Implementeringsutfordringer for GenAI i finansielle tjenester

Implementeringsutfordringer for GenAI i finansielle tjenester

Tidsstempel: 24. januar 2024 12:06
Kilde node: 3085402

En datamaskins evne til å generere prosatekst har nylig blitt god nok til å vurdere for praktisk forretningsbruk. Så hvorfor bruker ikke de fleste selskaper det ennå? La oss se på noen utfordringer med å implementere disse metodene. Mens generativ AI (GenAI)
kan også generere bilder, lyd eller video, vil vi fokusere på dens evne til å generere tekst her.

I hjertet av GenAI ligger en modell som forvandler ett tekststykke til et annet. Inndatateksten er ofte et spørsmål som stilles eller en kommando gitt av en menneskelig bruker. Utdatateksten er forhåpentligvis en korrekt og meningsfull respons. De fleste av oss har lekt med
en eller flere av disse modellene online i et tekstmeldingsmiljø som minner om en samtale. Til tross for at det virker som en samtale, dukker det opp sprekker som signaliserer til oss at vi ikke snakker med et menneske.

Den første gruppen av utfordringer ligger i hvordan disse modellene ble laget. De er basert på enorme tekstsamlinger fra internett. Mye av denne teksten er oppdiktet eller inneholder upassende tale som diskriminering. Mye av denne teksten er også underlagt opphavsrett
lov, noe som gjør modellenes lovlighet noe uklar.

Den neste gruppen av utfordringer har å gjøre med selve naturen til disse modellene. De representerer en gigantisk sannsynlighetsmatrise for hvilket ord som mest sannsynlig følger en gitt startsekvens med ord. Som sådan er de ikke i stand til logisk resonnement, årsakssammenheng
argumentasjon, eller sunn fornuft. Det praktiske resultatet er at de av og til gir feil eller umulige svar - noe som kalles en hallusinasjon.

Videre, i forretningspraksis kan disse modellene ikke leve alene, men må integreres i en rekke andre programvareverktøy, ofte laget av andre leverandører. GenAI-modellene kan da representere et språkgrensesnitt til disse programvareverktøyene for å effektivisere
mange oppgaver. Arbeidet med å integrere GenAI-modeller med eldre programvare har imidlertid bare så vidt begynt og er gjort komplisert av det mangfoldige, og raskt skiftende, landskapet til leverandørene selv.

Hvis vi antar at GenAI var fullt integrert i de vanlige programvareverktøyene som brukes i finansnæringen, ville vi fortsatt møte utfordringen med opplæring og endringsledelse i arbeidsstyrken til en industri som er stolt av menneskelig intelligens.

Det er alle utfordringer i prinsippet. La oss legge dem til side for nå og spørre hva vi vil bruke GenAI til å gjøre innen finansielle tjenester.

Noen bruksområder er vanlige med andre bransjer som automatisering av kundeservice når det gjelder å svare på spørsmål eller utføre rutineoppgaver som en smart automatisert hotline. Man kan sende markedsførings-e-poster til mange kunder intrikat skreddersydd for hver enkelts oppførsel
mønster for å annonsere for spesifikke produkter og tjenester som virkelig passer for den personen. 

Det blir mer interessant når vi innser at GenAI ikke bare snakker menneskelige språk, men også dataspråk. Den kan oversette et spørsmål stilt på engelsk til SQL, språket i databaser, eller til JavaScript, språket på nettsider. En økonomisk
analytiker kan stille et spørsmål på engelsk, få dette lagt til en database i perfekt SQL og svaret transformert til en JavaScript-side som vises som et analysediagram. For finansanalytikeren vises diagrammet umiddelbart med pålitelige numeriske data.
Det er pålitelig fordi GenAI ikke opprettet det numeriske innholdet, men heller hentet det fra en velformet database. Det øyeblikkelige svaret er en betydelig gevinst ettersom alt menneskelig arbeid og forsinkelse er spart.

GenAI er i stand til å skrive prosatekst naturlig og kan derfor gi et første utkast til en finansiell analyse eller rapport som skal korrigeres av et menneske. Det er godt dokumentert at automatiseringen av det første utkastet kan spare så mye som 40 % av den totale menneskelige arbeidsinnsatsen
for rapporten.

Oppsummert ligger hovedutfordringene i selve modellene og deres integrering i andre verktøy. Når de er integrert, må de brukes riktig av en arbeidsstyrke som er villig og opplært til å gjøre det.

Dette bringer oss til den siste hindringen for adopsjon innen finansielle tjenester: Tillit. Både finansfagfolk, bedriftsledere og statlige regulatorer stoler ennå ikke helt på at disse teknologiene er så pålitelige som vi ønsker at de skal være for å tjene
en regulert bransje der store pengesummer kan gå tapt på et øyeblikk. Dette må møtes med integrasjoner som den som er nevnt ovenfor for å kontrollere GenAI med presise databaser, og også med bedre fortaler for AI-industrien selv, slik at forståelse
overvinner mangel på tillit.

Tidstempel:

Mer fra Fintextra