Aashish Mehta, CEO at NROAD Aashish Mehta CEO at NROAD

AIの最大の機会は新しいモデルではなく、古いデータの解放にある

人工知能が業界を急速に進化させている中、金融サービス企業は、人工知能の潜在性を活用したいと思っていますが、同時に、規制の厳しさも増しています。多くの企業は、人工知能の採用が予想よりも複雑であることを発見しています。最近のニュースでは、人工知能の妄想、モデルバイアス、透明性の欠如などのリスクが取り上げられています。これらの問題は、規制当局も注目しています。しかし、人工知能のハYPEと規制の懸念の裏にある、より実践的な機会があります。人工知能の成功は、新しいモデルを構築することではなく、モデルに適切なドメイン固有のデータを提供することです。金融機関は、契約、報告書、開示、メール、レガシーシステムなどに大量の構造化されていないデータを抱えています。これらのデータを解放し、利用可能にするまで、人工知能は金融部門での約束を果たせません。隠された課題：構造化されていないデータにロックされた数兆金融機関は毎日大量のデータを生成し、管理しています。しかし、約80-90%のデータは構造化されていないと推定されています。契約、メール、開示、報告書、コミュニケーションなどに埋もれています。構造化されたデータセットとは異なり、構造化されていないデータは、伝統的な方法では大規模に処理することが難しい、汚い、多様なデータです。これは、重大な課題を提起しています。人工知能システムは、入力されたデータの質によって決まります。クリーンでコンテキスト化された信頼性の高い情報にアクセスできない場合、最も高度なモデルでも、不正確または誤解を招く出力が生じる可能性があります。金融サービスでは、精度、透明性、規制遵守が不可欠であるため、これは特に問題です。人工知能の採用を急ぐ企業は、最も貴重なデータ資産が旧式のシステムやシロ化されたリポジトリに閉じ込められていることを発見しています。データの解放は、裏方の問題ではありません。人工知能の成功の鍵です。規制の圧力と人工知能の急ぐリスク世界中の規制当局は、金融サービスにおける人工知能の使用に焦点を当て始めています。妄想や透明性の欠如、人工知能モデルが適切なトラッキングなしに妥当だが誤った情報を生成するリスクが増しています。モデルバイアスや説明性の欠如も、採用を複雑にします。特に、貸し付け、リスク評価、規制遵守などの分野では、不透明な決定が法的責任や評判の損失につながる可能性があります。調査によると、80%以上の金融機関が、データの信頼性と説明性の懸念を、人工知能イニシアチブの遅れの主要因として挙げています。予期せぬ結果の恐怖と、規制の強化により、慎重な環境が生まれました。企業はイノベーションを求めているものの、規制当局に違反したり、信頼できない人工知能システムを展開したりすることを恐れています。この環境では、汎用的な人工知能ソリューションを追求したり、オフザシェルフのLLMを実験したりすることは、プロジェクトの停滞、無駄な投資、またはリスクを増大させるシステムにつながる可能性があります。ドメイン固有のデータ中心の人工知能へのシフト業界が必要とするブレークスルーは、新しいモデルではありません。焦点をモデル構築からデータマスタリーへのシフトです。ドメイン固有の構造化されていないデータ処理は、金融サービスにおける人工知能に実践的なアプローチを提供します。汎用的なモデルに頼るのではなく、金融機関がすでに持っているユニークなデータを抽出、構造化、コンテキスト化することに重点を置いています。金融言語、文書、ワークフローを理解できる人工知能を活用することで、企業は以前はアクセスできなかったデータを活用可能なインテリジェンスに変えることができます。これにより、自動化、洞察、意思決定サポートが可能になり、外部データセットではなく、機関固有の信頼できる情報に基づいています。このアプローチは、効率の改善とリスクの軽減によって即時的なROIをもたらし、規制の期待にも応えています。明確で追跡可能なデータパイプラインを構築することで、組織は、人工知能採用の最大の課題である2つの大きな課題、透明性と説明性を克服することができます。金融界で実現している人工知能の実際の成果人工知能の会話の多くは、印象的なイノベーションに焦点を当てていますが、ドメイン固有の構造化されていないデータ処理は、すでに世界最大の銀行や金融機関での運用を変革しています。これらの組織は、人工知能を使用して、人間の専門知識を置き換えるのではなく、補完しています。契約から重要な条項を抽出する自動化、開示に埋もれたコンプライアンスリスクのフラグ付け、クライアントコミュニケーションの分析のストリーミングなどです。たとえば、財務諸表の基本分析は、金融サービス全般の核心機能ですが、分析者は各財務諸表の変異性をナビゲートし、監査人のノートを解釈するのに数多くの時間を費やします。私たちのような人工知能ソリューションを採用している企業は、処理時間を60%削減し、チームが手動レビューから戦略的意思決定に焦点を移すことができます。影響は実感できます。手動プロセスが数日や数週間かかっていたものが、数分で完了します。リスク管理チームは、潜在的な問題に対して早期に可視性を得ることができます。コンプライアンス部門は、監査や規制レビュー時に自信を持って迅速に応答できます。これらの人工知能の実装では、未証明のモデルに賭ける必要はありません。既存のデータ基盤を強化し、そこに既存のものを追加しています。この人工知能の実践的な応用は、多くの生成型人工知能プロジェクトで見られる試行錯誤の方法と対照的です。最新のテクノロジートレンドを追求するのではなく、実際のビジネス問題を正確性と目的を持って解決しています。人工知能のリスク軽減：CTOと規制当局が見過ごしていること人工知能の採用を急ぐ中、金融サービス企業のリーダーや規制当局は、モデル層よりもデータ層に十分な焦点を当てていない可能性があります。高度なアルゴリズムの魅力が、人工知能の成果はデータの品質、関連性、構造によって決まるという基本的な真実を隠しています。ドメイン固有のデータ処理に重点を置くことで、企業は人工知能イニシアチブを最初からリスクを軽減することができます。これには、金融サービスにおける構造化されていないデータを知的に処理できるテクノロジーとフレームワークへの投資が含まれます。出力が正確であるだけでなく、説明可能で監査可能であることを保証します。このアプローチにより、企業は人工知能をより効果的にスケールアップすることができます。構造化されていないデータを利用可能な形式に変換すると、監査報告、顧客サービス自動化、不正検出、投資分析など、複数の人工知能ユースケースを構築するための基盤となります。各人工知能プロジェクトを独立した取り組みとして扱うのではなく、構造化されていないデータをマスターすることで、再利用可能な資産が作成され、将来のイノベーションが加速され、コンプライアンスが維持されます。ハYPEサイクルを超えて金融サービス業界は、重要な局面にあります。人工知能は巨大な潜在性を持ちますが、その潜在性を実現するには、データ中心の姿勢が必要です。妄想のリスクやモデルバイアスに関する現在の焦点は妥当ですが、構造化されていない大量のデータを解放し、構造化しない限り、人工知能イニシアチブは期待を裏切続けるでしょう。ドメイン固有の構造化されていないデータ処理は、センセーショナルな見出しのないブレークスルーを表しますが、実際の影響をもたらします。高度に規制された、データ集中型の業界である金融サービスでは、実践的な人工知能は、次の大きなものを追求することではなく、既存のものをよりよく活用することです。規制当局が規制を強化し、企業がイノベーションとリスク管理のバランスを取るにつれて、データマスタリーに焦点を当てた企業がリーダーシップを発揮することになります。金融サービスにおける人工知能の将来は、最も華麗なモデルを持っているかではなく、データを解放し、人工知能を責任を持って展開し、複雑でコンプライアンス駆動の世界で一貫した価値を提供できるかによって決まります。