ارتقاء موفق هوش مصنوعی مولد در هفت بُعد

به گزارش پایگاه خبری بانکداری الکترونیک، کیس های استفاده با کیفیت بالا را می توان در عرض چند روز یا چند هفته پیاده سازی کرد. مکنزی دریافته است مشارکت اولیه در هوش مصنوعی مولد، هم برای استفاده داخلی و هم در کار این شرکت با بانک هایی که با موفقیت در حال افزایش استفاده از هوش مصنوعی در سراسر سازمان هستند، به قابلیت های قوی در هفت بعد نیاز دارد.

نقشه راه استراتژیک

تیم‌ های مدیریتی با موفقیت اولیه در مقیاس ‌بندی هوش مصنوعی مولد، با دیدگاهی استراتژیک شروع کرده‌ اند که در آن هوش مصنوعی، هوش مصنوعی مولد و تجزیه ‌و تحلیل‌ های پیشرفته به طور گسترده ‌تری می ‌توانند در کسب ‌و کارشان نقش داشته باشند.

این دیدگاه می ‌تواند همه چیز را از تغییرات مدل کسب ‌و کار بسیار متحول‌ کننده گرفته تا پیشرفت ‌های اقتصادی تاکتیکی ‌تر بر اساس ابتکارات بهره ‌وری خاص را پوشش دهد. برای مثال، رهبران یک شرکت مدیریت ثروت پتانسیل هوش مصنوعی مولد را برای تغییر نحوه ارائه مشاوره به مشتریان و اینکه چگونه می ‌تواند بر اکوسیستم صنعت به شکلی گسترده ‌تر پلتفرم ‌های عملیاتی، روابط، مشارکت ‌ها و اقتصاد تأثیر بگذارد، تشخیص دادند. در نتیجه، این موسسه دیدگاه تطبیقی تری نسبت به محل استفاده از هوش مصنوعی و میزان سرمایه گذاری خود دارد.

این نوع همسویی رهبری ارشد می تواند حمایت مالی بالا در سطح کسب و کار برای حوزه های مورد استفاده ایجاد کند. یک نقشه راه استراتژیک موثر برای افزایش مقیاس هوش مصنوعی مولد نیز ممکن است شامل موارد زیر باشد:

• چشم انداز، همسویی و تعهد رهبری ارشد و مسئولیت پذیری در سطح واحد تجاری برای کسب نتایج ضروری است.
• فهرستی از حوزه ‌های اولویت ‌دار (توابع یا واحدهای تجاری) که در آن ها می ‌توان چندین مورد استفاده مرتبط و هر کدام با یک مورد تجاری واضح بر اساس پتانسیل ارزش و امکان‌ سنجی تحویل دارد، ایجاد کرد (هوش مصنوعی مولد همیشه راه‌ حل مناسبی نیست؛ گاهی اوقات هوش مصنوعی تحلیلی سنتی بهتر است).
• اهدافی که حوزه های اولویت را باز تعریف می کنند، حذف کنید.
• ارزیابی قابلیت های توانمند سازی، از جمله استعداد، مدل عملیاتی چابک، فناوری و داده ها را در نظر بگیرید.
• یک طرح بزرگ‌ سازی کامل که زمان و چگونگی مقابله با هر دامنه و ایجاد قابلیت‌ های توانمند را ترتیب می ‌دهد، ایجاد کنید.
• در صورت لزوم یک طرح مشارکت مفصل، برای افزایش بالقوه قابلیت های موجود یا به دست آوردن قابلیت های جدید ارائه دهید.
  

  استعداد

سرعت ظهور هوش مصنوعی مولد به عنوان یک قابلیت حیاتی، زمان کمی برای رهبران بانکی باقی گذاشته است تا برای تأثیرات آن بر افراد خود آماده شوند و چگونگی ارتقای مهارت کارکنان یا جذب استعدادهایی که برای همگام شدن با آن ها نیاز دارند را در نظر بگیرند.

راه حل از بالا شروع می شود. رهبران باید درک شخصی عمیقی از هوش مصنوعی مولد به دست آورند، البته اگر پیش از این درک را نداشته اند. سرمایه‌ گذاری در آموزش اجرایی به آن ها اختصاص داده می ‌شود تا به کارکنان نشان دهند که چگونه فناوری و عملیات بانکی به یکدیگر متصل می ‌شوند، در نتیجه هیجان ایجاد می ‌کنند و بر ترس غلبه می ‌کنند.

برای ابهام زدایی بیشتر از فناوری جدید، دو یا سه دستورالعمل پر مخاطب و ارزش آفرین در حوزه های اولویت دار می توانند در مورد ارزش هوش مصنوعی مولد اتفاق نظر ایجاد کنند. آن ها همچنین می توانند به طور عملی به کارمندان توضیح دهند که چگونه هوش مصنوعی مولد شغل آن ها را بهبود می بخشد.

همچنین یک فیل در اتاق وجود دارد: بیشتر بحث در مورد هوش مصنوعی مولد بر روی پتانسیل اتوماسیون و از دست دادن شغل متمرکز است. پیش ‌بینی ‌های خود مکنزی نشان می ‌دهد که این فناوری تا ۷۰ درصد از فعالیت ‌های تجاری را خودکار می‌ کند. رهبران باید به این نگرانی ‌های کارکنان توجه کنند. شفافیت باید در اولویت باشد. آن ها همچنین می ‌توانند پیام‌ های واضحی در مورد اینکه چگونه هوش مصنوعی مولد می ‌تواند وظایف خاص و کارهای دستی را خودکار کند و بهره ‌وری کلی و تجربه کارمندان را بهبود بخشد، ارائه دهند.

هوش مصنوعی مولد همچنین در حال ایجاد پروفایل های استعدادهای جدید است. پیش از ظهور هوش مصنوعی مولد، مهندسی سریع و تنظیم دقیق مدل، مهارت ‌هایی در رادار استعدادهای رهبران بیشتر بانک ‌ها نبود. تعداد کمی از شرکت ‌ها ترکیب مناسبی از استعدادها را در اختیار خواهند داشت، بنابراین باید متعهد به ایجاد نقش‌ ها، مهارت ‌ها و قابلیت‌ های مورد نیاز در بلند مدت باشند. این فرآیند باید مستمر باشد: برخی از ابتکارات هوش مصنوعی مولد ممکن است در کوتاه مدت راه اندازی شوند. برخی دیگر ممکن است تا چند سال به ثمر ننشینند. بنابراین ارتقای مهارت کارکنان نیازمند رویکردی پایدار است که مجموعه ‌ای از مهارت ‌ها و قابلیت‌ های مورد نیاز را در حال تکامل به حساب می ‌آورد.

علاوه بر این بانک‌ ها باید استراتژی جذب استعداد خود را به طور منظم ارزیابی کنند تا با اولویت ‌های در حال تغییر هماهنگ شوند. آن ها باید به طور جامع به برنامه های استخدام مبتنی بر مهارت، تخصیص منابع و ارتقاء مهارت نزدیک شوند. بسیاری از نقش ها به مهارت هایی در هوش مصنوعی، مهندسی فضای ابری، مهندسی داده و سایر زمینه ها نیاز دارند. و مانند همیشه، حفظ استعداد به معنای بیش از ارائه دستمزد رقابتی است. فرصت ‌های واضح پیشرفت و پیشرفت شغلی (و کاری که معنا و ارزش دارد) برای یک متخصص فناوری متوسط اهمیت زیادی دارد.

مدل عملیاتی

اغلب، رهبران بانکی خواستار مدل‌ های عملیاتی جدید برای پشتیبانی از فناوری‌ های جدید هستند. اما مکنزی معتقد است که «مدل عملیاتی هوش مصنوعی مولد» یک نام اشتباه است. مدل ‌های مؤسسات موفق از قبل انعطاف ‌پذیری و مقیاس‌ پذیری را برای پشتیبانی از قابلیت ‌های جدید فراهم می‌ کنند.

یک مدل عملیاتی که برای افزایش مقیاس مناسب است، متقابل عملکردی است و مسئولیت ‌ها و وظایف را بین تیم‌ های تحویل و کسب‌ و کار همسو می ‌کند. تیم‌ های متقابل با نزدیکتر کردن تیم ‌های محصول به کسب‌ و کارها و حصول اطمینان از اینکه موارد استفاده با نتایج خاص کسب ‌و کار مطابقت دارند، انسجام و شفافیت را برای اجرا به ارمغان می ‌آورند. فرآیندهایی مانند تأمین مالی، کارکنان، تدارکات و مدیریت ریسک برای تسهیل سرعت، مقیاس و انعطاف پذیری مجدداً تنظیم می شوند.

با توجه به نوپا بودن هوش مصنوعی مولد، بسیاری از بانک ‌ها نحوه طراحی و اجرای استانداردهای اجرایی، تخصیص منابع، ارائه دسترسی به مدل‌ های پایه، پیشبرد تحقیق و توسعه، ایجاد اجزای قابل استفاده مجدد، مدیریت ریسک و اطمینان از همسویی با استراتژی کلی دیجیتال و هوش مصنوعی را متمرکز کرده‌ اند.

بیش از 50 درصد از بانک ‌ها در بررسی ‌های اخیر معیار بلوغ هوش مصنوعی مولد مکنزی از بانک ‌های ایالات متحده و اروپا، یک سازمان هوش مصنوعی «متمرکزتر» را اتخاذ کرده‌ اند، حتی در مواردی که تنظیمات معمول آن ها برای داده‌ ها و تحلیل ‌ها نسبتاً غیر متمرکز است.

صرف نظر از درجه تمرکز، همکاری نزدیک و اولیه با تیم‌ های تجاری هنگام شناسایی، نمونه ‌سازی، و پیاده سازی برنامه‌ های هوش مصنوعی مولد و در حین ادغام مدل ‌ها در جریان کسب ‌و کار بسیار مهم است. مشارکت دادن زودهنگام کسب ‌و کار در ارزیابی موارد استفاده می ‌تواند بینش عملیاتی در مورد فرصت‌ های با تاثیر بالا، در دسترس بودن داده ‌ها و الزامات پیاده ‌سازی به دست آورد. و در طول مراحل نمونه‌ سازی و پیاده سازی، گفتگوی متقابل مستمر تضمین می ‌کند که مدل ‌ها با سناریوهای واقعی کسب ‌و کار مواجه می ‌شوند و از آن ها یاد می‌ گیرند و ریسک های بالقوه را کشف می‌ کنند و در عین حال فرصت های ممکن را خلق می ‌کنند.

درخواست بازخورد مستمر از کاربران به تیم ها کمک می کند تا راه حل های هوش مصنوعی را ارائه و اصلاح کنند که واقعاً در تصمیم گیری ها و جریان های کاری جای می گیرند. بانک ‌هایی که ادغام بین استعدادهای فنی و رهبران تجاری را تقویت می ‌کنند، احتمالاً راه‌ حل ‌های هوش مصنوعی مولد مقیاس ‌پذیر را توسعه می ‌دهند که ارزش قابل اندازه‌ گیری ایجاد می‌ کند.

با پیشرفت فناوری، بانک ‌ها ممکن است اتخاذ یک رویکرد فدرال ‌تر برای عملکردهای خاص را مفید بدانند، که به حوزه‌ های فردی اجازه می ‌دهد فعالیت ‌ها را بر اساس نیازهای خود شناسایی و اولویت‌ بندی کنند. مؤسسات باید به این فکر کنند که چرا ساختار عملیاتی کنونی آن ها برای ادغام یکپارچه چنین قابلیت‌ های نوآورانه ای تلاش می ‌کند و چرا این کار به تلاش بالایی نیاز دارد. موفقترین بانک ‌ها نه با راه ‌اندازی ابتکارات مجزا، بلکه با تجهیز تیم‌ های موجود خود به منابع مورد نیاز و پذیرش مهارت ‌ها، استعدادها و فرآیندهای لازم که هوش مصنوعی نیاز دارد، پیشرفت کرده ‌اند.

فناوری

موفقیت ‌های اولیه در مقیاس ‌بندی هوش مصنوعی مولد زمانی اتفاق افتاد که بانک ‌ها به دقت گزینه ‌های «ساخت در مقابل خرید در مقابل شریک» را سنجیدند (یعنی زمانی که آن ها مزیت ‌های رقابتی توسعه راه‌ حل‌ های داخلی را با استفاده از راه‌ حل‌ های اثبات شده بازار از مشارکت ‌های اکوسیستم مقایسه کردند). با توجه به سرعت توسعه جایگزین های منبع باز، قابلیت هایی مانند مدل های پایه، زیرساخت های فضای ابری و پلتفرم های MLOps در معرض ریسک کالایی شدن هستند. تصمیم گیری هدفمند با یک استراتژی صریح (مثلاً در مورد جایی که واقعاً ارزش ایجاد می شود) نشانه تلاش های موفق در مقیاس است.

برای بانک ها، پیمایش در این پیچ و خم بسیار چالش برانگیز است. سابقه آن ها در تهیه راه‌ حل ‌های IT شخص ثالث، مانند پایگاه‌ های داده و سرویس ‌های فضای ابری، آن ها را با ریسک های مرتبط آشنا کرده است، اما عدم قطعیت ذاتی مدل ‌های هوش مصنوعی مولد یک چالش جدید را ایجاد می ‌کند.

اتخاذ این مدل ها مستلزم افزایش اعتماد به فروشندگانی است که ممکن است از ریسک ‌های تعیین ‌شده یا چالش های نظارتی بانک ‌ها پیشی بگیرند، و به طور بالقوه آن ها را به سمت برنامه ‌های هوش مصنوعی مولد که سطوح ریسک را زیر یک آستانه خاص نگه می ‌دارند، تبدیل کند. این محدودیت چیزی است که بانک ها باید در تصمیم گیری های کاربردی و مورد استفاده خود به دقت در نظر بگیرند.

به همین ترتیب، داشتن یک نمای یکپارچه از معماری که از هوش مصنوعی مولد پشتیبانی می کند بسیار مهم است. پشته هوش مصنوعی مولد جدید باید متقابلاً تقویت کننده و از نظر داخلی، نه تنها با اجزای مختلف آن، بلکه با پشته قدیمی موجود سازگار باشد.

اکثر بانک‌ ها احتمالاً طیف گسترده ‌ای از مدل ‌های هوش مصنوعی مولد را به کار می ‌گیرند، که هر کدام با سیستم‌ های موجود، گردش کار، برنامه ‌های کاربردی سازمانی و منابع داده‌ شان ادغام می ‌شوند. این یک کار مهم و پیچیده است.

ادغام و نگهداری موثر مدل به چندین مؤلفه معماری بستگی دارد: مدیریت زمینه و حافظه پنهان، مدیریت خط مشی، مرکز مدل، کتابخانه سریع، پلتفرم MLOps، موتور مدیریت ریسک، عملیات مدل زبان بزرگ (LLM) و غیره.

داده ها

اتکای شدید هوش مصنوعی مولد به داده ‌های بدون ساختار لایه دیگری از پیچیدگی مرتبط با داده‌ ها را اضافه می ‌کند و استراتژی ‌ها و معماری ‌های داده فعلی بانک ‌ها ممکن است به این کار نرسد. به عنوان مثال، برخی از انتقال داده ها به پلتفرم های ابری یا شخص ثالث هم محدودیت ها و هم درجاتی از آزادی ایجاد می کنند که باید به وضوح درک شوند. و در حالی که اکثر بانک ‌ها توانایی ‌های قوی در استفاده از داده‌ های ساختار یافته را توسعه داده ‌اند، بسیاری از آن ها تلاش کرده‌ اند تا از نوع بدون ساختار استفاده کنند، عمدتاً به این دلیل که توانایی ‌ها (مانند تکنیک ‌های پردازش زبان طبیعی) و زیرساخت (به ‌ویژه قدرت محاسباتی) برای استقرار مدل های بسیار پیچیده ‌تر هوش مصنوعی را ندارند.

هوش مصنوعی مولد ممکن است راه حلی ارائه دهد. قابلیت ‌های زبان طبیعی هوش مصنوعی مولد می ‌تواند بینش ‌هایی را از داده ‌های بدون ساختار مانند تعاملات خدمات تاریخی، پست‌ های اجتماعی، اخبار و صفحات وب استخراج کند و به کارکنان خط مقدم بانک اعلان هایی ارائه دهد که تعامل آن ها با مشتریان را افزایش می ‌دهد.

استقرار راهبردی راه‌ حل ‌های اختصاصی هوش مصنوعی به موسسات مالی این امکان را می ‌دهد تا عملیات خدمات خود را عمیقاً بهبود بخشند و تجربه کلی مشتری را بهبود بخشند. به طور همزمان، دموکراتیک کردن دسترسی به داده ها را تسهیل می کند و ارزش کامل داده های بدون ساختار را برای کل سازمان ممکن می کند.

به طور مشابه، با توجه به معماری داده، تمرکز باید بر روی توسعه قابلیت هایی برای پشتیبانی از گسترده ترین مجموعه از برنامه های کاربردی با ارزش بالا باشد. قابلیت ‌های مرتبط، مانند پایگاه‌ های داده برداری و خطوط لوله پیش و پس از پردازش داده‌ ها، باید ساخته شوند.

کیفیت داده (که همیشه مهم است) در زمینه هوش مصنوعی مولد حیاتی ‌تر می‌ شود. باز هم، ماهیت ساختار نیافته بسیاری از داده ها و اندازه مجموعه داده ها، پیچیدگی را به مشخص کردن مسائل مربوط به کیفیت می افزاید.

بانک ‌های پیشرو از ترکیبی از استعدادهای انسانی و اتوماسیون استفاده می ‌کنند و در چندین نقطه از چرخه عمر داده‌ ها مداخله می ‌کنند تا کیفیت همه داده‌ ها را تضمین کنند. رهبران داده همچنین باید پیامدهای ریسک های امنیتی با فناوری جدید را در نظر بگیرند و آماده باشند تا در پاسخ به مقررات به سرعت حرکت کنند.

ریسک و کنترل

هوش مصنوعی مولد، همراه با افزایش بهره وری، ریسک های جدیدی را نیز به همراه دارد. مدیریت ریسک برای هوش مصنوعی مولد برای مؤسسات مالی در مراحل اولیه باقی می ‌ماند. مکنزی خود شاهد سازگاری کمی در نحوه برخورد بیشتر افراد با این موضوع بوده‌ است. با این حال، دیرتر یا زودتر، بانک ها باید چارچوب های حاکمیت ریسک و مدل خود را باز طراحی کنند و مجموعه های جدیدی از کنترل ها را توسعه دهند.

استفاده مسئولانه از هوش مصنوعی مولد باید از همان روز اول در نقشه راه گنجانده شود. به طور طبیعی بانک ‌ها با نظارت رگولاتوری مشخصی در رابطه با موضوعاتی مانند تفسیر پذیری مدل و تصمیم ‌گیری بی‌ طرفانه مواجه می ‌شوند که باید قبل از مقیاس ‌بندی هر برنامه ‌ای به طور جامع مورد بررسی قرار گیرد.

برای کاهش ریسک های مرتبط با «توهمات» هوش مصنوعی مولد، که زمانی اتفاق می ‌افتد که مدل‌ ها پاسخ ‌ها یا خروجی‌ هایی غیرمنطقی یا غیر عقلانی را تولید می ‌کنند، رویکرد فعلی این است که متخصصان موضوع را برای اعتبار سنجی خروجی ‌های مدل لوپ کنند. با این حال، این فرآیند ممکن است در تمام موارد استفاده بالقوه با ارزش مادی مقیاس پذیر نباشد.

برای کمک به متخصصان موضوع تمرکز بر زمان و تلاش خود، بانک ها در حال توسعه اتوماسیون، روش های اعتبار سنجی و کتاب هایی هستند. به عنوان مثال، توهمات را می توان به روش های عملی کنترل کرد: تنظیم پارامترهای LLM، مانند تنظیم دما، که تصادفی بودن خروجی را کنترل می کند. یا راه ‌اندازی یک خط دفاعی پس از پردازش، مانند تعدیل خودکار محتوا برای علامت ‌گذاری موارد معیوب در خروجی.

پذیرش و مدیریت تغییر

نحوه مدیریت تغییر توسط یک بانک به ویژه در مورد اطمینان از پذیرش، می تواند باعث رشد یا شکست آن شود. فکر شده ترین برنامه اگر به دقت طراحی نشده باشد تا کارمندان و مشتریان را به استفاده از آن تشویق کند، ممکن است متوقف شود. اگر کارمندان با فناوری راحت نباشند و محدودیت های آن را درک نکنند، به طور کامل از چنین ابزاری استفاده نمی کنند.

به طور مشابه، فناوری دگرگون‌ کننده می ‌تواند حتی بین مدیرانی که بهترین نیت را دارند، مشکلاتی ایجاد کند. در یک موسسه، یک ابزار پیشرفته هوش مصنوعی با نیروی فروش به پتانسیل کامل خود دست پیدا نکرد، زیرا مدیران نمی ‌توانستند تصمیم بگیرند که آیا یک «محصول» است یا یک «قابلیت» و بنابراین، مسئولیت راه اندازی را هیچ کدام نپذیرفتند.

در چشم انداز به سرعت در حال تحول امروزی، پیاده سازی موفقیت آمیز راه حل های هوش مصنوعی مولد مستلزم تغییر دیدگاه است؛ یعنی شروع با تجربه کاربر نهایی و کار رو به عقب. این رویکرد مستلزم بازنگری در فرآیندها و ایجاد عوامل هوش مصنوعی است که نه تنها کاربر محور هستند، بلکه قادر به تطبیق از طریق یادگیری تقویتی از بازخورد انسانی هستند. این تضمین می ‌کند که قابلیت‌ های مجهز به هوش مصنوعی مولد به گونه ‌ای تکامل می ‌یابند که با ورودی انسانی همسو باشد.

یک ارتقاء هوش مصنوعی مولد موفق نیز به یک برنامه مدیریت تغییر جامع نیاز دارد. چنین طرحی با گنجاندن مدیریت تغییر کاربر محور، تیم ها را درگیر نگه می دارد که شامل آموزش برای رهبری ارشد و کارکنان می شود.

علاوه بر این شامل الگوسازی توسط رهبران و تأثیر گذاران روی آن نیز می شود. بعلاوه دیدگاه روشنی از اولویت ها، سرمایه گذاری ها و نتایج مورد انتظار را بیان می کند. قاطعانه چگونگی تغییر طرز فکر و فرهنگ را ترسیم می کند و مشوق های صریح و ضمنی را برای افراد برای استفاده از این قابلیت تعریف می کند. مهمتر از همه، فرآیند مدیریت تغییر باید شفاف و عملی باشد.

منبع: www.mckinsey.com