Wells Fargo CIO: الذكاء الاصطناعي والتعلم الآلي سيدفعان صناعة الخدمات المالية إلى الأمام

نحن متحمسون لإعادة Remodel 2022 شخصيًا في 19 يوليو ومن 20 إلى 28 يوليو تقريبًا. انضم إلى قادة الذكاء الاصطناعي والبيانات لإجراء محادثات ثاقبة وفرص التواصل المثيرة. سجل اليوم!


الأمر بسيط: In الخدمات المالية، تقدم بيانات العملاء الخدمات والمشورة الأكثر صلة.

ولكن ، في كثير من الأحيان ، يستخدم الناس مؤسسات مالية مختلفة بناءً على احتياجاتهم – رهنهم العقاري بمؤسسة واحدة ؛ بطاقتهم الائتمانية مع بطاقة ائتمان أخرى ؛ هُم الاستثماراتوالادخار والتحقق من الحسابات مع آخر.

وفي الصناعة المالية أكثر من غيرها ، تشتهر المؤسسات بالعزلة. إلى حد كبير لأن الصناعة تنافسية للغاية ومنظمة للغاية ، لم يكن هناك الكثير من الحوافز للمؤسسات لمشاركة البيانات أو التعاون أو التعاون في نظام بيئي.

قال شينتان ميهتا ، رئيس قسم المعلومات ورئيس القسم الرقمي ، إن بيانات العملاء حتمية (أي الاعتماد على مصادر الشخص الأول) ، لذلك مع العملاء “الذين يعيشون عبر أطراف متعددة” التكنولوجيا والابتكار في Wells Fargo.

قال “البيانات المجزأة ضارة في الواقع”. “كيف نحل ذلك كصناعة ككل؟”

أثناء الدفاع عن طرق للمساعدة في حل تحدي بيانات العملاء هذا ، يقوم ميهتا وفريقه أيضًا بالتضمين باستمرار الذكاء الاصطناعي (AI) ومبادرات التعلم الآلي (ML) لتسريع العمليات وتبسيط الخدمات وتعزيز تجارب العملاء.

قال ميهتا: “لا يتعلق الأمر بعلم الصواريخ هنا ، لكن الجزء الصعب هو الحصول على صورة جيدة لاحتياجات العميل”. “كيف نحصل بالفعل على ملف تعريف كامل للعميل؟”

مجموعة من مبادرات الذكاء الاصطناعي للخدمات المالية

نظرًا لأن عملاق الخدمات المالية متعددة الجنسيات البالغ من العمر 170 عامًا يتنافس في صناعة تقدر بنحو 22.5 تريليون دولار تمثل ما يقرب من ربع الاقتصاد العالمي ، فإن فريق ميهتا يتقدم في جهوده حول إدارة المحتوى الذكي والروبوتات والأتمتة الذكية وتقنية دفتر الأستاذ الموزع والذكاء الاصطناعي المتقدم والكم. الحوسبة.

يقود ميهتا أيضًا شراكات الأبحاث الأكاديمية والصناعية في Wells Fargo ، بما في ذلك مع معهد ستانفورد للذكاء الاصطناعي المرتكز على الإنسان (HAI) ، ومختبر منصة ستانفورد ، ومختبر الذكاء الاصطناعي MIT-IBM Watson.

يعتمد فريق ميهتا في عمله على مجموعة من أدوات الذكاء الاصطناعي والتعلم الآلي: النماذج الإحصائية التقليدية ، وشبكات التعلم العميق ، واختبار الانحدار اللوجستي (المستخدم في التصنيف والتحليلات التنبؤية). يطبقون مجموعة متنوعة من الأنظمة الأساسية السحابية الأصلية بما في ذلك Google و Azure ، بالإضافة إلى الأنظمة المحلية (بناءً على منطقة البيانات).

قال ميهتا إن إحدى التقنيات التي يطبقونها هي الذاكرة طويلة المدى. تستخدم هذه الشبكة العصبية المتكررة اتصالات التغذية الراجعة التي يمكنها معالجة نقاط بيانات مفردة وتسلسلات كاملة من البيانات. يقوم فريقه بتطبيق الذاكرة طويلة المدى في معالجة اللغة الطبيعية (NLP) وفهم اللغة المنطوقة لاستخراج النية من الصياغة. وأوضح ميهتا أن أحد الأمثلة هو إدارة الشكاوى ، واستخراج “ملخصات مستهدفة محددة” من الشكاوى لتحديد أفضل مسارات العمل والتحرك بسرعة بشأنها. يتم أيضًا تطبيق تقنيات البرمجة اللغوية العصبية على طلبات نماذج مواقع الويب التي تحتوي على سياق أكثر من تلك الموجودة في اقتراحات القائمة المنسدلة.

يتم تطبيق تقنيات التعلم العميق التقليدية مثل الشبكات العصبية المغذية – حيث تتحرك المعلومات إلى الأمام في حلقة واحدة فقط – على الصورة الأساسية والتعرف على الشخصيات. وفي الوقت نفسه ، قال ميهتا إن تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية – المصممة خصيصًا لمعالجة بيانات البكسل – تُستخدم لتحليل المستندات.

يساعد الأخير في إثبات جوانب معينة من المستندات الممسوحة ضوئيًا المقدمة وتحليل الصور في تلك المستندات للتأكد من أنها كاملة وتحتوي على السمات والمحتويات والتعليقات المتوقعة. (على سبيل المثال ، في نوع معين من المستندات مثل كشف الحساب الجاري ، يُتوقع ستة سمات بناءً على المدخلات المقدمة ، ولكن تم اكتشاف أربع سمات فقط ، مع وضع علامة على المستند للانتباه.) كل هذا يساعد على تبسيط وتسريع العمليات المختلفة قال ميهتا.

بالنسبة للمبادرات القادمة ، يستفيد الفريق أيضًا من خدمة الحوسبة بدون خادم AWS Lamba ، ويطبق نماذج الشبكة العصبية المحولات – التي تُستخدم لمعالجة البيانات المتسلسلة بما في ذلك نص اللغة الطبيعية وتسلسل الجينوم والإشارات الصوتية وبيانات السلاسل الزمنية. يخطط ميهتا أيضًا لدمج خطوط أنابيب ML للغابات العشوائية بشكل متزايد ، وهي تقنية تعلم خاضعة للإشراف تستخدم أشجار قرارات متعددة للتصنيف والانحدار ومهام أخرى.

وقال ميهتا “هذا مجال سيقدم معظم المؤسسات المالية.”

التحسين ، والتسريع ، وسط التنظيم

يتمثل أحد التحديات المهمة التي يواجهها ميهتا وفريقه في تسريع نشر الذكاء الاصطناعي والتعلم الآلي في صناعة شديدة التنظيم.

قال ميهتا: “إذا كنت تعمل في صناعة غير منظمة ، فإن الوقت المستغرق للحصول على مجموعة بيانات من الميزات ثم بناء نموذج فوقها ونشرها في الإنتاج قصير جدًا ، نسبيًا”.

بينما في صناعة منظمة ، تتطلب كل مرحلة تقييم المخاطر الخارجية والمصادقة الداخلية.

قال ميهتا: “نحن نميل أكثر نحو النماذج الإحصائية عندما نستطيع ، وعندما نبني حلولًا كبيرة قائمة على الشبكة العصبية ، فإنها تخضع لقدر كبير من التدقيق”.

وقال إن ثلاث مجموعات مستقلة تقوم بمراجعة النماذج وتحديها – مجموعة مخاطر مستقلة في الخطوط الأمامية ، ومجموعة نموذجية لإدارة المخاطر ، ومجموعة تدقيق. تبني هذه المجموعات نماذج منفصلة لإنشاء مصادر مستقلة للبيانات ؛ تطبيق عمليات لاحقة لتحليل نتائج البيانات التجريبية ؛ التحقق من أن مجموعات البيانات والنماذج في “النطاق الصحيح” ؛ وتطبيق تقنيات لتحديهم.

في المتوسط ​​، ينشر فريق ميهتا من 50 إلى 60 نموذجًا سنويًا ، ويراقب دائمًا إطار عمل البطل والمتحد. يتضمن ذلك المراقبة المستمرة والمقارنة بين الاستراتيجيات المتنافسة المتعددة في بيئة الإنتاج وتقييم أدائها بمرور الوقت. تساعد هذه التقنية في تحديد النموذج الذي يحقق أفضل النتائج (“البطل”) وخيار الوصيف (“المتحدي”).

قال ميهتا إن الشركة لديها دائمًا شيء في الإنتاج ، لكن الهدف هو تقليل وقت الإنتاج باستمرار. لقد قطع قسمه بالفعل خطوات كبيرة في هذا الصدد ، حيث قلل من عملية نمذجة الذكاء الاصطناعي – الاكتشاف في السوق – من 50 أسبوعًا إلى 20 أسبوعًا.

إنه سؤال حول “كيف يمكنك تحسين هذا التدفق الكامل من النهاية إلى النهاية والأتمتة قدر الإمكان؟” قال ميهتا. “الأمر لا يتعلق بنموذج معين للذكاء الاصطناعي. يتحدث بشكل عام ، “ما مقدار الذاكرة العضلية التي لدينا لتقديم هذه الأشياء إلى السوق وإضافة قيمة؟”

وأضاف أن “قيمة ML على وجه التحديد ستكون حول حالات الاستخدام التي لم نفكر فيها حتى الآن.”

تشجيع حوار صناعة الخدمات المالية

بشكل عام ، ستستفيد الصناعة أيضًا بشكل كبير من خلال سد الفجوة الرقمية بين اللاعبين الكبار والصغار. قال ميهتا إن التعاون يمكن أن يساعد في تعزيز “الرؤى الذكية” والارتقاء بالصناعة إلى المستوى التالي من التفاعل مع العملاء.

وقال ميهتا إن هذا يمكن تحقيقه من خلال قدرات مثل الحساب الآمن متعدد الأطراف ومنصات إثبات المعرفة الصفرية – والتي لا توجد اليوم في الصناعة.

الحوسبة الآمنة متعددة الأطراف هي عملية تشفير توزع العمليات الحسابية عبر أطراف متعددة ، لكنها تحافظ على خصوصية المدخلات ولا تسمح للأطراف الفردية برؤية بيانات الأطراف الأخرى. وبالمثل ، فإن تدقيق المعرفة بالتشفير الصفري هو طريقة يمكن من خلالها لأحد الأطراف أن يثبت للطرف الآخر أن بيانًا معينًا صحيح بالفعل ، ولكنه يتجنب الكشف عن أي معلومات إضافية (يحتمل أن تكون حساسة).

وقال ميهتا إن بناء مثل هذه القدرات سيمكن المؤسسات من التعاون ومشاركة المعلومات بأمان دون وجود مشكلات تتعلق بالخصوصية أو فقدان البيانات ، بينما تتنافس في نفس الوقت في نظام بيئي مناسب.

وتوقع أنه في غضون خمس سنوات أو نحو ذلك ، سيكون لدى الصناعة فرضية أكثر ثباتًا حول التعاون واستخدام مثل هذه الأدوات المتقدمة.

وبالمثل ، يحافظ Wells Fargo على حوار مستمر مع المنظمين. كإشارة إيجابية ، تلقى ميهتا مؤخرًا طلبات خارجية من المنظمين حول عمليات وتقنيات الذكاء الاصطناعي / تعلم الآلة – وهو أمر نادرًا ما حدث في الماضي. قد يكون هذا أمرًا بالغ الأهمية ، حيث إن المؤسسات “غير متجانسة إلى حد ما” في استخدامها لأدوات بناء النماذج ، والعملية “يمكن أن تكون أكثر تصنيعًا” ، كما أشار ميهتا.

قال ميهتا: “أعتقد أن هناك الكثير من الحوافز والاهتمام والشهية من جانب المنظمين لفهم هذا بشكل أفضل قليلاً حتى يتمكنوا من التفكير في هذا والتعامل معه أكثر”. “هذا يتطور بسرعة ، وهم بحاجة إلى التطور معه.”

The Information Weblog The place You Get The Information First
VentureBeat

brain2gain