Implementeringsutmaningar för GenAI i finansiella tjänster

Implementeringsutmaningar för GenAI i finansiella tjänster

Tidsstämpel: 24 januari 2024 12:06
Källnod: 3085402

En dators förmåga att generera prosatext har nyligen blivit tillräckligt bra för att övervägas för praktisk affärsanvändning. Så varför använder de flesta företag inte det ännu? Låt oss titta på några utmaningar med att implementera dessa metoder. Medan generativ AI (GenAI)
kan också generera bilder, ljud eller video, kommer vi att fokusera på dess förmåga att generera text här.

I hjärtat av GenAI ligger en modell som förvandlar en textbit till en annan. Inmatningstexten är ofta en fråga som ställs eller ett kommando som ges av en mänsklig användare. Utdatatexten är förhoppningsvis ett korrekt och meningsfullt svar. De flesta av oss har lekt med
en eller flera av dessa modeller online i en textmeddelandemiljö som påminner om en konversation. Trots att det verkar som ett samtal uppstår sprickor som signalerar till oss att vi inte pratar med en människa.

Den första gruppen av utmaningar ligger i hur dessa modeller gjordes. De är baserade på enorma textsamlingar från internet. Mycket av den här texten är fiktiv eller innehåller olämpligt tal som diskriminering. Mycket av denna text är också föremål för upphovsrätt
lag, vilket gör modellernas laglighet något oklar.

Nästa grupp av utmaningar har att göra med själva karaktären hos dessa modeller. De representerar en gigantisk sannolikhetsmatris för vilket ord som med största sannolikhet följer en given startsekvens av ord. Som sådana är de inte kapabla till logiska resonemang, kausala
argumentation eller sunt förnuft. Det praktiska resultatet är att de ibland ger felaktiga eller omöjliga svar - något som kallas hallucination.

Dessutom kan dessa modeller i affärspraxis inte leva på egen hand utan måste integreras i en mängd andra mjukvaruverktyg, ofta tillverkade av andra leverantörer. GenAI-modellerna kan sedan representera ett språkgränssnitt till dessa mjukvaruverktyg för att effektivisera
många uppgifter. Arbetet med att integrera GenAI-modeller med äldre mjukvara har dock bara börjat och är komplicerat av det mångsidiga och snabbt föränderliga landskapet hos leverantörerna själva.

Om vi ​​antar att GenAI var helt integrerat i de vanliga mjukvaruverktygen som används inom finansbranschen, skulle vi fortfarande möta utmaningen med utbildning och förändringsledning i arbetsstyrkan i en industri som är stolt över mänsklig intelligens.

Det är alla utmaningar i princip. Låt oss lägga dem åt sidan för nu och fråga vad vi skulle anställa GenAI för att göra inom finansiella tjänster.

Vissa användningsområden är vanliga med andra branscher som automatisering av kundtjänst när det gäller att svara på frågor eller utföra rutinuppgifter som en smart automatiserad hotline. Man kan skicka marknadsföringsmail till många kunder som är intrikat anpassade till varje individs beteende
mönster för att marknadsföra specifika produkter och tjänster som verkligen är lämpliga för den personen. 

Det blir mer intressant när vi inser att GenAI inte bara talar mänskliga språk utan även datorspråk. Det kan översätta en fråga som ställs på engelska till SQL, språket i databaser, eller till JavaScript, språket på webbsidor. En finansiell
analytiker kan ställa en fråga på engelska, få denna att läggas till en databas i perfekt SQL och svaret omvandlas till en JavaScript-sida som visas som ett analysdiagram. För finansanalytikern visas diagrammet omedelbart med tillförlitliga numeriska data.
Det är pålitligt eftersom GenAI inte skapade det numeriska innehållet utan istället hämtade det från en välformad databas. Det ögonblickliga svaret är en betydande vinst eftersom allt mänskligt arbete och förseningar sparas.

GenAI kan skriva prosatext inbyggt och kan därför tillhandahålla ett första utkast till en finansiell analys eller rapport som ska korrigeras av en människa. Det är väldokumenterat att automatiseringen av det första utkastet kan spara så mycket som 40 % av den totala mänskliga arbetsinsatsen
för rapporten.

Sammanfattningsvis ligger de största utmaningarna i själva modellerna och deras integration i andra verktyg. När de väl har integrerats måste de användas på rätt sätt av en arbetskraft som är villig och utbildad för att göra det.

Detta för oss till det sista hindret för adoption inom finansiella tjänster: Förtroende. Både finanspersonal, företagsledare och statliga tillsynsmyndigheter litar ännu inte riktigt på att dessa tekniker är så tillförlitliga som vi skulle vilja att de ska vara för att tjäna
en reglerad bransch där stora summor pengar kan gå förlorade på ett ögonblick. Detta måste mötas med integrationer som den som nämnts ovan för att kontrollera GenAI med exakta databaser, och även med bättre förespråkande av AI-industrin själv så att förståelse
övervinner bristen på tillit.

Tidsstämpel:

Mer från Fintextra