Тъй като използването на изкуствен интелект (AI) в бизнес функциите става все по-разпространено, значението на висококачествените данни, които поддържат градивните елементи на технологията и машинното обучение, става още по-голямо. Изкуственият интелект и машинното обучение драматично променят начина, по който функционират компаниите.

Към днешна дата много финтех организации внедряват AI в различни случаи на употреба, но са съсредоточени предимно върху автоматизирането на основни задачи като:

• потребителското изживяване: чатботовете и виртуалните асистенти, задвижвани от AI, осигуряват поддръжка на потребителите на вътрешни технологични инструменти, както и привличане на клиенти;

• откриване на отклонения в данните: AI може лесно да открие отклонения сред набор от данни, като например уникални колебания в цените или значителна разлика в обема на трансакциите.

Значителни подобрения в прилагането на технологията обаче биха позволили AI приложенията да се използват по по-далновиден начин:

• инвестиционни стратегии: Анализ на пазарните тенденции и историческите данни, за да се помогне за оптимизиране на инвестиционните портфейли;

• оценка и управление на риска: Използване на моделите за машинно обучение за обработка на сложни набори от данни за оценка на риска;

• съответствие и регулаторна отчетност: Автоматизиране на процесите за съответствие, за да се намали рискът от човешка грешка и да се гарантира спазването на регулаторните изисквания.

Симбиоза: Колкото повече се развива AI, толкова повече се нуждае от човека

Предизвикателства при разработването и успешното внедряване на AI

Основата на всички системи за AI е толкова силна, колкото са силни данните, върху които са изградени. Непълни, неточни, остарели или нерелевантни данни създават значителни рискове за надеждността и ефективността на приложенията.  И обратно, добрите данни повишават надеждността на бизнес анализите на всяка компания.

С нарастването на обема на данните, генерирани от бизнеса, поддържането на тяхното качество става все по-голямо предизвикателство, но е от съществено значение за ефективността и растежа на организациите.

Последиците от използването на некачествени данни са мащабни, включително ерозия на доверието на клиентите, неспазване на регулаторните изисквания, финансови и репутационни щети. Освен това лошото качество на масивите може да повлияе на производителността и надеждността на системите за изкуствен интелект, което води до значителни проблеми и потенциални рискове:

• пристрастни и неточни резултати: AI системите, обучени с данни с лошо качество, могат да дадат пристрастни или неверни резултати;

• неправилни решения и риск за сигурността: Погрешни или неточни данни могат да накарат AI системите да вземат погрешни решения, което да има каскаден ефект. Освен това лошото качество на данните може да създаде уязвимости в сигурността, от които злонамерени участници да се възползват.

Арун Чандрасекаран, вицепрезидент анализатор в Gartner, коментира пред CNBC: „До 2025 г. поне 30% от проектите за GenAI ще бъдат изоставени след като има доказателство за концепция заради лошо качество на данните, неадекватен контрол на риска, ескалиращи разходи или неясна бизнес стойност.“

Анатомия на един финтех фалит и защо регулаторите не искат да действат

Компаниите остават предпазливи по отношение на AI

Приоритизирането на качеството на данните в сектора на финансовите услуги е от съществено значение за спазването на изискванията, управлението на риска и вземането на решения, като подобрява операциите чрез точност в реално време и усъвършенствани инструменти.

И все пак, въпреки че много компании изразяват значителен интерес към разширяване на използването на AI, според доклада Impact of Technology on the Workplace на tech.co има и значителна предпазливост. Над две трети (67%) от анкетираните над 1000 бизнес лидери заявяват, че интеграцията на AI в техните компании или остава ограничена, или няма такава.

Особено компаниите за финансови услуги все още са предпазливи по отношение на възможностите и рисковете на технологията. Много от тях са по-склонни да наблюдават и да се учат, отколкото да я прилагат.

Изключение правят много големите банки като JPMorgan Chase, Capital One и Royal Bank of Canada. За тези пазарни лидери пътят вече е очертан, вътрешните съмнения относно качеството на техните данни в по-голямата си част са загърбени и е определена ясна стратегическа визия. Но останалата част от индустрията изостава, главно заради нежеланието за поемане на риск.

„Въпреки потенциала на изкуствения интелект, внедряването му в повечето финансови функции остава ограничено“, казва Марко Стекър, старши директор в практиката на Gartner за финанси. „Тъй като започват да изготвят план за това как най-добре да приоритизират тези допълнителни инвестиции, финансовите директори трябва да си партнират с ръководните си екипи, за да сравнят текущия си напредък с този на колегите си и да идентифицират конкретни препоръки от ранните внедрители за това как най-добре да ускорят използването на AI”.

Цифрова гравитация - данните като възможност и проблем

Силата на AI зависи от качеството на данните

Тъй като организациите продължават да използват AI за постигане на конкурентни предимства, фокусът трябва все повече да се измества към прилагането и поддържането на висококачествени практики за управление на данни. По този начин компаниите могат да намалят рисковете, свързани с тях, като проправят пътя за имплементация на AI решения, които са едновременно иновативни и надеждни.

За да се гарантира, че AI системите са надеждни и отговорни, данните трябва да бъдат:

• точни - да отразяват реалния свят;

• пълни - да разполагат с необходимата информация;

• последователни - да са синхронизирани в цялата организация;

• налични, когато е необходимо;

• валидни - да следват бизнес правилата и да са в определен формат;

• уникални - да няма случаи на дублиране в набора от данни.