W tej nowej fazie wdrażania sztucznej inteligencji pomysły i modele pilotażowe już nie wystarczają. Coraz częściej zarówno liderzy operacyjni, jak i zarządy chcą widzieć sztuczną inteligencję w produkcji na pełną skalę — wraz z mierzalnymi zwrotami. Okazuje się jednak, że jest to trudniejsze zadanie, niż przewidywano — zwłaszcza w usługach finansowych. Na chwilę obecną 88% projektów AI w przedsiębiorstwach zatrzymuje się przed osiągnięciem produkcji, ponieważ ich istniejąca infrastruktura nie jest w stanie nadążyć za potrzebami danych w czasie rzeczywistym.
W sektorze usług finansowych różnica między „posiadaniem danych” a „generowaniem wartości” często sprowadza się do jednego czynnika: opóźnienia. Podczas gdy wiele instytucji poświęciło ostatnią dekadę na udoskonalanie modeli „lakehouse” dla danych statycznych, najpoważniejsze przypadki wykorzystania sztucznej inteligencji wymagają fundamentalnego przejścia na dane w czasie rzeczywistym lub dane w ruchu.
Podczas niedawnego okrągłego stołu z udziałem ekspertów z IBM i Cloudera poruszono temat głównego wyzwania dla liderów: zrozumienia konieczności tej zmiany i wyboru właściwego partnera architektonicznego. Dyskusja skupiła się na tym, w jaki sposób architektura czasu rzeczywistego wreszcie naprawia „uszkodzone łącze” w sztucznej inteligencji w branży finansowej.
Konieczność zastosowania sztucznej inteligencji w czasie rzeczywistym w usługach finansowych
Motywacja do korzystania z danych w czasie rzeczywistym sięga głębiej niż szybkość techniczna — chodzi o usunięcie ogromnego wycieku operacyjnego. Instytucje finansowe od dawna tolerują „ciemne godziny”, w których dane pozostają bezczynne, czekając na nocne przetwarzanie wsadowe. W ostatnich latach to opóźnienie stało się wadą konkurencyjną.
Koncentracja na natychmiastowym zwrocie z inwestycji: zaplecze administracyjne i dział wsparcia operacyjnego
W najnowszym zestawieniu rozwiązań firma zajmująca się badaniami i doradztwem technologicznym Omdia przeanalizowała przypadki wykorzystania sztucznej inteligencji w czasie rzeczywistym w usługach finansowych, które obejmowały:
Zapobieganie oszustwom i bezpieczeństwo w czasie rzeczywistym
Doświadczenie klienta i lojalność
Pozyskiwanie danych, transformacja i zarządzanie przepływem danych
Modernizację platformy i raportowanie
Zapoznaj się z briefem, aby uzyskać więcej informacji
Podczas gdy generatywna sztuczna inteligencja skierowana do konsumentów w takich obszarach jak doświadczenie klienta i lojalność jest kusząca, dla wielu firm świadczących usługi finansowe najszybszy zwrot z inwestycji trafia do zaplecza administracyjnego i działu wsparcia operacyjnego. Te „mało widoczne” przypadki użycia przekładają się bezpośrednio na ogromny wzrost wydajności.
Operacje bezdotykowe: wykorzystanie sztucznej inteligencji w czasie rzeczywistym do wewnętrznego prognozowania finansowego sprawia, że procesy są w 94–95% jest bezdotykowych.
Ogromna wydajność: automatyzacja agregacji danych w celu skomplikowanego raportowania zmniejsza koszty operacyjne o 30% do 40%
Skala wpływu: w przypadku banków na poziomie korporacyjnym optymalizacje te przekładają się na setki milionów dolarów odzyskanej produktywności
Zaleta współpracy Cloudera i IBM: hybrydowa wydajność i suwerenność
Rosnące koszty operacji w chmurze i intensyfikacja kontroli regulacyjnej sprawiają, że wybór platformy jest strategicznym punktem zwrotnym dla usług finansowych. Podejście Cloudera do suwerenności danych jest ściśle zgodne z rozwiązaniem IBM, nadając priorytet bezpiecznemu, regulowanemu dostępowi nad przepływem danych. Wspólnie tworzą one model federacji na miejscu, który pozwala instytucjom finansowym uzyskiwać dostęp do danych i analizować je w dowolnym miejscu, w którym się znajdują — w głównych systemach bankowych, platformach transakcyjnych, środowiskach chmurowych i kanałach brzegowych — bez konieczności ich przenoszenia. Takie podejście usprawnia wgląd w czasie rzeczywistym, pomagając instytucjom spełniać wymogi regulacyjne, zmniejszać ryzyko operacyjne, stabilizować koszty obliczeniowe i utrzymywać ścisłą kontrolę nad poufnymi danymi finansowymi.
Hybrydowa elastyczność w kontroli kosztów
Sztuczna inteligencja w czasie rzeczywistym w usługach finansowych wymaga „ciągłej dostępności mocy obliczeniowej” do obsługi przypadków użycia, takich jak przetwarzanie płatności, modelowanie ryzyka i operacje handlowe. Podczas gdy środowiska chmurowe oferują elastyczność w zakresie eksperymentów, całkowity koszt posiadania (TCO) w przypadku stabilnych obciążeń o wysokiej przepustowości, takich jak przetwarzanie transakcji lub raportowanie regulacyjne, może być znacznie niższy w infrastrukturze lokalnej. Hybrydowa platforma Cloudera's umożliwia przenoszenie danych i aplikacji, dzięki czemu instytucje mogą uruchamiać obciążenia wrażliwe na opóźnienia oraz kosztochłonne tam, gdzie jest to najbardziej uzasadnione pod względem finansowym i operacyjnym.
Naprawa „uszkodzonego łącza” poprzez zarządzanie
Główną przeszkodą dla sztucznej inteligencji w usługach finansowych jest trudność, jaką napotykają analitycy danych i zespoły ds. ryzyka w odkrywaniu danych w ruchu, zarządzaniu nimi i weryfikacji ich rzetelności. Cloudera rozwiązuje ten problem poprzez rozszerzenie spójnego zarządzania, pochodzenia, katalogowania i kontroli bezpieczeństwa na strumień danych, zapewniając, że dane w czasie rzeczywistym wykorzystywane do podejmowania decyzji są tak samo audytowalne i godne zaufania jak dane w spoczynku. Ma to kluczowe znaczenie dla spełnienia wymogów zgodności z przepisami i wspierania sztucznej inteligencji, którą można wyjaśnić.
Sztuczna inteligencja i suwerenność modeli
Instytucje wykraczają poza wymogi rezydencji danych i wchodzą w erę sztucznej inteligencji oraz suwerenności modeli. Dzięki Cloudera i IBM dane, jak i modele organizacji pozostaną w wymaganych granicach geograficznych lub regulacyjnych — wspierając zgodność ze zmieniającymi się przepisami o ochronie danych oraz regulacjami finansowymi. Podejście to zapobiega opuszczaniu jurysdykcji przez wrażliwe dane przy jednoczesnym zachowaniu wydajności. Ponadto modele IBM Granite zapewniają weryfikowalną, korporacyjną jakość danych, zmniejszając ryzyko związane z nieprzejrzystymi lub niezweryfikowanymi danymi szkoleniowymi.
Droga naprzód: sztuczna inteligencja brzegowa i architektura oparta na zdarzeniach
Aby umożliwić podejmowanie decyzji w czasie rzeczywistym, na przykład w przypadku zapobiegania oszustwom, oceny zdolności kredytowej i walidacji transakcji, instytucje finansowe muszą odejść od przetwarzania wsadowego i przejść na architekturę sterowaną zdarzeniami, opartą na takich technologiach jak NiFi i Flink.
Brzegowa sztuczna inteligencja: przeniesienie procesu decyzyjnego bliżej punktu interakcji (lub „brzegu”) — takiego jak punkt sprzedaży, bankomat lub aplikacja mobilna — umożliwia wykrywanie oszustw i weryfikację transakcji w czasie rzeczywistym. Dzięki temu instytucje mogą powstrzymać nieuczciwą działalność przed zakończeniem transakcji, zamiast identyfikować ją po fakcie.
Małe modele językowe (SLM): Nie każdy przypadek użycia usług finansowych wymaga modelu na dużą skalę. Kompaktowe modele (o parametrach poniżej 10 miliardów) można wdrażać na krawędzi lub w kontrolowanych środowiskach, aby obsługiwać przypadki użycia, takie jak uwierzytelnianie klientów, przetwarzanie dokumentów i kontrole zgodności, zmniejszając opóźnienia, zwiększając prywatność i obniżając koszty infrastruktury.
Zapewnienie przyszłości przedsiębiorstw AI za pomocą danych w czasie rzeczywistym
Era podejścia „Field of Dreams” — budowania ogromnych jezior danych i po prostu oczekiwania, że wartość sama się pojawi — już dawno się skończyła. W usługach finansowych wartość jest mierzona sprawdzonymi wynikami.
Nadszedł czas, aby działać. Dane w czasie rzeczywistym nie są już luksusem, lecz podstawą współczesnej bankowości, płatności, ubezpieczeń i operacji na rynkach kapitałowych. Przekształca statyczne raportowanie w ciągłe podejmowanie decyzji w oparciu o zdarzenia, pozwalając na dynamiczne przepływy pracy, które dostosowują się w czasie rzeczywistym. Wykorzystując hybrydową platformę Cloudera i ofertę danych w ruchu wraz z rozwiązaniem IBM WatsonX do wdrożenia sztucznej inteligencji oraz dostosowując te technologie do jasnych wyników biznesowych, instytucje finansowe mogą przekształcić dane w czasie rzeczywistym w trwałą przewagę konkurencyjną bez utraty kontroli, zarządzania i odporności, których wymaga ten sektor.
