استفاده حداکثری از هوش مصنوعی مولد در بانکداری

به گزارش پایگاه خبری بانکداری الکترونیک، هوش مصنوعی مولد در اوایل سال 2023 وارد صحنه شد و نتایج کاملا مثبتی را از خود نشان داد و ریسک های بالقوه جدیدی را برای سازمان ها در سراسر جهان ایجاد کرد.

به نظر می رسد که رهبران بانکی حتی با وجود عوارض احتمالی، در این زمینه حضور دارند. دو سوم از رهبران ارشد دیجیتال و تجزیه و تحلیل که در یک فروم اخیر مکنزی در مورد هوش مصنوعی مولد شرکت کرده بودند، گفتند که معتقدند این فناوری اساساً روش تجارت آن ها را تغییر خواهد داد.

سؤالات مبرم برای مؤسسات بانکی این است که چگونه و کجا می توان از هوش مصنوعی مولد به طور مؤثر استفاده کرد، و چگونه می توان اطمینان حاصل کرد که برنامه ها به طور کامل در سازمان آن ها پذیرفته می شود و مقیاس پذیر هستند.

موسسه جهانی مکنزی تخمین می ‌زند که در بین صنایع در سطح جهان، هوش مصنوعی مولد می ‌تواند سالانه معادل 2/6 هزار میلیارد دلار تا 4/4 هزار میلیارد دلار در 63 مورد استفاده مورد تجزیه و تحلیل اضافه کند.

در میان بخش ‌های صنعت، بانکداری یکی از بزرگترین فرصت ‌ها را در اختیار دارد: پتانسیل سالانه 200 تا 340 میلیارد دلار (معادل 9 تا 15 درصد سود عملیاتی)، که عمدتاً ناشی از افزایش بهره‌ وری است. تأثیر اقتصادی احتمالاً به نفع تمام بخش ‌ها و عملکردهای بانکی خواهد بود چرا که با بیشترین سود مطلق در بخش ‌های شرکتی و خرده ‌فروشی (به ترتیب 56 میلیارد دلار و 54 میلیارد دلار مواجه است (این موضوع به ویژه زمانی اهمیت پیدا می کند که بانک ها به دلیل فشار بیشتر بر اقتصاد بانکی، به درستی بر بهره وری در آزمایش های هوش مصنوعی اولیه خود تمرکز کرده اند و این فناوری می تواند تا حد زیادی نحوه انجام برخی از کسب و کارها و نحوه تعامل مشتریان با بانک ها را تغییر دهد. حتی ممکن است منجر به ایجاد مدل های کسب و کار کاملاً جدیدی شود.).

هوش مصنوعی مولد این پتانسیل را دارد که ارزش جدید قابل توجهی را به بانک ها ارائه دهد؛ ارزشی بین 200 تا 340 میلیارد دلار.

برای بانک ‌هایی که به دنبال بهره ‌برداری از این فناوری ارزشمند هستند، ارتقای هوش مصنوعی مولد از برخی جهات همچون سایرین است. در واقع به مهارت‌ های مدیریت تغییر مسیر سنتی، همسویی و حمایت مالی از مدیران ارشد، مسئولیت‌ پذیری واحد تجاری برای کسب بهترین نتایج، استفاده ارزش ‌محور و موارد استفاده، اهداف مشخص و غیره نیاز دارد. از جهات دیگر، افزایش مقیاس پذیری هوش مصنوعی مولد شبیه هیچ چیزی نیست که اکثر رهبران تا به حال دیده اند.

چندین عامل توضیح می دهند که چرا مقیاس بندی هوش مصنوعی مولد متفاوت است. اولین مورد، دامنه کار و پیامدهای مرتبط است. همانطور که گوشی هوشمند کل اکوسیستم کسب و کار و مدل های تجاری را کاتالیز می کند، هوش مصنوعی مولد نیز طیف کاملی از قابلیت ها و برنامه های کاربردی تجزیه و تحلیل پیشرفته را ایجاد می کند. تیم های اجرایی به طور ناگهانی با قدرت هوش مصنوعی بیدار می شوند.

رهبران بانکی تقریباً یک شبه مجبورند راه خود را از میان انبوهی از اصطلاحات نامعلومی مانند یادگیری تقویتی و شبکه‌ های عصبی کانولوشنال انتخاب کنند. اما مقیاس‌ بندی هوش مصنوعی مولد به چیزی بیش از یادگیری اصطلاحات جدید نیاز دارد. تیم ‌های مدیریتی باید چندین مسیر بالقوه هوش مصنوعی مولد را که می ‌توانند ایجاد کند رمزگشایی کرده و در نظر بگیرند، و از نظر استراتژیک خود را با آن وفق داده و خود را برای آن آماده کنند.

عامل دوم این است که مقیاس ‌بندی هوش مصنوعی مولد پویایی عملیاتی را که برای اکثر مؤسسات مالی تقریباً حل شده بود، پیچیده می‌ کند. درست همانطور که بانک ‌ها می ‌توانستند باور کنند که بالاخره دارند شکاف بالای بین کسب ‌و کار و فناوری را پر می ‌کنند (مثلاً با تغییرات مدل عملیاتی چابک، فضای ابری و محصول)، تجزیه و تحلیل و داده ‌ها دارای اهمیت شدند و سومین گره حیاتی هماهنگی را ایجاد کردند.

در حالی که تجزیه و تحلیل در بانک ها نسبتاً متمرکز بوده و اغلب به صورت مرکزی اداره می شود، هوش مصنوعی مولد نشان داده است که داده ها و تجزیه و تحلیل ها باید هر مرحله را در زنجیره ارزش به میزان بسیار بیشتری ایجاد کنند.

رهبران کسب و کار باید عمیقتر با همکاران تحلیلگر تعامل داشته باشند و اولویت ‌های اغلب متفاوت را همگام ‌سازی کنند. با توجه به تجربه مکنزی، این انتقال برای اکثر بانک ‌ها در حال انجام است و مدل‌ های عملیاتی هنوز در حال تکامل هستند.

سوم، سرعت تغییر هرگز تا این اندازه نبوده است. در حالی که گوشی‌ های هوشمند سال‌ ها طول کشید تا بانکداری را به مقصدی دیجیتالی ‌تر منتقل کنند (در نظر بگیرید که بانکداری تلفن همراه به تازگی از وب به عنوان کانال اصلی تعامل مشتری در ایالات متحده پیشی گرفته است) استفاده از ابزارهای هوش مصنوعی مولد در کسری از آن زمان اتفاق می ‌افتد.

به عنوان مثال، طبق گزارش ها، گلدمن ساکس از یک ابزار مبتنی بر هوش مصنوعی به منظور خودکار سازی تولید آزمایشی استفاده می کند، که یک فرآیند دستی و بسیار کار فشرده ای بود. و سیتی گروپ نیز اخیراً از هوش مصنوعی برای ارزیابی تأثیر قوانین جدید سرمایه ایالات متحده استفاده کرده است. برای سازمان هایی که کندتر حرکت می ‌کنند، چنین تغییرات سریعی می‌ تواند بر مدل ‌های عملیاتی آن ها تأثیر بگذارد.

در نهایت، ارتقاء هوش مصنوعی مولد دارای چالش ‌های منحصر به ‌فرد مرتبط با استعداد است که بزرگی آن تا حد زیادی به پایگاه استعداد بانک بستگی دارد. برای مثال، بانک ‌های شرکتی و سرمایه ‌گذاری پیشرو، تیم‌ های خبره ‌ای متشکل از کوانت‌ ها، مدل ‌سازان، مترجمان و سایرین ایجاد کرده ‌اند که اغلب دارای تخصص هوش مصنوعی هستند و می‌ توانند مهارت‌ های هوش مصنوعی ژنتیکی، مانند مهندسی سریع و مدیریت پایگاه داده را به مجموعه قابلیت ‌های خود اضافه کنند. بانک‌ هایی که کارمندان کمتری از کارشناسان هوش مصنوعی دارند، باید توانایی‌ های خود را از طریق ترکیبی از آموزش و استخدام افزایش دهند که اصلا کار کوچکی نیست.

منبع: www.mckinsey.com