sekejap. Hal ini harus diatasi dengan integrasi seperti yang disebutkan di atas untuk mengendalikan GenAI dengan database yang tepat, dan juga dengan dukungan yang lebih baik terhadap industri AI itu sendiri sehingga pemahaman dapat mengatasi kurangnya kepercayaan.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://www.finextra.com/blogposting/25582/implementation-challenges-of-genai-in-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs