Implementatie-uitdagingen van GenAI in financiële dienstverlening

Het vermogen van een computer om prozatekst te genereren is de laatste tijd goed genoeg geworden om te overwegen voor praktisch zakelijk gebruik. Waarom gebruiken de meeste bedrijven het nog niet? Laten we eens kijken naar enkele uitdagingen bij het implementeren van deze methoden. Terwijl generatieve AI (GenAI)
kan ook afbeeldingen, audio of video genereren, we zullen ons hier concentreren op de mogelijkheid om tekst te genereren.

De kern van GenAI wordt gevormd door een model dat het ene stuk tekst in het andere omzet. De invoertekst is vaak een gestelde vraag of een opdracht van een menselijke gebruiker. De uitvoertekst is hopelijk een correct en betekenisvol antwoord. De meesten van ons hebben ermee gespeeld
een of meer van deze modellen online in een sms-omgeving die doet denken aan een gesprek. Ondanks dat het lijkt op een gesprek, verschijnen er scheuren die ons het signaal geven dat we niet met een mens praten.

De eerste groep uitdagingen ligt in de manier waarop deze modellen zijn gemaakt. Ze zijn gebaseerd op enorme tekstverzamelingen van internet. Een groot deel van deze tekst is fictief of bevat ongepaste taal, zoals discriminatie. Op veel van deze tekst rust ook auteursrecht
wet, wat de wettigheid van de modellen enigszins onduidelijk maakt.

De volgende groep uitdagingen heeft te maken met de aard van deze modellen. Ze vertegenwoordigen een gigantische waarschijnlijkheidsmatrix van welk woord het meest waarschijnlijk zal volgen op een bepaalde beginreeks van woorden. Als zodanig zijn ze niet in staat tot logisch en causaal redeneren
argumentatie of gezond verstand. Het praktische resultaat is dat ze af en toe onjuiste of onmogelijke antwoorden geven – iets dat een hallucinatie wordt genoemd.

Bovendien kunnen deze modellen in de zakelijke praktijk niet op zichzelf staan, maar moeten ze worden geïntegreerd in een verscheidenheid aan andere softwaretools, vaak gemaakt door andere leveranciers. De GenAI-modellen kunnen vervolgens een taalinterface vormen om deze softwaretools te stroomlijnen
veel taken. Het werk van het integreren van GenAI-modellen met oudere software is echter nog maar net begonnen en wordt complex gemaakt door het diverse en snel veranderende landschap van leveranciers zelf.

Stel dat GenAI volledig geïntegreerd zou zijn in de gangbare softwarehulpmiddelen die in de financiële dienstverlening worden gebruikt, dan zouden we nog steeds voor de uitdaging staan ​​van training en veranderingsmanagement in de beroepsbevolking van een sector die trots is op menselijke intelligentie.

Dat zijn in principe allemaal uitdagingen. Laten we ze voorlopig terzijde leggen en ons afvragen waarvoor we GenAI zouden inzetten in de financiële dienstverlening.

Sommige toepassingen zijn gebruikelijk in andere sectoren, zoals de automatisering van de klantenservice bij het beantwoorden van vragen of het uitvoeren van routinetaken zoals een slimme geautomatiseerde hotline. U kunt marketing-e-mails naar veel klanten sturen, die nauwkeurig zijn afgestemd op het gedrag van elk individu
patroon om reclame te maken voor specifieke producten en diensten die echt geschikt zijn voor die persoon. 

Het wordt interessanter als we ons realiseren dat GenAI niet alleen menselijke talen spreekt, maar ook computertalen. Het kan een in het Engels gestelde vraag vertalen naar SQL, de taal van databases, of naar JavaScript, de taal van webpagina's. Een financiële
De analist kan een vraag in het Engels stellen, deze in perfecte SQL in een database laten zetten en het antwoord laten omzetten in een JavaScript-pagina die wordt weergegeven als een analysediagram. Voor de financieel analist verschijnt de grafiek onmiddellijk met betrouwbare numerieke gegevens.
Het is betrouwbaar omdat GenAI de numerieke inhoud niet heeft gemaakt, maar deze heeft opgehaald uit een goed opgemaakte database. Het onmiddellijke antwoord is een aanzienlijke winst, aangezien al het menselijke werk en de vertraging worden bespaard.

GenAI is in staat om native prozateksten te schrijven en kan dus een eerste versie van een financiële analyse of rapport leveren die door een mens kan worden gecorrigeerd. Het is goed gedocumenteerd dat de automatisering van het eerste ontwerp maar liefst 40% van de totale menselijke arbeidsinspanning kan besparen
voor het rapport.

Samenvattend liggen de belangrijkste uitdagingen bij de modellen zelf en hun integratie in andere tools. Eenmaal geïntegreerd, moeten ze op de juiste manier worden gebruikt door personeel dat daartoe bereid en opgeleid is.

Dit brengt ons bij het laatste obstakel voor adoptie in de financiële dienstverlening: vertrouwen. Financiële professionals, bedrijfsleiders en toezichthouders van de overheid vertrouwen er nog niet helemaal op dat deze technologieën zo betrouwbaar zijn als we zouden willen dat ze dienen.
een gereguleerde industrie waarin in een mum van tijd grote sommen geld verloren kunnen gaan. Hieraan moet worden voldaan met integraties zoals de hierboven genoemde om GenAI te controleren met nauwkeurige databases, en ook met een betere belangenbehartiging van de AI-industrie zelf, zodat het begrip
overwint het gebrek aan vertrouwen.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.finextra.com/blogposting/25582/implementation-challenges-of-genai-in-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs