Execs from MasterCard, PayPal, and Goldman Sachs discuss major AI trends in the finance industry at Transform 2021

Posted on

एक्सेंचर द्वारा प्रस्तुत डेटा, एनालिटिक्स और इंटेलिजेंट ऑटोमेशन समिट में कार्यकारी नेताओं से जुड़ें। यहां रजिस्टर करें।


बैंकिंग और वित्तीय सेवा क्षेत्र आमतौर पर एआई अपनाने में पिछड़ गया है, लेकिन यह बदलना शुरू हो गया है। इनसाइडर इंटेलिजेंस की एआई इन बैंकिंग रिपोर्ट के अनुसार, 80% बैंक एआई के संभावित लाभों से अत्यधिक अवगत हैं। एआई अनुप्रयोगों से बैंकों के लिए कुल संभावित लागत बचत 2023 तक 447 बिलियन डॉलर होने का अनुमान लगाया गया है।

इस साल के ट्रांसफॉर्म में एक पैनल के दौरान, रोए मेचरेज़, सीटीओ और बियॉन्डमाइंड्स के सह-संस्थापक, फ्रांसेस्को डेले फेव, गोल्डमैन सैक्स में मशीन लर्निंग उत्पादों के कार्यकारी निदेशक, स्टीव फ्लिंटर, एआई के वीपी और मास्टरकार्ड लैब्स आरएंडडी में मशीन लर्निंग से बात की, और हुई वांग, डेटा साइंस के वीपी, पेपाल, वित्तीय सेवा उद्योग में प्रमुख एआई और मशीन लर्निंग समाचार के बारे में।

वैंग ने कहा कि पुराने दिनों में नई तकनीक को व्यापक रूप से अपनाने के मामले में अक्सर 10- या 20 साल का अंतराल होता था, लेकिन यह अंतर छोटा और छोटा होता जा रहा है।

वांग ने कहा, “अकादमिक अनुसंधान और तकनीकी दिग्गजों से नवीनतम और महानतम को केवल एक या दो वर्षों के भीतर पेपाल जैसे फिनटेक में अपनाया जा रहा है।” “अब हमारे पास सबसे परिष्कृत डीप लर्निंग आर्किटेक्चर पर चलने वाले कुछ सबसे परिष्कृत रियल-टाइम फ्रॉड डिटेक्शन मॉडल हैं।”

वित्तीय उद्योग में प्रमुख एआई रुझान

फ्लिंटर ने कहा, “एआई और मशीन लर्निंग का इस्तेमाल पहले से कहीं ज्यादा व्यापक अनुप्रयोगों में किया जा रहा है, जिसमें सुरक्षा, धोखाधड़ी का पता लगाना, पहचान, वैयक्तिकरण और यहां तक ​​​​कि आंतरिक दक्षता अनुप्रयोग भी शामिल हैं।”

उन्होंने कहा कि दुनिया के एक बहुत ही मॉडल-केंद्रित दृष्टिकोण से अधिक डेटा-केंद्रित, डेटा-संचालित दृष्टिकोण में भी बदलाव आया है। संगठन इस बात पर पुनर्विचार करना शुरू कर रहे हैं कि उद्यम में डेटा कैसे एकत्र और उपयोग किया जाता है, और एआई- और एमएल-तैयार किया जाता है।

एक और प्रवृत्ति जो एफआई के बीच बढ़ रही है वह है एआई इंजीनियरिंग, या एमएलओप्स, फ्लिंटर कहते हैं। संगठन एआई के पूर्ण जीवन चक्र के बारे में सोचने के लिए अपना ध्यान केंद्रित कर रहे हैं, एआई के आर एंड डी पक्ष से और मशीन लर्निंग के माध्यम से उत्पादन के लिए: नए एआई अनुप्रयोगों पर विकास, परीक्षण और पुनरावृत्ति।

चौथी और अंतिम प्रवृत्ति नैतिक एआई या व्याख्या योग्य एआई है। यह इस बात पर ध्यान केंद्रित करता है कि इन वित्तीय मॉडलों को लागू करते समय पूर्वाग्रह संभावित रूप से उपभोक्ताओं के लिए अनपेक्षित परिणाम कैसे ला सकता है, विशेष रूप से लाइट-ऑफ या ब्लैक-बॉक्स परिदृश्यों में।

“पेपैल में, हम धोखाधड़ी का पता लगाने के लिए एआई का उपयोग लगभग तब से कर रहे हैं जब तक हम यहां हैं,” वांग। “लेकिन पिछले कुछ वर्षों में, यह हमारे ग्राहकों के लिए बेहतर अनुभव को सशक्त बनाने के मामले में हमारे व्यवसाय के लगभग सभी मोर्चों पर है।”

निवेश बैंकिंग में, मुख्य उद्देश्य ग्राहकों की सेवा करना है, डेल फेव ने कहा। “जैसे-जैसे डेटा अधिक उपलब्ध होता है, जैसे-जैसे सेवाएं व्यवस्थित होती जाती हैं, एआई हमारे द्वारा किए जाने वाले हर काम में प्रवेश करता है।”

एआई और मशीन लर्निंग निजीकरण को सक्षम कर रहा है, डेटा विश्लेषण में सुधार कर रहा है, कंपनियों को अधिक परिष्कृत व्यापारिक रणनीतियों को विकसित करने के लिए सिग्नल, सूचना और शोर की व्याख्या करने के तरीके में और अधिक कठोर होने की इजाजत देता है, और उन्हें नए उत्पादों को डिजाइन और बनाने में मदद करता है।

गोद लेने की चुनौतियां

लेकिन कई अलग-अलग उपयोग के मामलों वाले संगठन में एआई को बड़े पैमाने पर अपनाने की चुनौतियां हैं, मेचरेज़ ने कहा, और सर्वेक्षणों से पता चला है कि कई कंपनियां नए मशीन लर्निंग मॉडल को उत्पादन में स्थानांतरित करने में विफल रहती हैं। डेटा तत्परता अक्सर समस्या होती है।

फ्लिंटर ने कहा, “हम डेटा के युग से लेन-देन प्रसंस्करण उद्देश्यों के लिए प्रबंधित किए जा रहे हैं, और फिर डेटा एनालिटिक्स के माध्यम से, और अब हमें पुनर्विचार करना होगा कि हम एमएल उद्देश्यों के लिए डेटा कैसे प्रबंधित करते हैं।” “इसका मतलब है कि हमारे डेटा आर्किटेक्चर पर पुनर्विचार करना, डेटा स्ट्रीमिंग जैसी चीजों को देखना आदि। बड़े पैमाने पर एमएल को सक्षम करने के लिए बहुत सारे बैक-एंड इन्फ्रास्ट्रक्चर पर पुनर्विचार और पुन: डिज़ाइन करने की आवश्यकता है। ”

चीजों के उत्पाद पक्ष पर, कई बैंकिंग और वित्तीय सेवा कंपनियों को वास्तविक समझ की कमी होती है कि एआई या एमएल वास्तव में क्या कर सकता है।

“कुछ मामलों में, यह मेरा अनुभव रहा है कि कुछ उत्पाद टीमों को लगता है कि यह उड़ने वाले रॉकेट, उड़ने वाली कारें हैं, और यह हर उपलब्ध समस्या का समाधान करेगी और आप थोड़ी मात्रा में डेटा से कुछ भी निचोड़ सकते हैं,” उन्होंने कहा।

समाधान वास्तव में क्या संभव है और अपेक्षाओं को प्रबंधित करने के आसपास अधिक शिक्षा है क्योंकि टीमें एआई और एमएल को उत्पाद स्टैक में डिजाइन करने का प्रयास करती हैं।

“लेकिन भले ही हमारे पास सबसे अच्छा मॉडल लाइव चल रहा हो और महान भविष्यवाणियां उत्पन्न कर रहा हो, तो क्या?” वांग ने कहा। “हम उनके साथ क्या करते हैं? अगर हम पूरी तरह से भविष्यवाणी कर सकते हैं कि एक व्यापारी कल एक उदाहरण के रूप में मंथन करने जा रहा है, तो हम उसके साथ क्या करते हैं?”

इसे एआई को अपनाने में अंतिम-मील की चुनौती कहा जाता है: एक भविष्यवाणी जो कार्रवाई की ओर नहीं ले जाती है वह किसी कंपनी को अच्छा नहीं करती है। कोई कंपनी मशीन लर्निंग मॉडल से किसी उत्पाद या अनुभव तक कैसे जा सकती है जो ग्राहक के जीवन को बेहतर बनाता है या कंपनी की मदद करता है?

गोल्डमैन सैक्स में, पहला कदम अपने क्लाइंट के साथ समस्या पर चर्चा कर रहा है, इसलिए क्लाइंट को पता है कि वे किस समस्या को हल करने की कोशिश कर रहे हैं और इसे हल करने के लिए एआई को कैसे लागू कर रहे हैं, डेल फेव ने कहा।

“उद्देश्य पहले ग्राहक को मूल्य प्रदर्शित करना है,” उन्होंने कहा। “फिर, एक बार जब यह हो जाता है और ग्राहक समझ जाता है, तो आप सरल और वृद्धिशील रूप से निर्माण शुरू करते हैं और हमारी आवश्यकताओं के आधार पर प्रभावशीलता, दक्षता, या गति में संभावित रूप से सुधार करने के लिए जटिलता की परतें जोड़ते हैं, हमेशा क्लाइंट के साथ लगातार बाधा डालते हैं ताकि वे समझ सकें जिस तरह से हम इसे बना रहे हैं।”

फ्लिंटर ने कहा कि आपके मॉडल को विशेष रूप से परिष्कृत या फैंसी होने की भी आवश्यकता नहीं है।

“विचार यह है कि आपको सबसे सरल और समझाने योग्य चीज़ खोजने की ज़रूरत है जो आपके ग्राहक के लिए मूल्य लाने जा रही है,” उन्होंने समझाया। “पहले से ही बहुत सारे उपकरण उपलब्ध हैं जो आपको ऐसा करने की अनुमति देते हैं।”

मानव विशेषज्ञता दूर नहीं जा रही है

वांग ने कहा कि कभी-कभी आपको सबसे प्रभावी एआई समाधान बनाने के लिए मानव को लूप में खींचने की जरूरत होती है। पेपैल एक कहानी-आधारित उत्पाद पद्धति का उपयोग करता है, जो मानव और मशीन के बीच बातचीत के बारे में है, सर्वोत्तम परिणाम प्राप्त करने के लिए एक पुनरावृत्त प्रक्रिया में मानव और मशीन की अन्योन्याश्रितता को गले लगाता है।

“मैं यह कहना पसंद करता हूं कि हमारा एआई समाधान उन सामग्रियों की तरह है जिन्हें हम एक डिश में पकाते हैं,” वांग ने कहा। “एल्गोरिदम हमें सबसे अच्छी डिश पकाने के लिए आवश्यक सामग्री की संख्या की व्याख्या करके हमारी मदद कर सकता है, लेकिन क्या होगा यदि हम सबसे महत्वपूर्ण सामग्री को याद कर रहे हैं? यहीं पर हमारे मानव विशेषज्ञ अपनी डोमेन विशेषज्ञता के साथ आते हैं।”

धोखाधड़ी का पता लगाना, वित्तीय सेवाओं में एआई के लिए सबसे महत्वपूर्ण अनुप्रयोगों में से एक है, इसके लिए भी लूप में एक मानव की आवश्यकता होती है, जो डेटा द्वारा सूचित निर्णय लेता है। बहुत कम-विलंबता, उच्च-आवृत्ति प्रकार के निर्णयों में, मनुष्य अनुप्रयोगों और एल्गोरिदम की देखरेख करने के लिए होते हैं, यह देखने के लिए कि क्या मॉडल में ड्रिफ्ट हैं, यदि मॉडल सही ढंग से विसंगतियों को उठा रहे हैं।

फ्लिंटर ने कहा, “यह मॉडलों की उस तरह की दीर्घकालिक निगरानी है, जिसके बारे में हमें सुरक्षा अनुप्रयोगों के बारे में सोचने की जरूरत है ताकि हम यह सुनिश्चित कर सकें कि वे प्रदर्शन कर रहे हैं जैसा कि हम उनसे स्वचालित निर्णय लेते समय प्रदर्शन करने की उम्मीद करते हैं।”

वेंचरबीट

वेंचरबीट का मिशन तकनीकी निर्णय लेने वालों के लिए परिवर्तनकारी तकनीक और लेन-देन के बारे में ज्ञान हासिल करने के लिए एक डिजिटल टाउन स्क्वायर बनना है।

जब आप अपने संगठनों का नेतृत्व करते हैं तो हमारा मार्गदर्शन करने के लिए हमारी साइट डेटा तकनीकों और रणनीतियों पर आवश्यक जानकारी प्रदान करती है। हम आपको हमारे समुदाय का सदस्य बनने के लिए आमंत्रित करते हैं:

  • आपकी रुचि के विषयों पर अप-टू-डेट जानकारी
  • हमारे समाचार पत्र
  • गेटेड विचार-नेता सामग्री और हमारे बेशकीमती आयोजनों के लिए रियायती पहुंच, जैसे कि रूपांतरण 2021: और अधिक जानें
  • नेटवर्किंग सुविधाएँ, और बहुत कुछ

सदस्य बने

Leave a Reply

Your email address will not be published. Required fields are marked *