هوش مصنوعی در صنایع تحت نظارت: BofA و S&P در مورد دستاوردهای بزرگ و خطرات عجله در

مدیر ارشد فناوری و اطلاعات بانک آمریکا گفت یکی از رایج ترین اشتباهات هوش مصنوعی این است که ابتدا به آن دست پیدا کنیم. بانک او همچنین قصد دارد بودجه هوش مصنوعی خود را در سال آینده دو برابر کند.

هاری گوپالکریشنان در نشست AIQ فورچون در نیویورک گفت: «یکی از بزرگ‌ترین اشتباهاتی که ما و دیگران انجام می‌دهیم، عجله کردن به سمت هوش مصنوعی به عنوان راه‌حل است.

گوپالکریشنان با سالی مور، مدیر ارشد مشتری S&P Global و یکی از مدیران Kensho Data & Platforms ظاهر شد. اندرو نوسکا، مدیر تحریریه فورچون، نظارت را بر عهده داشت.

بانک آمریکا: ابتدا ابزارهای ساده

گوپالکریشنان گفت که بانک با آنچه مشتریان نیاز دارند و "موجودی فرآیند" مراحل پشت درخواست های آنها شروع می کند. او گفت که اغلب در برابر هوش مصنوعی تصمیم می گیرد - «بسیار اوقات». یک برنامه تلفن همراه یا یک قانون تصمیم گیری در زمان واقعی می تواند پاسخ بهتری باشد.

هر پروژه هوش مصنوعی نیز از طریق بررسی 16 "ستون" ریسک، از جمله حریم خصوصی، تعصب، تأثیر نیروی کار و مالکیت معنوی را پوشش می دهد. او گفت: «ما یک ربات چت که فقط به لهجه‌های خاصی پاسخ می‌دهد، پیاده‌سازی نمی‌کنیم.

او گفت که این بانک بیش از یک دهه است که از هوش مصنوعی استفاده کرده است و از مدل های کلاهبرداری شروع کرده است. او گفت که دستیار مجازی اریکا 3.6 میلیارد تراکنش را انجام داده است و بدون آن بانک به 11000 نفر دیگر برای پاسخگویی به تماس ها نیاز دارد. بیانیه مطبوعاتی بانک در ماه مارس، تعاملات مشتریان اریکا را بیش از 3.2 میلیارد محاسبه کرد.

احتیاط با هزینه های سنگین همراه است. مدیرعامل برایان مونیهان در سپتامبر گفت که حدود 140 استفاده از هوش مصنوعی 400 میلیون دلار هزینه دارد و 800 میلیون دلار سود دارد و بودجه هزینه های هوش مصنوعی در سال آینده دو برابر خواهد شد.

این هزینه ها با دقت انجام می شود و گوپالکریشنان گفت که بانک مدلی است. یک لایه ارکستراسیون (به‌طور طبیعی Orchestra نامیده می‌شود) وظایف طبقه‌بندی ساده‌ای را به مدل‌های وزن باز تأییدشده که روی پردازنده‌های گرافیکی خود بانک اجرا می‌شوند، و استدلال سخت‌تر را برای مدل‌های اختصاصی ارسال می‌کند. او گفت که این به کنترل هزینه های توکن نیز کمک می کند. او گفت که در مدیریت ثروت، مشاوران اکنون می توانند برای جلسات مشتری در «ثانیه و دقیقه» آماده شوند، کاری که روزها و هفته ها طول می کشید.

در مورد کارگزاران، بانک به سمت خودمختاری عجله نمی کند. او گفت: «در حال حاضر مقدار زیادی آب وجود دارد که باید با عوامل کمکی که در واقع با انسان ها کار می کنند، فشرده شود. با بهبود زیرساخت های کنترلی، بانک بیشتر پیش خواهد رفت.

او همچنین به امنیت پرداخت و گفت که مدل‌های هوش مصنوعی در یافتن آسیب‌پذیری‌های نرم‌افزار بهتر می‌شوند، بنابراین اصلاح و توسعه امن مهم است که آیا شرکتی از هوش مصنوعی استفاده می‌کند یا نه. مخاطرات از هر بانکی فراتر می رود، وی گفت: اگر یک بانک کوچک در جایی مشکل داشته باشد، مردم اعتمادشان را به سیستم مالی از دست می دهند.

S&P: داده ها به عنوان ارز

مور گفت که شرکت 160 ساله او در حال تغییر موقعیت خود است - به شدت و با دقت. او گفت که S&P بزرگترین آژانس رتبه بندی اعتباری و یکی از بزرگترین ارائه دهندگان شاخص در جهان است و بسیاری از داده های مالی آن جریان های کاری تنظیم شده را تغذیه می کند. او گفت: «داده ارز درون هوش مصنوعی است. مشتریان به دقت، استناد، و قابلیت ممیزی و ردیابی به منبع نیاز دارند.

او یک شرط بندی اولیه را اعتبار کرد. او گفت که S&P شرکت هوش مصنوعی Kensho را در سال 2018 خریداری کرد و این به ما "مزیتی داد" و توضیح داد که S&P از آن زمان کنشو را در مرکز تجارت قرار داده است. در 6 جولای، Market Intelligence را به دو واحد تقسیم کرد. اولین مورد، Kensho Data & Platforms، «Kensho Data»، لایه تحویل داده‌های رو به مشتری و هوش مصنوعی را با گروه پلتفرم‌هایی که شامل Capital IQ، Ratings Direct، Visible Alpha و With Intelligence است، جفت می‌کند. واحد دوم Enterprise Solutions است. مارتینا چونگ، مدیر عامل شرکت، گفت: این تغییرات باید از رشد درآمد و حاشیه بهتر حمایت کند.

حدود دو سال پیش، S&P همچنین یک دفتر مشتری اصلی ایجاد کرد که مور رهبری آن را بر عهده دارد تا با مشتریان همکاری نزدیک‌تری داشته باشد. این شرکت دارای یک گروه آزمایشگاهی و متخصصان مستقر در آینده است که با مشتریان روی هوش مصنوعی کار می کنند.

او گفت که S&P به 60000 مشتری در مراحل مختلف پذیرش هوش مصنوعی خدمات ارائه می دهد. با آزمایشگاه‌های هوش مصنوعی مرزی کار می‌کند، داده‌های خود را در مدل‌های زبانی بزرگ و ابزارهای بهره‌وری قرار می‌دهد و اکنون نمایندگان خود را می‌سازد. از کارهای گسترده، مانند آماده‌سازی بانکداران برای جلسات و کتاب‌های تبلیغاتی گرفته تا عوامل تخصصی که برای یک شغل ساخته شده‌اند، استفاده کنید.

او یک مثال زد. یک بانک درجه یک با 8000 بانکدار، مجموعه‌های محتوای S&P را در پلتفرم خود ترکیب می‌کرد. او گفت که S&P به تولید آن "شش برابر سریعتر" کمک کرد و دقت از حدود 60 درصد زمانی که بانک شروع به کار کرد به 98 درصد پس از آن افزایش یافت. (او نام بانک را ذکر نکرد و ارقام متعلق به S&P است.) S&P همچنین یک عامل «سازنده یادداشت اعتباری» ساخته است که انسان ها را در جریان نگه می دارد و بر اعتماد به داده های اساسی تکیه می کند.

او مانند گوپالکریشنان در مورد استفاده از ابزار مناسب برای کار صحبت کرد. او گفت که گزینه قطعی S&P برای مدل‌های زبان یک API است، بنابراین هزینه‌های توکن سنگینی را به همراه نخواهد داشت. "بازیابی تطبیقی ​​داده ها در مقیاس" پیچیده تر هزینه بیشتری دارد. مشتریان همچنین با بودجه های مختلف هزینه داده ها، فناوری و کارایی افراد را می پردازند، بنابراین S&P در مورد طیف وسیعی از نتایج با آنها صحبت می کند.

جایی که راهشان از هم جدا می شود

گوپالکریشنان در پاسخ به این سوال که آیا او هرگز در مقابل هوش مصنوعی انتخاب می کند، گفت که ساده ترین پاسخ اغلب بهترین پاسخ است. او گفت: «هوش مصنوعی همیشه پاسخ درستی نیست.

مور موافقت کرد و سپس موضوع را جلوتر برد. او گفت: "فکر می‌کنم هاری این را خیلی خوب گفته است. این ابزار مناسبی نیست. کمی در مورد اختراع مجدد است." "در اینجا برای چه چیزی می‌خواهم حل کنم؟ و این فناوری می‌تواند مرا به کجا ببرد؟"

در داخل S&P، این به معنای یک دفتر تحول مرکزی است که فن‌آوران و اخیرا عملیات داده را گرد هم می‌آورد.

مور در آخرین دور رعد و برق به "هوش تعبیه شده" اشاره کرد که به گفته او "فرصتی برای فراتر رفتن از مشتریانی که امروز به آنها خدمات می دهید ایجاد می کند."

گوپالکریشنان حرف آخر را زد: «فکر می‌کنم پیش‌بینی نیازهای مشتری و ارائه خدمات به آنها در جایی که هستند، شما را در فضای کالایی متمایز می‌کند.»

برای این داستان، خبرنگاران Fortune از هوش مصنوعی مولد به عنوان یک ابزار تحقیقاتی استفاده کردند. یک ویرایشگر قبل از انتشار صحت اطلاعات را تأیید کرد.

این داستان در ابتدا در سایت Fortune.com منتشر شد