银行业的生成式人工智能：未来的承诺还是目前的炒作？

生成式人工智能对银行业的变革潜力是我们今年早些时候热切探讨的一个主题。 随着技术领域的飞速发展，六个月的时间就像一生一样。 值得花点时间看看
支持并评估生成式人工智能如何塑造和影响银行业。 

生成式人工智能的关键在于其天生能够模拟类人对话，根据用户的上下文和对话输入生成答案和解决方案。 其应用范围从增强客户服务到
定制产品，帮助及早发现和预防欺诈交易。 核心理念仍然是提升传统银行体验，为其注入响应能力、个性化和安全性。 

但我们现在必须问一个问题：银行业的生成式人工智能是游戏规则改变者还是只是行业热议？ 简而言之，我认为我同意 Gartner 的技术成熟度曲线，即我们目前正接近预期过高的峰值。 因此，业务成果和总体
商业案例对于生成式人工智能的实施至关重要。 

随着时间的推移，银行和科技公司在早期采用生成式人工智能功能并将其集成到银行业各个领域的例子层出不穷。 最佳的、也很可能的结果已经从
聊天机器人只是回答客户的询问； 现在可以设置该聊天机器人来了解客户情绪的细微差别，提供实时解决方案，并且在许多情况下，甚至可以在问题提出之前就先发制人。 该技术的能力
对上下文的理解有了显着改善，从而产生了减少沟通不畅情况的选择。 

还有欺诈检测和预防的价值主张。 传统的欺诈检测系统基于已知模式运行。 生成式人工智能可以创建合成数据集来训练模型来识别新的和不断发展的欺诈技术，从而
增强欺诈检测系统的稳健性。 

在信用风险方面，该技术能够生成反映现实世界信用状况的合成数据，可以为银行提供更深入的洞察，从而促进更复杂的决策过程。 此外，通过模拟不同的客户行为，
银行可以更准确地预测客户需求，在此过程中微调其服务，但最重要的是优化其信贷决策。 

然而，生成式人工智能也有其自身的一系列问题。 虽然合成数据可能是一种有效的工具，但在未经严格验证的情况下过度依赖它可能会导致误导性的结果。 现实世界的数据有其细微差别，可能并不总是能被完全捕获
通过生成模型。 

此外，生成合成的个人财务数据，即使是去识别化的，也会引起道德问题。 模拟真实数据进行模型训练和侵犯个人数据权之间存在微妙的界限。 来源的透明度和
对数据的控制将变得更加重要。 此外，监管机构将对主要基于合成数据的金融模型保持警惕，并希望了解控制和测试以确保避免偏见，类似于他们对待信贷政策评估的方式
应用。 他们将要求人工智能模型的运作方式更加透明，这给可能难以解释复杂的人工智能决策的银行带来了挑战。 

总之，银行业的生成式人工智能显然不会成为一种昙花一现的趋势——它是一种具有巨大潜力的工具。 但是，与任何工具一样，其价值是根据其利用效率以及业务成果和实现的改进来衡量的。 这是
这并不是全部，而且通常需要与其他人工智能模型和技术相结合才能实现所需的结果。 虽然它可以提供的潜在价值无可否认，但降低期望并保持对陷阱的警惕至关重要。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://www.finextra.com/blogposting/25368/generative-ai-in-banking-future-promise-or-present-hype?utm_medium=rssfinextra&utm_source=finextrablogs