Implementeringsudfordringer for GenAI i finansielle tjenesteydelser

Implementeringsudfordringer for GenAI i finansielle tjenesteydelser

Tidsstempel: 24. januar 2024 12:06
Kildeknude: 3085402

En computers evne til at generere prosatekst er for nylig blevet god nok til at overveje til praktisk forretningsbrug. Så hvorfor bruger de fleste virksomheder det ikke endnu? Lad os se på nogle udfordringer ved at implementere disse metoder. Mens generativ AI (GenAI)
kan også generere billeder, lyd eller video, vil vi fokusere på dens evne til at generere tekst her.

I hjertet af GenAI ligger en model, som forvandler et stykke tekst til et andet. Indtastningsteksten er ofte et spørgsmål stillet eller en kommando givet af en menneskelig bruger. Outputteksten er forhåbentlig et korrekt og meningsfuldt svar. De fleste af os har leget med
en eller flere af disse modeller online i et SMS-miljø, der minder om en samtale. På trods af at det virker som en samtale, opstår der revner, der signalerer til os, at vi ikke taler med et menneske.

Den første gruppe af udfordringer ligger i, hvordan disse modeller blev lavet. De er baseret på enorme tekstsamlinger fra internettet. Meget af denne tekst er fiktiv eller indeholder upassende tale, såsom diskrimination. Meget af denne tekst er også underlagt ophavsret
lov, hvilket gør modellernes lovlighed noget uklar.

Den næste gruppe af udfordringer har at gøre med selve karakteren af ​​disse modeller. De repræsenterer en gigantisk sandsynlighedsmatrix af, hvilket ord der med størst sandsynlighed følger en given startsekvens af ord. Som sådan er de ikke i stand til logisk ræsonnement, kausal
argumentation eller sund fornuft. Det praktiske resultat er, at de af og til giver forkerte eller umulige svar - noget, der kaldes en hallucination.

Desuden kan disse modeller i forretningspraksis ikke leve alene, men skal integreres i en række andre softwareværktøjer, ofte lavet af andre leverandører. GenAI-modellerne kan derefter repræsentere en sproggrænseflade til disse softwareværktøjer for at strømline
mange opgaver. Arbejdet med at integrere GenAI-modeller med ældre software er dog kun lige begyndt og er gjort komplekst af det mangfoldige og hurtigt skiftende landskab af leverandører selv.

Hvis vi antager, at GenAI var fuldt integreret i de almindelige softwareværktøjer, der bruges i finanssektoren, ville vi stadig stå over for udfordringen med træning og forandringsledelse i arbejdsstyrken i en industri, der er stolt af menneskelig intelligens.

Det er i princippet alle udfordringer. Lad os lægge dem til side for nu og spørge, hvad vi ville bruge GenAI til at gøre i finansielle tjenester.

Nogle anvendelser er almindelige med andre industrier, såsom automatisering af kundeservice til at besvare spørgsmål eller udføre rutineopgaver som en smart automatiseret hotline. Man kan sende marketing-e-mails til mange kunder, der er indviklet skræddersyet til den enkeltes adfærd
mønster for at annoncere for specifikke produkter og tjenester, der virkelig passer til den pågældende person. 

Det bliver mere interessant, når vi indser, at GenAI ikke kun taler menneskelige sprog, men også computersprog. Det kan oversætte et spørgsmål stillet på engelsk til SQL, sproget i databaser, eller til JavaScript, sproget på websider. En økonomisk
analytiker kan stille et spørgsmål på engelsk, få dette lagt til en database i perfekt SQL og svaret omdannet til en JavaScript-side, der vises som et analysediagram. For finansanalytikeren vises diagrammet øjeblikkeligt med pålidelige numeriske data.
Det er troværdigt, fordi GenAI ikke skabte det numeriske indhold, men snarere hentede det fra en velformet database. Det øjeblikkelige svar er en betydelig gevinst, da alt det menneskelige arbejde og forsinkelse er sparet.

GenAI er i stand til at skrive prosatekst native og kan derfor give et første udkast til en finansiel analyse eller rapport, der skal rettes af et menneske. Det er veldokumenteret, at automatiseringen af ​​det første udkast kan spare så meget som 40 % af den samlede menneskelige arbejdsindsats
til rapporten.

Sammenfattende ligger hovedudfordringerne i selve modellerne og deres integration i andre værktøjer. Når de er integreret, skal de bruges korrekt af en arbejdsstyrke, der er villig og uddannet til at gøre det.

Dette bringer os til den sidste hindring for adoption inden for finansielle tjenesteydelser: Tillid. Både finansprofessionelle, virksomhedsledere og statslige tilsynsmyndigheder har endnu ikke helt tillid til, at disse teknologier er så pålidelige, som vi gerne vil have dem til at tjene.
en reguleret branche, hvor store summer kan gå tabt på et øjeblik. Dette skal opfyldes med integrationer som den, der er nævnt ovenfor for at kontrollere GenAI med præcise databaser, og også med bedre fortalervirksomhed for AI-industrien selv, således at forståelse
overvinder manglende tillid.

Tidsstempel:

Mere fra Fintextra