Учитывая материальный инвестиционный потенциал банков, управление большими объемами частных данных и зачастую гибкие бизнес-модели, возможно, было неизбежно, что они оказались с энтузиазмом первыми внедрившими технологии машинного и глубокого обучения (так называемый традиционный ИИ). Эти системы (фактически, на протяжении десятилетий) использовались для улучшения процессов управления рисками, уменьшения потерь, предотвращения мошенничества, удержания клиентов, а также для повышения эффективности и роста прибыли.
По тем же причинам неудивительно, что банки теперь готовы сделать дальнейший шаг по интеграции более мощной технологии «генеративного искусственного интеллекта» в свои операции.
Эта новая волна искусственного интеллекта обещает изменить отрасль устойчивыми и постепенными темпами, предоставляя новые возможности, возможности получения дохода и снижения затрат. Со временем это может изменить конкурентную среду в пользу тех банков, которые лучше всего используют потенциал ИИ. S&P Global Ratings полагает, что изменения, которые принесет ИИ, также могут иметь последствия для нашей оценки кредитного качества банков.
Искусственный интеллект в банковском деле не нов, но он меняется
На сегодняшний день большинство вариантов использования искусственного интеллекта в банковской сфере направлены либо на автоматизацию задач, либо на генерацию прогнозов. Эта работа была выполнена с помощью моделей машинного обучения (ML) с наблюдением и без присмотра (а иногда и более сложных моделей глубокого обучения), которые требуют значительных вычислительных мощностей и больших объемов данных. Применение машинного обучения в банковском деле ускорилось в конце 2000-х годов с разработкой Python для анализа данных, или pandas – пакета анализа данных с открытым исходным кодом, написанного для языка программирования Python. Pandas, наряду с другими программными библиотеками машинного обучения, такими как SKLearn и TensorFlow, упростили структурирование и анализ данных, сделали их более систематичными и, таким образом, открыли двери для более доступных алгоритмов машинного обучения и мощных аналитических платформ. Финансовый анализ также является естественным получателем инновационных приложений с большим объемом данных, особенно из других дисциплин. В качестве примеров можно привести таблицы жизненного цикла из страхования, моделирование методом Монте-Карло и стохастику из физики, которые, в свою очередь, стимулировали новые разработки в области машинного обучения и смежных технологий.
Свидетельством преимуществ этого более раннего искусственного интеллекта является то, что (несмотря на его сложности) банки, поставщики финансовых услуг и страховой сектор стали одними из его наиболее активных пользователей. На конец 2022 года машинное обучение в банковской сфере, финансовых услугах и страховании составляло около 18% от общего объема рынка, по оценкам конечных пользователей (см. диаграмму 2).
В своей стратегии ОД компании, предоставляющие финансовые услуги, похоже, в первую очередь полагаются на облачные сервисы машинного обучения, такие как AWS, Microsoft Azure или Google ML (см. диаграмму 3). Более того, большинство (71%) по-прежнему используют частные облачные среды, а не общедоступное облако, согласно исследованию, проведенному исследовательским подразделением TMT S & P Global Market Intelligence, подразделения S & P Global.
Диаграмма 2
Диаграмма 3
Автоматизация под руководством искусственного интеллекта в основном способствовала упрощению работы банков и снижению затрат, поскольку банки определили ручные и механические задачи, выполняемые персоналом, и заменили их компьютерами, которые не только экономичны, но и менее подвержены сбоям в работе. Примером использования искусственного интеллекта в автоматизации управления банковским делом является система обработки документов Standard Chartered под названием Trade AI Engine, разработанная совместно с IBM. Он может просматривать неструктурированные данные в различных форматах, идентифицировать и классифицировать документы и извлекать уроки из собственной работы.
Банки также использовали возможности искусственного интеллекта и данные, как собственные, так и внешние, для расширения возможностей сотрудников, позволяя им выполнять задачи, которые ранее были им не по силам. Например, модели прогнозирования и рекомендации использовали способность искусственного интеллекта (в первую очередь за счет неконтролируемого машинного обучения) анализировать огромные объемы данных и выявлять скрытые закономерности, которые не были бы очевидны для человека. Это способствовало более точному и быстрому принятию решений.
По данным S & P Global Market Intelligence TMT, распознавание шаблонов широко используется в выявлении мошенничества и финансовом прогнозировании, гдеоколо 40% компаний, оказывающих финансовые услуги, в основном полагаются на машинное обучение в обоих случаях.
Другие примеры использования искусственного интеллекта в банковском деле приведены ниже (см. таблицу 1).
Таблица 1
| Примеры применения искусственного интеллекта в банковском деле | ||||
|---|---|---|---|---|
| Банк | Приложение для искусственного интеллекта | |||
| Barclays | Обнаружение мошенничества с помощью искусственного интеллекта: у банка есть инструмент искусственного интеллекта, который призван предотвращать мошенничество путем прогнозирования потенциальных случаев с использованием мониторинга платежных транзакций продавца в режиме реального времени. | |||
| Banco Santander | Искусственный интеллект в управлении рисками: подразделение корпоративного и инвестиционного банкинга Santander разработало инструмент искусственного интеллекта под названием Kairos, который показывает, как экономические события могут повлиять на корпоративного клиента, создавая модели прогнозирования, которые позволяют сотрудникам принимать более обоснованные инвестиционные и кредитные решения. | |||
| Bank of America | Искусственный интеллект в анализе исследований: платформа под названием Glass помогает сотрудникам отдела продаж выявлять скрытые рыночные закономерности для прогнозирования потребностей клиентов путем консолидации рыночных данных по классам активов и регионам с помощью собственных моделей банка и методов машинного обучения. | |||
| Откройте для себя финансовые услуги | Искусственный интеллект для кредитного андеррайтинга: благодаря партнерству с поставщиком программного обеспечения для искусственного интеллекта банк может улучшить кредитный андеррайтинг и снизить процент дефолтов. | |||
| Источник: веб-сайты банков и публичные объявления. | ||||
Генеративный ИИ принесет новые возможности и угрозы
В то время как автоматизация и прогнозирование с помощью искусственного интеллекта являются общими составляющими цифровой трансформации банков (по крайней мере, для крупных и технологически сложных банков), инвестиции в инструменты, основанные на новых системах, основанных на генеративном искусственном интеллекте, и их внедрение по-прежнему находятся на стадии становления (см. диаграмму 4). Таким образом, возможности (и риски) еще предстоит полностью протестировать. Но потенциал нового ИИ для изменения банковской деятельности кажется огромным.
Также стоит признать, что эта новая волна искусственного интеллекта также предоставит возможности для крупной и растущей сети компаний, занимающихся финансовыми технологиями (fintech). Полученные в результате возможности могут увеличить потенциал финтеха по разрушению банковского сектора, и из-за этого усиливается давление на банки с целью изучения новых приложений для генерирующего искусственного интеллекта.
Мощные возможности, предоставляемые генеративным ИИ, проистекают из его способности создавать контент на основе анализа больших объемов данных, включая текст, изображения, видео и код. Эта возможность означает, что его можно, например, использовать для обобщения контента, ответов на вопросы в формате чата, а также редактирования или составления проекта нового контента в различных форматах. Более конкретно, это означает, что генеративный ИИ в банковском деле может быстро и дешево (после масштабирования моделей) создавать гиперперсонифицированные продукты и услуги или ускорять разработку программного обеспечения, миграцию ИТ и модернизацию программ. Он также может расширить возможности людей с помощью чат-ботов с искусственным интеллектом или виртуальных помощников – на этом сосредоточено партнерство между Morgan Stanley и OpenAI, американской исследовательской лабораторией, стоящей за ChatGPT.
Диаграмма 4
Генеративный искусственный интеллект в банковском деле: следующие пять лет
Согласно отчету International Data Corp., глобальные расходы на искусственный интеллект, как ожидается, достигнут 166 миллиардов долларов в 2023 году (при этом банковский сектор является одним из крупнейших в отрасли и составляет около 13%), увеличившись примерно до 450 миллиардов долларов к 2027 году. (IDC), поставщик информации о рынке технологий и консультационных услуг.
Способы использования банками генеративного ИИ, вероятно, преподнесут некоторые сюрпризы, но представляется несомненным, что новая технология приведет как к эволюции, так и к расширению роли ИИ в банковском секторе.
Заметные изменения, связанные с применением генерирующего искусственного интеллекта в банковском деле, вряд ли произойдут немедленно. Мы ожидаем, что банки продолжат тестировать генеративные модели искусственного интеллекта и вкладывать в них значительные средства в течение следующих двух-пяти лет, прежде чем расширять их внедрение для клиентов и участвовать в более масштабных проектах. Более того, основная часть вариантов использования банков в ближайшей перспективе, скорее всего, будет сосредоточена на предоставлении дополнительных инноваций (т. Е. небольшого повышения эффективности и других улучшений во всех бизнес-подразделениях) и будет основана на конкретных бизнес-потребностях. Наконец, мы ожидаем, что сотрудники по-прежнему будут выполнять надзорную роль, известную как human-in-the-loop (HITL), чтобы гарантировать соответствие результатов ожиданиям (с точки зрения точности и соответствия требованиям) по мере развития технологии.
Несмотря на это постепенное внедрение, потенциал для широкого применения генерирующего искусственного интеллекта означает, что банковский сектор входит в число тех, кто, вероятно, испытает наибольшее влияние от этого прогресса. Согласно отчету McKinsey & Co, консультанта по менеджменту, за 2023 год генеративный ИИ может увеличить стоимость от 200 до 340 миллиардов долларов в год (9%-15% операционной прибыли банков), если варианты использования будут полностью реализованы.
Помимо новых вариантов использования в бизнесе, банки также, вероятно, будут применять генеративный искусственный интеллект (с помощью базовых моделей) к существующим и более старым приложениям искусственного интеллекта с целью повышения их эффективности. Например, цифровизация и автоматизация процессов взаимодействия с клиентами создает цифровой след данных, который генеративный искусственный интеллект может использовать для точной настройки как сервиса, так и его внутренних процессов. Затем это могло бы обеспечить дальнейшую цифровизацию, включая сверхмасштабную кастомизацию, что позволило бы улучшить сегментацию клиентов и их удержание. Цифровые маршруты передачи данных также могут быть использованы для улучшения управления рисками, сбора данных, отчетности и мониторинга.
То, как банки будут развивать свои генеративные возможности искусственного интеллекта, вероятно, будет зависеть от их масштаба и инвестиционных возможностей. Варианты варьируются от аутсорсинга (путем заключения контракта с третьей стороной) до собственной разработки и широкого спектра гибридных решений, включающих тонкую настройку существующих моделей. Хотя большинство генеративных приложений искусственного интеллекта в банковской сфере находятся на ранних стадиях разработки, спектр проектов и подходов уже очевиден (см. таблицу 2).
Таблица 2
| Различные подходы к генеративному ИИ в банковском деле | ||||
|---|---|---|---|---|
| Банк | Пример использования | |||
| Wells Fargo | Банк использует Dialogflow, разговорный искусственный интеллект Google, для расширения возможностей своего виртуального помощника под названием Fargo. Он также использует модель большого языка (LLM), которая помогает уточнить, какую информацию клиенты должны предоставлять регулирующим органам. | |||
| Мидзухо | Японский банк объявил о тестировании технологии генеративного искусственного интеллекта Fujitsu для оптимизации обслуживания и развития своих систем. | |||
| Морган Стэнли | Подразделение wealth management разрабатывает сервис, использующий технологию OpenAI GPT-4, чтобы помочь сотрудникам находить необходимую внутреннюю интеллектуальную информацию, такую как аналитические данные компании по секторам и регионам, информацию о классах активов, а также данные с рынков капитала. | |||
| Goldman Sachs | Его разработчики экспериментируют и тестируют генеративные инструменты искусственного интеллекта, чтобы помочь в написании кода и тестировании. | |||
| JP Morgan | Банк подал заявку на создание торговой марки инструмента под названием IndexGPT, который мог бы выступать в качестве консультанта по финансовым инвестициям. | |||
| Источник: веб-сайты банков и публичные объявления. | ||||
Преимущества и проблемы искусственного интеллекта в банковском деле
Потенциал генеративного искусственного интеллекта принести пользу банковскому сектору больше, чем другим секторам, проистекает из его способности понимать так называемый естественный язык (язык в том виде, в каком он обычно используется). Это связано с тем, что естественный язык часто используется на работах, основанных на знаниях, которые характеризуются высшим образованием, эффективной коммуникацией, сотрудничеством с людьми и логико-лингвистическими навыками. Хотя влияние генерирующего искусственного интеллекта на различные банковские операции будет разным, выгоды могут быть значительными. Например, повышение производительности сотрудников по обслуживанию клиентов может привести к сокращению затрат и повышению эффективности. На диаграмме 5 представлены некоторые потенциальные преимущества, которые, как мы ожидаем, появятся с расширением применения генерирующего искусственного интеллекта в банковском деле.
Диаграмма 5
Как и при любом внедрении новой технологии, внедрение генеративного искусственного интеллекта сопряжено с рисками, затратами и проблемами. Это особенно актуально для новой итерации искусственного интеллекта, учитывая темпы развития технологии, возможности ее внедрения во всех бизнес-функциях и потенциальную широту ее использования в различных отраслях промышленности и обществе.
Эти проблемы включают общие вопросы, применимые ко многим отраслям, и другие, специфичные для банков. В первую корзину входят связанные с искусственным интеллектом этические проблемы, такие как способность объяснять сгенерированный контент или предвзятость, заложенную в данные. Например, предвзятость при отборе в банковском деле может увековечить проблемы профилирования по признаку пола, расы, этнической принадлежности, что может привести к несправедливому кредитному рейтингу и дискриминации клиентов. Другой ключевой общей проблемой являются экологические проблемы (и критика) из-за высокого уровня энергопотребления моделями искусственного интеллекта – согласно оценкам, обучение генеративной модели искусственного интеллекта потребляет больше энергии в год, чем 100 американских домов.
Проблемы также могут возникать по мере развития все еще новой нормативно-правовой базы в области искусственного интеллекта, что может привести к возникновению различий в надзоре и требованиях в разных регионах. Это может повлиять на многие отрасли, но будет особенно актуально для банковского сектора, который жестко регулируется и сталкивается с более высокими рисками поведения, репутации и системными рисками, чем другие секторы. Поскольку искусственный интеллект становится все более регулируемым, а новые нормативные акты распространяются на основные регионы, банки могут подвергнуться риску штрафов или приостановления некоторых операций со стороны регулирующих органов, если модели приведут к плохим результатам для клиентов (таким как дискриминация клиентов или утечки данных), приведут к сбоям в управлении рисками, которых можно было избежать, или не будут соответствовать требованиям прозрачности, безопасности и надежности.
Другие риски ИИ, характерные для банковского сектора, включают проблемы, связанные с безопасностью и конфиденциальностью, риски, связанные с вытеснением рабочей силы ИИ, а также риск увеличения инвестиций в ИИ, необходимых для того, чтобы идти в ногу с цифровыми преобразованиями (см. таблицу 3).
Таблица 3
| Ключевые проблемы искусственного интеллекта и его сторонники в банковской сфере | ||||||
|---|---|---|---|---|---|---|
| Тип беспокойства | Риски для банков | Стратегии смягчения последствий | ||||
| Этические проблемы | Наиболее распространенными типами предвзятости, влияющими на банки и которые могут привести к дискриминации клиентов при принятии кредитных решений и проблемам финансовой инклюзивности, являются: Предвзятость при взаимодействии – когда ИИ поглощает предвзятость пользователей, с которыми он взаимодействует. Скрытая предвзятость – из-за корреляций, присущих наборам данных. Предвзятость выбора – которая возникает, когда наборы данных больше или меньше представляют определенные группы. Модели искусственного интеллекта банков также могут страдать от проблем с объяснением (проблемы с черным ящиком), которые связаны с неспособностью определить, почему модель приняла конкретное решение. Другие типичные риски включают нарушения авторских прав из-за результатов, которые напоминают существующий контент; и результаты, которые могут быть вымышленными или лишенными смысла (известные как галлюцинации). | • Обеспечить соответствие алгоритмическим оценкам воздействия (фирмы должны продемонстрировать, что их модели соответствуют требованиям, предъявляемым к заслуживающим доверия системам искусственного интеллекта). • Разработать методы выявления предвзятостей. • Регулярно обновлять модели, использовать больше и более качественных данных. • Используйте математические модели устранения смещений, которые вручную корректируют определенные функции, чтобы избежать предвзятости. | ||||
| Безопасность, конфиденциальность и контроль рисков | Существует потенциал для огромной концентрации данных в нескольких крупных частных компаниях (известных как критически важные сторонние поставщики). Кроме того, банки могут нарушать права клиентов на неприкосновенность частной жизни, непреднамеренно и без специального согласия собирая общедоступные данные клиентов для профилирования и прогнозирования. Риски ограничения данных возникают из-за того, что некоторые внутренние данные и данные клиентов являются частными и конфиденциальными. Поэтому его использование для обучения генеративных моделей искусственного интеллекта может быть рискованным, поскольку оно может непреднамеренно раскрыть данные извне. Более того, злоумышленники могут использовать генеративный искусственный интеллект в качестве оружия, например, создавая глубокие подделки для обманного открытия новых учетных записей или используя LLM для генерации фишингового контента. | • Внедрите конфиденциальность и защиту в дизайн, гарантируя соблюдение правил конфиденциальности. • Собирайте данные клиентов только с согласия. • Соблюдайте строгие процедуры безопасности для моделей искусственного интеллекта. | ||||
| Зарождающееся регулирование искусственного интеллекта | Реакция регулирующих органов на быстрое развитие искусственного интеллекта и новые варианты использования создает пространство для региональных различий и неопределенностей в целях и требованиях регулирования. Это может повлиять на конкурентную среду. Регулирование, касающееся искусственного интеллекта, варьируется в зависимости от юрисдикции, а это означает, что банки, работающие в нескольких местах, могут сталкиваться с разными правилами. В Европе потенциальные штрафы в размере до 7% от выручки банков за нарушения нормативных требований в соответствии с Законом ЕС об искусственном интеллекте. В Китае временные меры, регулирующие генеративный искусственный интеллект, были приняты в августе 2023 года и были сосредоточены на услугах, доступных широкой публике. | • Повышение прозрачности моделей искусственного интеллекта (особенно базовых моделей, которые обеспечивают генеративный искусственный интеллект). • Разработайте объяснимые процессы и результаты искусственного интеллекта с акцентом на объяснение логики, ответственности, данных, безопасности, производительности и воздействия. | ||||
| Риски, связанные с персоналом | Потенциал для ускоренной смены работы, особенно для работ, требующих математического и вербального интеллекта, в отличие от социальных, творческих навыков или навыков восприятия. Краткосрочные затраты и риски из-за необходимости переподготовки сотрудников для использования искусственного интеллекта для расширения их рабочих мест, а также сложности для банков в поддержании подхода, ориентированного на искусственный интеллект. | • Делитесь знаниями в области искусственного интеллекта с сотрудниками; проводите обучение для повышения их квалификации. • Используйте искусственный интеллект для расширения существующих рабочих мест и предоставления сотрудникам возможности принимать более эффективные решения. • Убедитесь, что модели искусственного интеллекта намеренно инклюзивны и разнообразны, а также учитывают человеческое суждение. | ||||
| Требуются инвестиции для интеграции нового искусственного интеллекта с устаревшей инфраструктурой | Банки, которые не успевают инвестировать в искусственный интеллект и модернизировать ИТ-инфраструктуру, могут столкнуться с узкими местами из-за ограниченных графических процессоров (GPU), сетевых возможностей, памяти и емкости хранилища, любое из которых может представлять операционные риски. | • Используйте ИИ-кодирование для ускорения преобразования устаревшего кода, разработки программного обеспечения, а также миграции и интеграции устаревшей ИТ-инфраструктуры. • Инвестируйте в высокопроизводительные сети. | ||||
| Экологические издержки | Хотя это относится ко многим секторам (не только к банковскому делу), обучение моделей искусственного интеллекта (особенно LLM) требует больших затрат энергии и может оказать прямое влияние на выбросы CO2 компанией. | • Измеряйте воздействие ИИ-модели на окружающую среду и компенсируйте его. • Оптимизируйте модели ИИ для работы с более низкими параметрами и сократите объем данных, которые им требуются. | ||||
| Источник: S & P Global Ratings | ||||||
Потенциальное влияние стратегий искусственного интеллекта на кредитоспособность банков
Банковский сектор – это регулируемая индустрия услуг, которая в значительной степени зависит от технологий. Способность банков разрабатывать и внедрять стратегии, эффективно учитывающие операционные преимущества искусственного интеллекта, может, как и другие новые технологии (а возможно, и в большей степени), повлиять на наше представление об их кредитном качестве (см. диаграмму 6).
Диаграмма 6
Стратегии искусственного интеллекта потенциально могут обеспечить конкурентные преимущества банкам, которые обладают потенциалом и гибкостью для их наилучшего использования. Хорошо внедренный искусственный интеллект может увеличить операционные доходы за счет улучшения процесса принятия решений сотрудниками и раскрытия потенциального дохода клиентов – не в последнюю очередь благодаря персонализированным услугам и продуктам. И это может оказать значительное положительное влияние на затраты, учитывая потенциал надежной стратегии искусственного интеллекта в банковской сфере для упрощения операций, снижения операционных расходов и, таким образом, повышения эффективности и прибыльности.
Изменения в этих факторах могут иметь отношение к нашей оценке бизнес-положения банков, особенно в тех случаях, когда они усугубляют разницу между конкурентными позициями банков, способствуя укреплению франшиз и созданию более гибких и прибыльных бизнес-моделей.
Генеративный искусственный интеллект в банковском деле обещает усугубить эти различия, также играя определенную роль в способности банков масштабировать и модернизировать устаревшие ИТ-системы – в частности, с помощью программного обеспечения с низким кодом / без кода, которое могло бы обеспечить значительную экономию. Это также может снизить операционные риски и затраты, возникающие при эксплуатации банками старой инфраструктуры и трудоемких систем. Например, по нашим оценкам, 10%-ное сокращение расходов на банковский персонал в среднем повысило бы рентабельность собственного капитала примерно на 100 базисных пунктов и соотношение затрат к доходам примерно на 3 процентных пункта, исходя из рейтинга 200 крупнейших банков мира по версии S & P Global Ratings. Эти потенциальные выгоды должны быть сбалансированы с инвестициями в технологии, которые им требуются, и с возможностями банков сократить численность сотрудников (при сохранении доходов). Таким образом, еще предстоит выяснить, в какой степени банки, успешно внедряющие стратегии искусственного интеллекта, существенно превосходят те, которые отстают в области искусственного интеллекта.
Искусственный интеллект также обладает потенциалом для улучшения управления рисками и, таким образом, может повлиять на наше представление о профиле рисков банка, хотя и косвенно. Например, в области кредитного риска банк, который может точно оценить риск и использовать скрытые в данных закономерности для определения вероятности того, что клиенты погасят задолженность (или станут проблемными), улучшит свои модели расчета, сократит количество проблемных кредитов и повысит точность формирования резервов. По сути, его производительность с поправкой на риск должна улучшиться по сравнению с аналогичными показателями.
Существует множество способов использования искусственного интеллекта для улучшения практики управления рисками (см. таблицу 4). Тем не менее, плохое внедрение искусственного интеллекта в равной степени может привести к репутационным и операционным рискам, которые могут негативно сказаться на нашем представлении о рискованности банка.
Таблица 4
| Примеры использования искусственного интеллекта в управлении рисками | ||||
|---|---|---|---|---|
| Тип риска | Варианты использования | |||
| Кредит | • Более точная и быстрая оценка “Вероятности дефолта и убытков в случае дефолта”. • Улучшение показателей раннего предупреждения об ухудшении качества активов (как внутренних, так и внешних – с учетом присутствия клиента в Интернете). | |||
| Торговая площадка | • Прогнозирование рыночных тенденций. • Улучшенная идентификация инсайдерской торговли, манипулирования рынком и прогнозы вероятности неправомерных действий в торговле. | |||
| Операционный (мошенничество и кибербезопасность) | • Идентификация мошеннических операций по картам на основе поведенческих данных. • Использование данных о предыдущих атаках для обнаружения аномалий, предотвращения утечек данных и предложения корректирующих действий. | |||
| Источник: S & P Global Ratings | ||||
Различия обеспечат многоскоростное внедрение
Не все банки или даже регионы будут двигаться с одинаковой скоростью. Местная конкурентная среда, изменения в регулировании, инвестиционный потенциал банков и предпочтения клиентов – все это будет играть роль в определении того, в какой степени региональное использование искусственного интеллекта окажется консервативным или более преобразующим. Например, мы ожидаем, что крупномасштабные и индивидуальные клиентские услуги, основанные на искусственном интеллекте, появятся первыми в странах, где клиенты более снисходительно относятся к новым технологиям, таких как Китай, США, Великобритания, Скандинавские страны и Австралия (см. диаграмму 7).
Диаграмма 7
Хотя генеративный искусственный интеллект все еще находится в зачаточном состоянии, у него есть потенциал стать технологией общего назначения, которая будет повсеместной, позволит внедрять дополнительные инновации, повышать качество продуктов и услуг и снижать затраты (подобно интернет-революции). Тем не менее, при рассмотрении этих потенциальных выгод равный вес следует уделять пониманию связанных с ними рисков и опасений (как известных, так и еще не возникших).
Таким образом, еще предстоит выяснить, с какой скоростью и в какой степени банкам имеет смысл инвестировать в трансформационные стратегии искусственного интеллекта.
Соответствующие исследования
- Технологические сбои в розничном банковском деле: анализ по странам | Появляются лидеры и отстающие, 27 сентября 2023 г.
- Прогноз рынка программного обеспечения для искусственного интеллекта от 451 Research: 10-кратный рост в 2023-2028 годах по мере роста популярности корпоративных приложений, 7 июня 2023 года, S & P Global Market Intelligence.
- Голос предприятия от 451 Research: искусственный интеллект и машинное обучение, Варианты использования 2023, 27 января 2023, S & P Global Market Intelligence.
Внешние исследования
- Статистика потребления энергии ИИ, 2 августа 2023 года, Vault Electricity
- Экономический потенциал генеративного искусственного интеллекта, июнь 2023, McKinsey & Co.
- Предлагаемый Закон ЕС об искусственном интеллекте, 14 июня 2023 г.
- Всемирное руководство по расходам на искусственный интеллект, 7 марта 2023 г., International Data Corporation
Author: admin
Related Posts
Искусственный интеллект в университетах: перезагрузка образования
Топ-10 угроз для приложений на основе больших языковых моделей (LLM) в 2025 году
