آیا عوامل هوش مصنوعی باید تصمیمات مالی بگیرند؟ بستگی دارد.

وبینار Newsweek AI Impact ما در اوایل این هفته کاری را انجام داد که من همیشه دوست داشتم: این باعث شد که هوش مصنوعی بسیار کمتر جادویی و بسیار کاربردی تر به نظر برسد.

آنچه این گفتگو را مفید می کرد این بود که چقدر سریع وارد ماشین آلات خود تجارت شد. مت سانچز از یاهو در مورد نیاز به نوسازی کد و ابزار قبل از اینکه توسعه عامل واقعا بر تجارت اصلی تأثیر بگذارد صحبت کرد. کیتی جورج از مایکروسافت توضیح داد که چگونه راه‌اندازی هوش مصنوعی Copilot خود این شرکت شتاب را از دست داد تا اینکه مهندسان بررسی کردند که چگونه فروشندگان واقعا کار می‌کنند و پیرامون آن جریان‌های کاری دوباره طراحی کردند.

Durga Malladi از Qualcomm بخش زیرساخت را به گزینه های عملی در مورد اتصال، اندازه مدل، هزینه و داده های حساس کاهش داد. رودریگو مادانز از EY مشکل دیگری را توضیح داد که می‌تواند بعدا ظاهر شود، زمانی که حریم خصوصی، حاکمیت داده‌ها و الزامات انطباق یک خلبان ساده‌تر را به یک تمرین مقیاس‌پذیری بسیار سخت‌تر تبدیل می‌کند.

در میان آن نمونه ها، چالش عملی به حرکت خود ادامه داد. تسریع بخشی از یک گردش کار می‌تواند گلوگاه را به جای دیگری سوق دهد، در حالی که پروژه‌های امیدوارکننده می‌توانند با محدودیت‌هایی مواجه شوند که در طول آزمایش به سختی قابل مشاهده بودند. ابزارهای توانمند نیز زمانی که با روش واقعی کار افراد تناسب نداشته باشند، ممکن است از پذیرش خارج شوند.

Signal Capture این هفته همان سوال عملی را در خدمات مالی مطرح می کند. همانطور که در زیر به بررسی آن می پردازم، خودکارسازی بیشتر فرآیند لزوما به این معنا نیست که یک کسب و کار تصمیمات بهتری می گیرد.

مدیرعامل Taktile: عوامل هوش مصنوعی نباید هر تصمیم مالی را بگیرند

بانک‌ها و بیمه‌گران اکنون می‌توانند بخش‌هایی از پذیره‌نویسی، ادعاها و پرداخت‌هایی را که زمانی افراد را ملزم به خواندن اسناد، بررسی پرونده‌ها و اعمال خط‌مشی می‌کرد، خودکار کنند. Maik Taro Wehmeyer، مدیر عامل پلتفرم تصمیم‌گیری مالی Taktile، می‌گوید انتخاب محل تعلق نمایندگان در این فرآیندها به اندازه پذیرش آنها در وهله اول اهمیت دارد.

وهمیر به نیوزویک گفت: «ساخت یک نماینده نسبتا آسان شده است، اما قرار دادن آن نماینده در یک فرآیند تنظیم شده که در آن یک بانک یا بیمه‌گر بتواند به تصمیمات خود اعتماد کرده و کنترل کند، بسیار سخت‌تر است.

در عمل، او تصمیم مالی را ترکیبی از عوامل، منابع داده، قوانین ثابت و بررسی انسانی توصیف کرد که هر کدام نقش متفاوتی را در فرآیند ایفا می‌کنند.

پردازش ادعاها نشان می‌دهد که چگونه آن قطعات می‌توانند در کنار هم قرار گیرند. یک نماینده ممکن است اطلاعاتی را از اسناد استخراج کند و قبل از اینکه بیمه‌گر قوانین موجود خود را اعمال کند، آن را در برابر پوشش مشتری ترسیم کند. ادعاهای معمول می توانند به طور خودکار انجام شوند، در حالی که موارد غیر معمول برای یک فرد ارسال می شود.

وهمیر گفت: «یک قانون ثابت ابزار مناسبی است زمانی که یک پاسخ باید قطعی باشد.

مثال او سیاستی بود که از تأیید جلوگیری می کرد، زمانی که کسب و کار مشتری در یک کشور خاص قرار دارد، که می تواند یک قانون ثابت باقی بماند. هنگامی که اطلاعات نیاز به تفسیر داشته باشد، نمایندگان مفید می شوند، مانند داده های مالی پراکنده در اسناد یا فاکتوری که به زبان دیگری نوشته شده است.

بانک‌ها و بیمه‌گران اغلب با گروه محدودی از پرونده‌های ساده شروع می‌کنند و به موارد بیشتری اجازه می‌دهند که به طور خودکار پیش بروند زیرا نماینده در کار ساده‌تر دقیق‌تر است. همانطور که پرونده های بیشتری به طور خودکار انجام می شود، سهمی که بدون شخص انجام می شود به معیاری آسان برای رهبران تبدیل می شود.

Wehmeyer گفت: «در صورتی که سیستم شروع به تأیید وام های بد یا پرداخت مطالبات کند، می توانید نرخ اتوماسیون خود را افزایش دهید و در عین حال به عملکرد تجاری آسیب وارد کنید.

پیگیری نرخ تایید و کاهش در طول زمان می تواند نشان دهد که آیا تعادل بین این دو پس از تولید یک نماینده در حال تغییر است یا خیر. وه مایر همچنین به نرخ نادیده گرفتن یا تعداد دفعات تصحیح کار یک نماینده اشاره کرد. الگوهای موجود در این اصلاحات می‌توانند نشان دهند که کدام نوع پرونده‌ها به طور مکرر توسط نماینده اشتباه می‌شود و به بهبود نحوه رسیدگی به پرونده‌های مشابه کمک می‌کند.

پرونده‌های پیچیده هنوز به افراد منتقل می‌شوند، که وقتی یک نماینده قبلا اطلاعات را جمع‌آوری کرده و پرونده را تجزیه و تحلیل کرده است، بررسی مستلزم تغییر است.

او گفت: «بازبین باید بتواند ببیند عامل از چه اطلاعاتی استفاده کرده است و بفهمد که چگونه به نتیجه رسیده است تا بازبینی انسانی تبدیل به یک مهر لاستیکی نشود.»

مؤسسات همچنین به شواهدی نیاز دارند که نشان دهد چگونه کارگزاران در مواردی که نتیجه صحیح از قبل مشخص شده است، عمل می کنند. وه مایر گفت که نمونه‌های تاریخی می‌توانند این آزمایش را قبل از رسیدن یک عامل به تولید ارائه دهند.

او گفت: «حالت شکستی که صنعت [مالی] باید بیش از همه نگران آن باشد، زمانی است که یک عامل هوش مصنوعی اشتباهی را به‌گونه‌ای انجام می‌دهد که درست به نظر می‌رسد».

هنگامی که یک عامل فعال است، سازمان ها می توانند به مقایسه تصمیمات آن با داده ها و زمینه پشت هر نتیجه ادامه دهند تا خطاهای تکرار شونده را قبل از اینکه به الگو تبدیل شوند، شناسایی کنند.

اگر در نهایت به عوامل اجازه داده شود تغییراتی را در منطق پشت فرآیندهای تنظیم شده پیشنهاد کنند، همین آزمایش نتیجه بیشتری می گیرد. وهمیر گفت که این تغییرات باید قبل از دستیابی به مشتریان بر اساس تصمیمات گذشته مورد ارزیابی قرار گیرند و افراد دارای مجوز تایید و توانایی معکوس کردن آنها در صورت بدتر شدن نتایج باشند.

مسئولیت تصمیم نهایی با بانک یا بیمه گر باقی می ماند، حتی زمانی که یک مدل خارجی یا ارائه دهنده فناوری نقشی ایفا کند. صاحبان کسب‌وکار باید مستقیما روی عوامل درگیر نظارت داشته باشند، از جمله اینکه چگونه بر تأییدیه‌ها، ردها و سایر نتایج تأثیر می‌گذارند. سابقه چگونگی تصمیم گیری فردی نیز ماه ها بعد، زمانی که موسسه ممکن است نیاز به بررسی مجدد پرونده داشته باشد، اهمیت دارد.

وهمیر گفت: واضح ترین علامت هشدار زمانی است که هیچ کس نمی تواند به راحتی توضیح دهد که چرا سیستم تصمیم خاصی گرفته است. "اگر یک تیم مجبور باشد آنچه را که بعد از واقعیت اتفاق افتاده بازسازی کند، حکومت با اتوماسیون همگام نبوده است."

در 4 نوامبر، دکتر رنجیت تینایکار، میزبان «انجمن تأثیر هوش مصنوعی» نیوزویک، با Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، می‌نشیند تا درباره اینکه چگونه شرکت‌های بزرگ پیشرفت‌های هوش مصنوعی را به نتایج تجاری تبدیل می‌کنند، و چرا داده‌های قابل اعتماد و متمایز اهمیت فزاینده‌ای پیدا می‌کنند.

با تکیه بر تجربه Bhathena در S&P Global، FIS Global و CVS Health، این گفتگو بررسی می‌کند که چگونه سازمان‌ها داده‌ها را کنترل و قابل استفاده مجدد می‌کنند، جریان‌های کاری را حول قابلیت‌های جدید طراحی مجدد می‌کنند و سرعت را با اعتماد، امنیت و انعطاف‌پذیری متعادل می‌کنند.

آنها همچنین بررسی خواهند کرد که چگونه رهبران می‌توانند سرمایه‌گذاری‌های فناوری را بر مشکلات مشتری متمرکز نگه دارند و شناسایی کنند که مزیت رقابتی واقعی کجا می‌تواند پدیدار شود.

به بحث زنده چهارشنبه، 4 نوامبر، ساعت 11 صبح به وقت شرقی بپیوندید. رایگان ثبت نام کنید.

انتخابات هوش مصنوعی: چگونه هوش مصنوعی انتخابات میان دوره ای 2026 را شکل داد؟

انتخابات میان دوره ای 2026 در مورد سیاست های نوظهور هوش مصنوعی به ما چه خواهد گفت؟

یک هفته پس از روز انتخابات، گابریل اسنایدر، سردبیر اجرایی نیوزویک، بحثی را با کارشناسان سیاست و خودی‌های واشنگتن که نتایج میان دوره‌ای را از دریچه هوش مصنوعی بررسی می‌کنند، مدیریت خواهد کرد.

در این پنل، Nathaniel Persily، استاد حقوق در دانشکده حقوق استنفورد حضور خواهد داشت. برنت بوکانان، بنیانگذار و مدیر عامل Cygnal؛ نیک پنیمن، بنیانگذار و مدیر عامل شماره یک؛ و اندرو مامو، مشاور ارتباطات در بنچ.

با استفاده از کارت امتیازی سیاست هوش مصنوعی نیوزویک به عنوان نقطه شروع، این پانل بررسی خواهد کرد که کجا سیاست هوش مصنوعی به یک موضوع کمپین تبدیل شده است، چگونه موقعیت ها از خطوط سنتی حزب عبور می کند و چگونه بحث ها در مورد مقررات، مراکز داده، مشاغل، حریم خصوصی و امنیت ملی در رقابت های فردی انجام می شود.

این گفتگو همچنین به نحوه برخورد کمپین‌ها و گروه‌های بیرونی با این موضوعات، از جمله نقش هزینه‌های صنعت، و اینکه نتایج می‌تواند برای مبارزات سیاسی پیش رو معنی داشته باشد، بررسی خواهد کرد.

ثبت نام کنید و به بحث زنده در 10 نوامبر بپیوندید.

هوش مصنوعی سازمانی در دنیای فیزیکی: پیمایش در مرز آشفته زنجیره تامین

انبارها، کارخانه‌ها و شبکه‌های حمل‌ونقل هوش مصنوعی سازمانی را در معرض نوع دیگری از آزمون قرار می‌دهند: تصمیمات دیجیتال پیامدهای فوری در دنیای فیزیکی دارند.

دانکن آنگوو، مدیر اجرایی Blue Yonder، در 19 نوامبر به دکتر رنجیت تینایکار، میزبان "انجمن تاثیر هوش مصنوعی" نیوزویک می‌پیوندد تا درباره وارد کردن سیستم‌های مستقل به طور فزاینده در عملیات زنجیره تامین پیچیده صحبت کند.

این بحث نقش مدل‌های تخصصی را پوشش می‌دهد که شرکت‌های تخصصی باید با خودکار شدن تصمیمات بیشتر حفظ کنند و اینکه آیا اقتصاد فناوری سازمانی می‌تواند به سمت نتایج قابل اندازه‌گیری تجاری مانند بهره‌وری، هزینه‌های عملیاتی و جابجایی کالا حرکت کند.

برای پیوستن به بحث زنده پنجشنبه 19 نوامبر ساعت 12:30 ثبت نام کنید. ET .

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

هوش مصنوعی تمام داستان نشان می‌دهد که تجربه‌های دیجیتال کجا شکسته می‌شوند

Game Lounge، یکی از شرکت‌های وابسته به iGaming که سایت‌های مقایسه و بررسی را اداره می‌کند و کاربران را به اپراتورهای شریک هدایت می‌کند، اغلب دو دقیقه یا کمتر فرصت دارد تا بفهمد بازدیدکننده در یکی از سایت‌هایش چه می‌کند قبل از اینکه آن شخص روی شریک کلیک کند. از آنجایی که شرکت کنترل نمی کند که پس از خروج کاربران چه اتفاقی می افتد، تجزیه و تحلیل سنتی به تیم محصول خود تصویر ناقصی از جایی که مردم گیر کرده اند ارائه می دهد.

Fullstory تعاملات را در صفحات وب Game Lounge ثبت می‌کند، در حالی که ابزار StoryAI آن داده‌های رفتاری را برای نشانه‌های اصطکاک تجزیه و تحلیل می‌کند. این سیستم می‌تواند مشکلاتی مانند کلیک روی عناصری که هیچ کاری انجام نمی‌دهند یا فعل و انفعالاتی که باعث ایجاد خطا می‌شوند را آشکار کند، و به تیم UX کمک می‌کند تا جایی که تجربه نیاز به توجه دارد را شناسایی کند.

Game Lounge زمان اعتبارسنجی سریع‌تر 20 درصدی را برای به‌روزرسانی‌های محصول جدید، همراه با کاهش 70 درصدی کلیک‌های مرده و کاهش 50 درصدی کلیک‌های خطا گزارش کرده است.

گریر گفت: «برای درک کامل یک تجربه دیجیتال، هزاران داده باید جمع‌آوری، پردازش و تجزیه و تحلیل شوند.

درس؟ وقتی یک کسب و کار فقط بخشی از سفر مشتری را می بیند، استخراج معنای بیشتر از تعاملاتی که کنترل می کند ارزشمندتر می شود.

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با من دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ Anthropic اخیرا Claude Duet را راه‌اندازی کرده است، عاملی برای حرفه‌ای‌ها و کسب‌وکارهای کوچک که می‌تواند روی وظایف در پس‌زمینه کار کند، به بیش از 6000 برنامه و سرویس متصل شود و قبل از اقداماتی مانند ارسال پیام، پرداخت یا امضای اسناد به تأیید کاربر نیاز دارد. [انتروپیک]

■ یک نظرسنجی VentureBeat Intelligence نشان داد که 81 درصد از شرکت‌هایی که هوش مصنوعی در تولید دارند، گزارش داده‌اند که از نیمی از ظرفیت GPU خود یا کمتر استفاده می‌کنند، حتی در حالی که اکثر آن گروه برنامه‌ریزی کرده‌اند تا زیرساخت‌های هوش مصنوعی جدید را ظرف یک سال به کار گیرند. [ VentureBeat ]

■ مایکروسافت در حال گسترش Project Perception است تا عوامل هوش مصنوعی را در محیط‌های سازمانی کشف کند، هویت‌ها و مجوزهای جداگانه‌ای را به آن‌ها اختصاص دهد، به طور مداوم ریسک آنها را ارزیابی کند و وقتی رفتار آنها غیرعادی می‌شود، دسترسی را قطع می‌کند. [تاریک خواندن]

■ عوامل هوش مصنوعی به محققان امنیتی کمک کردند تا شناسایی کنند که چگونه از آسیب‌پذیری‌های حیاتی در PHP می‌توان سوءاستفاده کرد و آن‌ها را آزمایش کرد و سازمان‌ها را در سرتاسر جهان ترغیب کرد که وب‌سایت‌ها را اصلاح کنند یا به‌طور موقت آفلاین کنند. [آسوشیتدپرس]

■ رهبران امور مالی هشدار می دهند که خودکار کردن کار حسابداری در سطح ابتدایی می تواند خط لوله را برای کنترل کنندگان آینده، مدیران مالی و مدیران مالی تضعیف کند و شرکت ها را وادار کند که در نحوه ایجاد مهارت های فنی و رهبری کارکنان جدید تجدید نظر کنند. [ ثروت ]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

جو کاستلانوس، که سبد محصولات Bugcrowd، از جمله گسترش آن در تست نفوذ هوش مصنوعی را رهبری می‌کرد، به عنوان معاون محصول به RemoteThreat پیوست و استراتژی و توسعه محصول را برای پلتفرم عملیات سایبری تهاجمی مبتنی بر هوش مصنوعی هدایت کرد.

Vasu Jakkal، معاون سابق امنیت شرکت در مایکروسافت، به عنوان مدیر ارشد استراتژی و کسب و کار، استراتژی پیشرو، مشارکت، موفقیت مشتری و توسعه شرکتی در حالی که شرکت پلت فرم امنیتی مستقل خود را افزایش می دهد، به Armadin پیوست.

جیم فریمن، پس از خدمت به عنوان مشاور ارشد در Permira، به Ticketmaster به عنوان افسر ارشد فناوری، رهبری تحول هوش مصنوعی و ابزارهای عامل، پیوست، در حالی که ریچل اسمیت، از Block، اولین معاون ارشد علم داده و یادگیری ماشین نام گرفت و یک مرکز عالی علم داده ایجاد کرد.

پر جونیور گرایسن، دانشمند ارشد سابق زیست شناسی هوش مصنوعی در BioMap، به عنوان مدیر ارشد هوش مصنوعی به Abiologics پیوسته است و استراتژی هوش مصنوعی و یادگیری ماشینی آن را برای طراحی پروتئین مولد و توسعه درمان های پروتئین D قابل برنامه ریزی رهبری می کند.

پریانکا خارات، معاون سابق و مدیر کل هوش مصنوعی Skylar در ScienceLogic، به عنوان معاون ارشد و رهبر کسب و کار شبکه مستقل هوش مصنوعی Acumen به Ribbon Communications پیوست و باعث رشد AIOps و پلت فرم اتوماسیون آن شد.