موسسه جهانی مک کینزی در آخرین گزارش خود در مورد استقرار هوش مصنوعی مولد (Gen AI) در صنعت بانکداری، پتانسیل خیره کننده این فناوری را تخمین می زند و ارزش افزوده سالانه 2.6 تریلیون دلار به 4.4 تریلیون دلار در بخش های مختلف در سراسر جهان را پیش بینی می کند. در میان آنها، بخش بانکی با سود بادآورده بالقوه سالانه 200 تا 340 میلیارد دلار آمریکا، معادل 9 تا 15 درصد از سود عملیاتی، که عمدتاً ناشی از افزایش بهره وری است، برجسته است.

با این حال، سفر به استفاده از پتانسیل کامل Gen AI بدون چالش های منحصر به فرد نیست.

برای بانک‌هایی که به دنبال بهره‌برداری از این فناوری ارزشمند هستند، مقیاس‌بندی هوش مصنوعی ژنرال از برخی جهات شبیه به سایر موارد است – به مهارت‌های مدیریت تغییرات قدیمی، خرید و حمایت مالی از مدیران ارشد، مسئولیت‌پذیری واحد تجاری در مورد نتایج، جهت‌گیری ارزش، نیاز دارد. موارد استفاده، اهداف روشن و غیره از جهات دیگر، مقیاس‌بندی ژنرال هوش مصنوعی با آنچه که اکثر رهبران تاکنون دیده‌اند، متفاوت است.

اولاً، دامنه این کار به خودی خود بسیار مهم است و به درک جامعی از مفاهیم پیچیده هوش مصنوعی نیاز دارد. غوطه ور شدن ناگهانی رهبران بانکی در دنیای یادگیری تقویتی و شبکه های عصبی کانولوشنال نشان دهنده نیاز فوری به انطباق استراتژیک است. تیم‌های مدیریتی باید راه‌های بالقوه را جستجو کرده و به‌طور استراتژیک خود را برای مهار قابلیت‌های متنوع این فناوری تحول‌آفرین قرار دهند.

دوم، ادغام Gen AI پیچیدگی هایی را ایجاد می کند که تعادل برقرار شده بین تجارت و فناوری در موسسات مالی را مختل می کند. در حالی که پیشرفت هایی مانند روش های چابک و یکپارچه سازی ابری به شکاف تاریخی پرداخته است، برجسته بودن تجزیه و تحلیل و داده ها به عنوان یک گره هماهنگی حیاتی، پویایی عملیاتی را پیچیده می کند. ژنرال هوش مصنوعی نیازمند یکپارچه‌سازی عمیق‌تر داده‌ها و تجزیه و تحلیل‌ها در سراسر زنجیره ارزش است و رهبران کسب‌وکار را ملزم به همکاری نزدیک‌تر با کارشناسان تجزیه و تحلیل می‌کند.

همچنین بخوانید: حرکت در چشم انداز هوش مصنوعی در سال 2024: چرا مدیریت بهبود یافته به فوریت مورد نیاز است

سرعت بی‌سابقه تغییرات، سومین عاملی است که فوریت پذیرش ژنرال هوش مصنوعی را تسریع می‌کند. برخلاف تغییر تدریجی به بانکداری تلفن همراه، ابزارهای هوش مصنوعی ژنرال به سرعت به بخشی جدایی ناپذیر از عملیات بانکی تبدیل می شوند. استفاده از ابزارهای مبتنی بر هوش مصنوعی توسط غول‌های مالی مانند گلدمن ساکس برای خودکارسازی فرآیندهای فشرده نمونه‌ای از جذب سریع در شیوه‌های روزمره است. برای سازمان هایی که رشد کندتر دارند، این تغییر شتابان می تواند مدل های عملیاتی موجود را تحت فشار قرار دهد.

در نهایت، چالش‌های استعداد مرتبط با مقیاس‌پذیری هوش مصنوعی ژنرال را نمی‌توان اغراق کرد. بانک‌های پیشرو با تیم‌های مستقر از متخصصان هوش مصنوعی ممکن است شروع خوبی داشته باشند، اما سایر بانک‌ها باید با ترکیبی از آموزش و استخدام، شکاف را پر کنند. تقاضا برای مهارت هایی مانند مهندسی سریع و مدیریت پایگاه داده نیازمند یک رویکرد استراتژیک برای جذب استعداد است.

تحول موفق

این گزارش هفت گام را پیشنهاد می‌کند که صنعت بانکداری می‌تواند برای اجرای موفقیت‌آمیز تحول دیجیتال با Gen AI انجام دهد:

نقشه راه استراتژیک

تیم های مدیریتی باید یک دیدگاه استراتژیک کل نگر از جایی که هوش مصنوعی ژنرال و تجزیه و تحلیل پیشرفته در کسب و کارشان می گنجد، ایجاد کنند. این نقشه راه باید شامل تغییرات متحول کننده مدل کسب و کار و بهبودهای تاکتیکی باشد که رهبران را قادر می سازد تا تصمیمات تطبیقی ​​در مورد سرمایه گذاری و اجرا بگیرند.

استعدادیابی

رهبران باید شخصاً هوش مصنوعی ژنرال را درک کنند و روی آموزش های اجرایی سرمایه گذاری کنند تا شکاف دانش در تیم های خود را پر کنند. این رویکرد باعث ایجاد هیجان می‌شود و نگرانی‌های کارکنان را برطرف می‌کند و انتقال روان‌تر را تضمین می‌کند.

همچنین بخوانید: پتانسیل رشد را با آخرین بینش‌های Gen-AI باز کنید

مدل کار

موسسات موفق به جای یک «مدل عملیاتی هوش مصنوعی ژنتیکی» جدید، باید مدل‌های موجود خود را برای انعطاف‌پذیری و مقیاس‌پذیری تطبیق دهند. تیم‌های چند کارکردی که مسئولیت‌ها و مسئولیت‌ها را بین تیم‌های تحویل و تیم‌های تجاری همسو می‌کنند، برای همسویی و شفافیت بسیار مهم هستند.

انتخاب های تکنولوژیکی

بررسی دقیق ساخت، خرید یا شریک شدن برای یک ادغام موفق Gen AI حیاتی است. تصمیم گیری در مورد مدل های بنیادی، زیرساخت های ابری و پلت فرم های MLOps باید با استراتژی کلی بانک همسو باشد.

مدیریت اطلاعات

با توجه به اتکای ژنرال هوش مصنوعی به داده های بدون ساختار، بانک ها باید استراتژی ها و معماری داده های خود را مجددا ارزیابی کنند. توانایی استفاده از داده های بدون ساختار که توسط Gen AI تسهیل شده است، یک ملاحظات کلیدی است.

ریسک و کنترل

با افزایش بهره وری، ژنرال هوش مصنوعی ریسک های جدیدی را معرفی می کند که نیاز به طراحی مجدد چارچوب ها و مدل های مدیریت ریسک دارد. بانک ها باید به طور فعال کنترل هایی را برای کاهش چالش های احتمالی ایجاد کنند.

پذیرش و مدیریت تغییر

یک برنامه کاربردی خوب طراحی شده می تواند بدون مدیریت موثر تغییر متوقف شود. تشویق کارمندان و مشتریان به استقبال از هوش مصنوعی ژنرال مستلزم طراحی دقیق، رسیدگی به سطوح راحتی و اطمینان از خرید شفاف اجرایی است.

در حالی که صنعت بانکداری سفر مقیاس‌پذیری هوش مصنوعی ژنرال را آغاز می‌کند، پیمایش موفقیت‌آمیز این هفت نقطه کلیدی برای باز کردن پتانسیل کامل این فناوری تحول‌آفرین خواهد بود. در حالی که چالش ها فراوان است، وعده افزایش بهره وری و سودآوری صنعت را به سمت آینده ای سوق می دهد که در آن هوش مصنوعی نسل بعدی به نیرویی جدایی ناپذیر در شکل دادن به عملیات بانکی تبدیل شود.

–

اعتبار تصویر: RunwayML

این مقاله برای اولین بار در 6 دسامبر 2023 منتشر شد.

The post ژنرال هوش مصنوعی در بانکداری: چگونه تحول موفقیت آمیزی را برای یک صنعت صد ساله ارائه کنیم اولین بار در e27 پدیدار شد.