대담한 예측은 AI가 생산성을 높이고, 게임 변화 통찰력을 생성하며, 위험 관리 및 프론트 오피스 및 그 밖의 규정 준수에서 운영을 간소화 할 것이라고 주장합니다. 그러나 헤드 라인 뒤에는 더 공격적인 질문이 남아 있습니다. AI는 실제로 이러한 고상한 기대에 부응 할 수 있습니까, 아니면 자신의 과대 광고의 무게로 붕괴 될 위험이 있습니까?
도전의 중심 부분은 AI 자체가 아니라 데이터입니다. 많은 기관들이 구식 인프라, 단편화 된 아키텍처 및 사일로의 레거시 시스템으로 계속 지배하고 있습니다. 이 설정은 현대 AI가 요구하는 규모와 긴급 성을 처리하기위한 것이 아닙니다. 데이터 기초의 점검 없이는 가장 강력한 AI 모델조차도 부정확 한 결과를 얻고, 잘못된 신뢰를 생성하며, 회사가 시장 개발에 대응하도록합니다.
닐 버논
소셜 링크 탐색
Gresham의 최고 제품 및 혁신 책임자.
데이터 준비를위한 링크 누락
AI 알고리즘은 무결성, 정확성 및 일관성을 위해 길다. 그러나 회사는 종종 통합 시스템 이외의 데이터 시스템에 의존합니다. 많은 금융 기관이 다른 피드를 조정하고 실시간으로 데이터를 업데이트하기 위해 고군분투한다는 것은 놀라운 일이 아닙니다. 결과적으로 데이터의 품질은 매우 빠르게 감소합니다. 그런 다음 AI는 구식 또는 일관성이없는 정보, 최악의 비용으로 실수에 기초한 결정에 기초하여 의심스러운 생산량으로 이어집니다.
Gresham의 최근 조사에 따르면 투표 회사는 미국, 영국 및 DACH 지역으로 나뉘어져 있으며 거의 모든 회사가 AI를 어느 정도 AI를 사용하기 시작했으며 응답자의 41%만이 비즈니스 운영에 광범위하게 AI를 퍼뜨 렸습니다. 이러한 불일치는 다음과 같습니다. 데이터가 미사 또는 일관성이 유지되면 AI 노력은 소규모 또는 순전히 계속 탐색합니다. 데이터 전략이 강력한 경우 AI 이니셔티브가 더 빨리 진행됩니다.
데이터 관리에 대한 투자도 증가하고 있습니다. 같은 설문 조사에서, 금융 서비스 회사가 전 세계적으로 고용 한 고위 의사 결정자의 63%는 AI가 조직 내 데이터 비용이 증가하여 새로운 도구와 전문 지식의 필요성을 반영하여 데이터가 정교한 분석을 준비 할 수 있도록 할 것이라고 말합니다. 특히, 샘플의 40%는 AI가 고용 수를 자동으로 줄이는 일반적인 가정과 충돌하여 운영 학생의 증가를 예측했습니다.
장벽 범위
이러한 과제는 금융 기관에서 보이는 기본 시스템과 구조를 고려할 때 중점을 둡니다. 많은 회사들이 자체 백 오피스 플랫폼과 맞춤형 통합을 구축하는 데 몇 년을 보냈으며 AI를 이러한 오래된 환경에 쌓는 것은 쉽지 않습니다. AI 모델과 레거시 플랫폼 간의 통신이 분해되면 일관되지 않은 데이터 흐름과 신뢰할 수없는 출력이 발생할 수 있습니다.
재능 문제는 또 다른 장벽입니다. Finance의 AI는 경쟁 코딩 이상의 것을 필요로하며 규제 프레임 워크, 전문 금융 상품 및 기관 프로세스에 대한 더 깊은 이해가 필요합니다. 이 믹스는 찾기가 어렵고 AI 솔루션을 규모로 개발, 구현 및 유지할 수있는 사람들의 분야가 부족합니다.
법률 및 라이센스 문제는 추가 합병증을 추가합니다. 생성 된 AI가 텍스트, 이미지 및 시장 데이터를 분석하기 시작함에 따라 회사는 지적 재산 제약과 상업적 사용 권한을 세 심하게 처리해야합니다.
예를 들어, 시장 및 참조 데이터 라이센스 계약은 AI의 진화 능력을 염두에두고 설계되지 않았습니다. AI 중심 도구를 통해 민감한 정보를 잘못 공개하는 것에 대한 우려도 있습니다. 이러한 새로운 기술을 관리하는 법적 및 운영 프레임 워크는 AI의 빠른 채택에 뒤떨어졌습니다.
데이터 품질 이동 개념
데이터의 품질은 필드가 정확한 지 여부에 관한 것이 아닙니다. 특정 데이터가 처음에 사용될 수 있는지 여부와 그렇게하는 것이 합리적인지 이해하는 것입니다. 수당, 출처 및 가능한 편견 또는 모호한 출력 모든 작업. 예를 들어, 대형 언어 모델은 자신감이 있지만 부정확 한 답변을 제공하여 엄격한 테스트 및 검증이 필수적입니다.
이전 데이터 카탈로그 및 거버넌스 도구는 이러한 진화하는 요구 사항을 충족시킬 수 없습니다. 소유권이나 공차를 기본으로하는 정적 사전은 AI가 요청하는 컨텍스트 뉘앙스를 캡처하지 않습니다. 대신, 현대 카탈로그는 데이터 라이프 사이클, 사용 제한 및 잠재적 결함을 드러내려면 빨간색 팀 또는 압력 테스트 모델의 필요성을 고려해야합니다.
진보 – 왜 귀찮게합니까?
왜 일부가 회의적 인 이유를 쉽게 알 수 있습니다. 데이터 인프라, 거버넌스 개선 및 전문 직원 채용은 비싸고 시간이 많이 걸릴 수 있습니다.
그러나 AI의 이점은 기각하기에는 너무 중요합니다. 스마트 알고리즘은 큰 데이터 세트의 패턴을 발견 할 때 뛰어납니다. 이것이 금융 기관이 사기 탐지, 실시간 시장 통찰력 및 예측 위험 분석에 필요한 것입니다. AI를 제대로 통합 할 수있는 기관은 종종 결정을 더 빨리 만들고 종종 경쟁 업체가 간과하는 기회를 포착합니다.
효율성 증가는 특히 설득력이 있습니다. 합의 및 문서 처리와 같은 일상적인 작업은 인간 팀이 고가의 분석 작업에 중점을 두어 자동화 및 해제 될 수 있습니다. 또한 AI 중심의 개인화는 고객 관계를 심화시킬 수 있습니다. 맞춤형 제품을 제공하고 사전 예방 서비스를 조정하면 충성도를 당연한 것으로 여길 수없는 업계에서 고객을 유지하는 데 도움이 될 수 있습니다.
AI 생성
업계가 AI가 해당 가능성을 해결하기를 원한다면 데이터 문제를 해결해야합니다. 이는 레거시 아키텍처를 현대화하고 일관된 데이터 품질을 유지하고 개인 정보 및 라이센스에 대한 명확한 지침을 만들 수 있습니다. 또한 소프트웨어 엔지니어링, 재무 및 규정 사이의 격차를 해소 할 수있는 사람들에게도 투자해야합니다. 한편, 법률 팀은 모델 변경, 사용 제한 및 라이센스 의무에 응답해야합니다.
그렇다면 AI가 실제로 금융 서비스에 실제로 제공 될 수 있습니까? 짧은 대답은 예입니다 : 기관이 필요한 기초를 구축 할 때. 이러한 도구는 데이터가 처리되는 방식을 점검하고 복잡한 결정을 가속화하며 타이밍과 정확성이 중요한 영역에서 의미있는 통찰력을 드러 낼 수 있습니다. 그러나 회사가 데이터를 정리하고 현대화 할 것을 약속하지 않으면 AI는 화려한 개념 증명을 넘어서지 않을 것입니다. 실질적인 성공에는 신뢰할 수있는 기초가 필요합니다.
우리는 최고의 AI 웹 사이트 빌더를 소개했습니다.
이 기사는 TechRadarPro의 Expert Insights Channel의 일부로 제작되었습니다. 여기서 우리는 오늘날 기술 산업에서 가장 좋고 밝은 마음을 제시합니다. 여기에 표현 된 견해는 저자의 견해이며 반드시 TechRadarpro 또는 Future Plc의 견해는 아닙니다. 기여에 관심이 있으시면 https://www.techradar.com/news/submit-your-story-techradar-pro를 방문하십시오