विचार नेता

आर्टिफ़िशियल इंटेलिजेंस का वित्त में सबसे बड़ा अवसर नए मॉडल नहीं है, बल्कि पुराने डेटा को अनलॉक करना है

Aashish Mehta
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुवित्तीय एआई की सबसे बड़ी चुनौती असंरचित दस्तावेजों में फंसे 80-90% डेटा तक पहुंच बनाना…
और देखें
  • वित्तीय एआई की सबसे बड़ी चुनौती असंरचित दस्तावेजों में फंसे 80-90% डेटा तक पहुंच बनाना है।
  • विनियमित वित्त क्षेत्र में, सामान्य मॉडलों की तुलना में डोमेन-विशिष्ट डेटा प्रसंस्करण अधिक विश्वसनीय एआई प्रदान करता है।
  • व्यावहारिक एआई सफलता के लिए नवीनतम मॉडलों के पीछे भागने के बजाय डेटा-प्रथम मानसिकता आवश्यक है।

जैसे ही आर्टिफ़िशियल इंटेलिजेंस विभिन्न उद्योगों में तेजी से आगे बढ़ रहा है, वित्तीय सेवा कंपनियां खुद को एक चौराहे पर पाती हैं। आर्टिफ़िशियल इंटेलिजेंस की क्षमता का लाभ उठाने के लिए उत्सुक, लेकिन बढ़ती नियामक जांच के प्रति सावधान, कई संस्थानों ने पाया है कि नवाचार का मार्ग अपेक्षित से कहीं अधिक जटिल है। हाल की हेडलाइंस आर्टिफ़िशियल इंटेलिजेंस के हॉलुसिनेशन, मॉडल पूर्वाग्रह और अपारदर्शी निर्णय लेने जैसे जोखिमों को उजागर करती हैं – मुद्दे जिन पर नियामक बढ़ती तरह से ध्यान केंद्रित कर रहे हैं।

आर्टिफ़िशियल इंटेलिजेंस के हYPE और अनुपालन चिंताओं के शोर के पीछे, एक अधिक व्यावहारिक, उपेक्षित अवसर है। आर्टिफ़िशियल इंटेलिजेंस की सफलता बड़े मॉडल बनाने पर निर्भर नहीं करती है, बल्कि उन्हें प्रभावी ढंग से काम करने के लिए सही और डोमेन-विशिष्ट डेटा प्रदान करने पर निर्भर करती है। वित्तीय संस्थान अनुबंधों, बयानों, प्रकटीकरणों, ईमेल और विरासत प्रणालियों में फंसे अरबों डॉलर के अनसंगठित डेटा पर बैठे हैं। जब तक यह डेटा अनलॉक और उपयोगी नहीं किया जाता है, आर्टिफ़िशियल इंटेलिजेंस वित्तीय क्षेत्र में अपने वादे को पूरा नहीं करेगा।

छिपी हुई चुनौती: अनसंगठित डेटा में लॉक किए गए ट्रिलियन

वित्तीय संस्थान दैनिक आधार पर आश्चर्यजनक मात्रा में डेटा उत्पन्न और प्रबंधित करते हैं। हालांकि, एक अनुमान के अनुसार 80-90% इस डेटा अनसंगठित है, जो अनुबंधों, ईमेल, प्रकटीकरणों, रिपोर्टों और संचार में दफन है। संरचित डेटासेट के विपरीत जो डेटाबेस में साफ-साफ व्यवस्थित होते हैं, अनसंगठित डेटा गंदा, विविध और पारंपरिक तरीकों से बड़े पैमाने पर संसाधित करना मुश्किल है।

यह एक महत्वपूर्ण चुनौती प्रस्तुत करता है। आर्टिफ़िशियल इंटेलिजेंस सिस्टम उतने ही अच्छे हैं जितना डेटा उन्हें दिया जाता है। स्वच्छ, संदर्भिक और विश्वसनीय जानकारी तक पहुंच के बिना, यहां तक कि सबसे उन्नत मॉडल भी असटीक या भ्रामक आउटपुट देने का जोखिम उठाते हैं। यह विशेष रूप से वित्तीय सेवाओं में समस्याग्रस्त है, जहां सटीकता, पारदर्शिता और नियामक अनुपालन गैर-विचारणीय हैं।

जैसे ही कंपनियां आर्टिफ़िशियल इंटेलिजेंस को अपनाने की दौड़ में हैं, उनमें से कई यह पता लगा रही हैं कि उनकी सबसे मूल्यवान डेटा संपत्तियां पुरानी प्रणालियों और सिलोइड रिपॉजिटरी में फंसी हुई हैं। इस डेटा को अनलॉक करना अब एक पीछे के कार्यालय की चिंता नहीं है – यह आर्टिफ़िशियल इंटेलिजेंस की सफलता के लिए केंद्रीय है।

नियामक दबाव और आर्टिफ़िशियल इंटेलिजेंस को जल्दबाजी में लाने का जोखिम

विश्वभर के नियामक वित्तीय सेवाओं में आर्टिफ़िशियल इंटेलिजेंस के उपयोग पर अपना फोकस तेज कर रहे हैं। हॉलुसिनेशन और पारदर्शिता के बारे में चिंताएं, जहां आर्टिफ़िशियल इंटेलिजेंस मॉडल उचित ट्रैकबिलिटी के बिना संभावित लेकिन गलत जानकारी उत्पन्न करते हैं, बढ़ रही हैं। मॉडल पूर्वाग्रह और अस्पष्टता की कमी गोद लेने को और जटिल बनाती है, विशेष रूप से ऋण, जोखिम मूल्यांकन और अनुपालन जैसे क्षेत्रों में, जहां अपारदर्शी निर्णय कानूनी जोखिम और प्रतिष्ठा को नुकसान पहुंचा सकते हैं।

सर्वेक्षण से पता चलता है कि 80% से अधिक वित्तीय संस्थान डेटा विश्वसनीयता और स्पष्टता चिंताओं को अपनी आर्टिफ़िशियल इंटेलिजेंस पहल को धीमा करने वाले प्रमुख कारकों के रूप में उद्धृत करते हैं। अनपेक्षित परिणामों का डर, सख्त निरीक्षण के साथ मिलकर, एक सावधानीपूर्वक वातावरण बना दिया है। कंपनियां नवाचार करने के लिए दबाव में हैं, लेकिन नियामकों के साथ टकराव या ऐसी आर्टिफ़िशियल इंटेलिजेंस प्रणाली तैनात करने से बचने के लिए सावधान हैं जिन पर पूरी तरह से भरोसा नहीं किया जा सकता है।

इस जलवायु में, सामान्यीकृत आर्टिफ़िशियल इंटेलिजेंस समाधानों का पीछा करना या ऑफ-द-शेल्फ एलएलएम के साथ प्रयोग करना अक्सर ठप्प परियोजनाओं, बर्बाद निवेश या worst – जोखिम को बढ़ाने वाली प्रणालियों की ओर ले जाता है, न कि उन्हें कम करने वाली।

डोमेन-विशिष्ट, डेटा-केंद्रित आर्टिफ़िशियल इंटेलिजेंस की ओर एक बदलाव

उद्योग को जिस सफलता की आवश्यकता है वह एक और मॉडल नहीं है। यह ध्यान केंद्रित करने में एक बदलाव है, मॉडल निर्माण से डेटा महारत की ओर। डोमेन-विशिष्ट, अनसंगठित डेटा प्रसंस्करण वित्तीय सेवाओं में आर्टिफ़िशियल इंटेलिजेंस के लिए एक अधिक आधारित दृष्टिकोण प्रदान करता है। व्यापक इंटरनेट डेटा पर प्रशिक्षित सामान्य मॉडल पर निर्भर रहने के बजाय, यह तरीका वित्तीय संस्थानों द्वारा पहले से ही कब्जे में लिए गए विशिष्ट डेटा को निकालने, संरचित करने और संदर्भित करने पर जोर देता है।

वित्तीय भाषा, प्रलेखन और कार्य प्रवाह की बारीकियों को समझने के लिए डिज़ाइन किए गए आर्टिफ़िशियल इंटेलिजेंस का लाभ उठाकर, कंपनियां पहले से ही अप्राप्य डेटा को क्रियाशील बुद्धिमत्ता में बदल सकती हैं। इससे स्वचालन, अंतर्दृष्टि और निर्णय समर्थन संभव हो जाता है, जो संस्थान की अपनी विश्वसनीय जानकारी पर आधारित होता है, न कि बाहरी डेटासेट पर जो असटीकता या अप्रासंगिकता के लिए प्रवण हो सकते हैं।

यह दृष्टिकोण तुरंत आरओआई प्रदान करता है जो दक्षता में सुधार और जोखिम को कम करके प्रदान करता है, जबकि नियामक अपेक्षाओं को भी पूरा करता है। स्पष्ट और ट्रेसेबल डेटा पाइपलाइन वाले सिस्टम बनाकर, संगठनों को आज आर्टिफ़िशियल इंटेलिजेंस गोद लेने में दो सबसे बड़ी चुनौतियों को पार करने के लिए पारदर्शिता और स्पष्टता प्राप्त होती है।

आर्टिफ़िशियल इंटेलिजेंस वित्तीय दुनिया में वास्तविक परिणाम दे रहा है

जबकि आर्टिफ़िशियल इंटेलिजेंस की अधिकांश चर्चा अभी भी चमकदार नवाचारों पर केंद्रित है, डोमेन-विशिष्ट अनसंगठित डेटा प्रसंस्करण वित्तीय संस्थानों में पर्दे के पीछे परिवर्तन ला रहा है। ये संगठन आर्टिफ़िशियल इंटेलिजेंस का उपयोग मानव विशेषज्ञता को प्रतिस्थापित करने के लिए नहीं कर रहे हैं, बल्कि इसे बढ़ाने के लिए, अनुबंधों से महत्वपूर्ण शर्तों को स्वचालित रूप से निकालने, प्रकटीकरण में छिपे हुए अनुपालन जोखिमों को चिह्नित करने या ग्राहक संचार विश्लेषण को सुव्यवस्थित करने के लिए।

उदाहरण के लिए, वित्तीय विवरणों का एक मूलभूत विश्लेषण वित्तीय सेवाओं में एक मूल कार्य है, लेकिन विश्लेषक अक्सर प्रत्येक विवरण की परिवर्तनशीलता को नेविगेट करने और ऑडिटर की टिप्पणियों को व्याख्या करने में अनगिनत घंटे बिताते हैं। हमारी तरह के आर्टिफ़िशियल इंटेलिजेंस समाधानों का लाभ उठाने वाली कंपनियों ने प्रसंस्करण समय में 60% की कमी ला दी है, जिससे टीमें मैनुअल समीक्षा से रणनीतिक निर्णय लेने पर ध्यान केंद्रित कर सकती हैं।

प्रभाव स्पष्ट है। मैनुअल प्रक्रियाएं जो पहले दिनों या सप्ताह लेती थीं, अब मिनटों में पूरी हो जाती हैं। जोखिम प्रबंधन टीमें पहले से ही संभावित मुद्दों में दिखाई देती हैं। अनुपालन विभाग ऑडिट या नियामक समीक्षाओं के दौरान तेजी से और अधिक आत्मविश्वास के साथ प्रतिक्रिया कर सकते हैं। ये आर्टिफ़िशियल इंटेलिजेंस कार्यान्वयन के लिए कंपनियों को अनुमानित मॉडल पर दांव लगाने की आवश्यकता नहीं है। वे मौजूदा डेटा फाउंडेशन पर निर्माण करते हैं, जो पहले से ही वहां मौजूद है।

आर्टिफ़िशियल इंटेलिजेंस का यह व्यावहारिक अनुप्रयोग कई जनरेटिव आर्टिफ़िशियल इंटेलिजेंस परियोजनाओं में पाए जाने वाले ट्रायल-एंड-एरर तरीकों से तेजी से विपरीत है। इसके बजाय नवीनतम प्रौद्योगिकी रुझानों का पीछा करने के बजाय, यह वास्तविक व्यावसायिक समस्याओं को सटीकता और उद्देश्य के साथ हल करने पर केंद्रित है।

आर्टिफ़िशियल इंटेलिजेंस को डी-रिस्क करना: सीटीओ और नियामक क्या अनदेखा कर रहे हैं

आर्टिफ़िशियल इंटेलिजेंस को अपनाने की होड़ में, कई वित्तीय सेवा नेताओं – और यहां तक कि नियामकों – मॉडल परत पर बहुत अधिक और डेटा परत पर पर्याप्त ध्यान नहीं दे रहे हैं। उन्नत एल्गोरिदम का आकर्षण अक्सर इस मूलभूत सच्चाई को छिपा देता है कि आर्टिफ़िशियल इंटेलिजेंस के परिणाम डेटा गुणवत्ता, प्रासंगिकता और संरचना द्वारा निर्धारित किए जाते हैं।

डोमेन-विशिष्ट डेटा प्रसंस्करण को प्राथमिकता देकर, संस्थान आर्टिफ़िशियल इंटेलिजेंस पहलों को शुरू से ही डी-रिस्क कर सकते हैं। इसका अर्थ वित्तीय सेवाओं के संदर्भ में अनसंगठित डेटा को बुद्धिमानी से संसाधित करने में सक्षम प्रौद्योगिकियों और फ्रेमवर्क में निवेश करना है, यह सुनिश्चित करना है कि आउटपुट न केवल सटीक हों बल्कि स्पष्ट और अंकन योग्य भी हों।

यह दृष्टिकोण कंपनियों को आर्टिफ़िशियल इंटेलिजेंस को अधिक प्रभावी ढंग से स्केल करने के लिए भी स्थिति में रखता है। एक बार अनसंगठित डेटा को उपयोगी प्रारूपों में परिवर्तित कर दिया जाता है, तो यह एक पुन: प्रयोज्य संपत्ति बन जाती है, जिस पर भविष्य के नवाचारों को तेजी से और नियंत्रण और अनुपालन बनाए रखने के साथ बनाया जा सकता है।

हYPE चक्र से परे जाना

वित्तीय सेवा उद्योग एक निर्णायक क्षण पर है। आर्टिफ़िशियल इंटेलिजेंस में巨大的 संभावना है, लेकिन इस संभावना को पूरा करने के लिए एक अनुशासित, डेटा-पहले की मानसिकता की आवश्यकता है। हॉलुसिनेशन जोखिमों और मॉडल पूर्वाग्रह पर वर्तमान फोकस, जबकि वैध है, अनसंगठित डेटा को अनलॉक और संरचित करने के अधिक दबाव वाले मुद्दे से विचलित हो सकता है – आर्टिफ़िशियल इंटेलिजेंस पहलों को कम करने के लिए।

डोमेन-विशिष्ट अनसंगठित डेटा प्रसंस्करण उस प्रकार का सफलता प्रदान करता है जो सेंसेशनल हेडलाइंस नहीं बनाता है, लेकिन मापनीय, स्थायी प्रभाव डालता है। यह एक याद दिलाता है कि वित्तीय सेवाओं जैसे उच्च नियंत्रित, डेटा-गहन उद्योगों में, व्यावहारिक आर्टिफ़िशियल इंटेलिजेंस नवीनतम चीज़ का पीछा नहीं करने के बारे में है। यह मौजूदा संसाधनों का बेहतर उपयोग करने के बारे में है।

जैसे ही नियामक निरीक्षण को और कस लेते हैं और कंपनियां नवाचार के साथ जोखिम प्रबंधन को संतुलित करने की कोशिश करती हैं, डेटा महारत पर ध्यान केंद्रित करने वाले लोग सबसे अच्छी स्थिति में होंगे। वित्तीय सेवाओं में आर्टिफ़िशियल इंटेलिजेंस का भविष्य इस बात पर परिभाषित नहीं किया जाएगा कि किसने सबसे चमकदार मॉडल है, बल्कि यह कि कौन अपना डेटा अनलॉक कर सकता है, आर्टिफ़िशियल इंटेलिजेंस को जिम्मेदारी से तैनात कर सकता है, और जटिल, अनुपालन-संचालित दुनिया में निरंतर मूल्य प्रदान कर सकता है।

आशीष मेहता फिनटेक, एआई और ऑटोमेशन के क्षेत्र में एक दूरदर्शी नेता हैं, जो साहसी विचारों को बाजार की दिशा तय करने वाली सफलताओं में बदलने के लिए जाने जाते हैं। कई व्यवसाय स्थापित करने वाले उद्यमी के रूप में, उन्होंने कई उद्यमों की स्थापना और विस्तार किया है, हाल ही में Linedata द्वारा nRoad के सफल अधिग्रहण की प्रक्रिया का नेतृत्व किया है। अपने करियर में, आशीष ने ग्राहक मूल्य में $1 बिलियन से अधिक और राजस्व में $100 मिलियन से अधिक उत्पन्न किया है। उन्होंने 700 से अधिक कर्मचारियों की उच्च प्रदर्शन वाली टीमों का गठन और नेतृत्व किया है, जो नवाचार और निष्पादन की संस्कृति को बढ़ावा देते हैं। अपनी व्यावसायिक उपलब्धियों के अलावा, आशीष एक समर्पित मेंटर हैं, जो अगली पीढ़ी के उद्यमियों और प्रौद्योगिकीविदों को मार्गदर्शन करने के लिए उत्साहित हैं।