वित्तीय सेवाओं का क्षेत्र डेटा का भंडार है। इसमें कोई आश्चर्य नहीं कि इस उद्योग में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग के अनगिनत आशाजनक उपयोग मामले मौजूद हैं। यदि सफलतापूर्वक लागू किया जाए, तो McKinsey के एक अनुमान के अनुसार AI बैंकिंग उद्योग में 2 ट्रिलियन डॉलर तक का मूल्य उत्पन्न कर सकता है। एक हालिया वेबिनार में, स्टैंडर्ड चार्टर्ड के पूर्व समूह CDO और TruEra के वर्तमान चीफ स्ट्रैटेजी ऑफिसर, शमीक कुंडू ने वित्तीय सेवाओं में AI के मूल्य को तेज करने के तरीकों की रूपरेखा प्रस्तुत की।
शमीक ने समझाया कि वित्तीय सेवाओं में डेटा साइंस और AI का मूल्य तीन बड़े वर्गों में समेटा जा सकता है:
- अधिक राजस्व बेहतर ग्राहक अनुभव और बेहतर निर्णय-निर्माण के माध्यम से
- लागत में कमी अधिक प्रभावी जोखिम प्रबंधन और बेहतर परिचालन दक्षता के जरिए
- अनदेखी संभावनाओं और कारोबारी मॉडलों का पता लगाना।
वित्तीय सेवाओं में AI का उपयोग व्यापक है, पर उथला
आज, वित्तीय सेवाओं में कई AI प्रोजेक्ट अभी प्रारंभिक अवस्था में हैं, और विभिन्न कारणों से पूर्ण परिनियोजन के लक्ष्य तक नहीं पहुँच पाते। ये कारण तकनीकी भी हो सकते हैं—जैसे सीमित डेटा उपलब्धता और गुणवत्ता, AI सिस्टम्स के परिनियोजन में तकनीकी बाधाएँ—और गैर-तकनीकी भी—जैसे डेटा प्रतिभा की कमी और AI सिस्टम्स पर सीमित भरोसा।
AI सिस्टम्स पर भरोसे की कमी को दूर करना
जहाँ जटिल मशीन लर्निंग मॉडल, जैसे डीप लर्निंग मॉडल, प्रोटीन फोल्डिंग जैसी पहले असमाध्य दिखती समस्याओं के गहरे समाधान दे सकते हैं, वहीं वे अपनी भविष्यवाणियों की व्याख्या करने में अच्छे नहीं होते।
यदि ऐसे ब्लैक बॉक्स मॉडलों के परिणामों को अंधाधुंध उच्च-दांव वाले निर्णयों—जैसे एंटी-मनी लॉन्ड्रिंग और क्रेडिट स्कोरिंग—में लागू किया जाए, तो यह सामाजिक जोखिम पैदा करते हैं। यह जाने बिना कि ब्लैक बॉक्स मॉडल अपनी भविष्यवाणी तक कैसे पहुँचते हैं, अंतिम-उपयोगकर्ताओं के लिए उनके आउटपुट पर भरोसा करना कठिन हो जाता है, खासकर पक्षपाती AI सिस्टम्स की चर्चित घटनाओं के मद्देनज़र।
शमीक के अनुसार, तीन प्रमुख कार्य AI में भरोसा बढ़ा सकते हैं।
शिक्षा के माध्यम से मशीन लर्निंग को सरल बनाना
सभी के लिए सामान्य शिक्षा शिक्षा AI के प्रति भय को दूर करने की दीर्घकालिक रणनीति है। जैसे-जैसे आंतरिक हितधारक, नियामक, और ग्राहक यह सामान्य समझ विकसित करते हैं कि AI उनका कैसे प्रभाव डालता है, वे AI को अधिक स्वीकार करने लगते हैं।
कौशल अंतर को दूर करने के लिए विशिष्ट शिक्षा तकनीकी प्रतिभा की कमी कंपनियों को AI सिस्टम्स को बड़े पैमाने पर लागू करने से रोकती है। इसलिए, जो कंपनियाँ अपने AI सिस्टम्स से मूल्य निकालना चाहती हैं, उन्हें या तो डेटा प्रतिभाएँ नियुक्त करने या मौजूदा कर्मचारियों को उन्नत करने के लिए विशिष्ट प्रशिक्षण देने के लिए तैयार रहना चाहिए।
AI सिस्टम्स के लिए आंतरिक गार्डरेल स्थापित करें
आंतरिक गार्डरेल, AI सिस्टम्स के क्रियान्वयन, मूल्यांकन, और निगरानी के लिए दिशानिर्देश का काम करते हैं।
इन गार्डरेल के तीन प्रमुख घटक होते हैं।
- मार्गदर्शक सिद्धांतों का सेट कंपनी के भीतर AI क्या कर सकता है, इसकी सीमाएँ तय करता है।
- आंतरिक हितधारकों के लिए सक्षमकर्ता सुरक्षित रूप से AI लागू करने में सहूलियत देते हैं
- मानक उपकरण और प्रौद्योगिकियाँ AI सिस्टम्स का निष्पक्षता के लिए मूल्यांकन करती हैं
AI की गुणवत्ता सुधारने के लिए टूल्स और तकनीक का उपयोग करें
AI जीवनचक्र में मौजूद खाइयाँ, AI सिस्टम्स में गुणवत्ता-संबंधी समस्याएँ घुसा देती हैं। सौभाग्य से, उन्हें कम करने के लिए टूल्स उपलब्ध हैं।
ब्लैक बॉक्स मॉडल समझाना एक्सप्लेनेबल AI का क्षेत्र अब भी सक्रिय शोध का विषय है। इसमें ब्लैक बॉक्स खोलने, प्रक्रिया को स्पष्ट करने और भविष्यवाणी-निर्माण में भरोसा पैदा करने की क्षमता है।
कमजोर डेटा और लेबल गुणवत्ता का समाधान कोई छात्र अपरिचित विषय पर परीक्षा में असफल हो सकता है; उसी तरह, यदि किसी मशीन लर्निंग मॉडल को गलत डेटा पर प्रशिक्षित किया गया हो, तो उसका प्रदर्शन घट सकता है। यदि प्रशिक्षण के लिए प्रयुक्त डेटा और परिनियोजन के समय मिलने वाला डेटा बहुत अलग हो, तो AI सिस्टम विफल हो सकते हैं। Microsoft का Python Responsible AI Widget ऐसी समस्याओं की पहचान और समाधान में सहायता कर सकता है।
मॉडल की पारदर्शिता और निष्पक्षता का परीक्षण मॉडल, प्रशिक्षण डेटा में छिपे पूर्वाग्रह के कारण, किसी आबादी—जैसे किसी अल्पसंख्यक नस्ल या किसी विशेष लिंग—के प्रति अनुचित पक्षपात दिखा सकते हैं। fairlearn और IBM का AI Fairness 360 जैसे मुक्त-स्रोत समाधान इन खाइयों को संबोधित करने में मदद कर सकते हैं।
निष्कर्ष
किसी कंपनी के भीतर AI में भरोसा बनाना सहयोग और समय मांगता है। संगठनों को AI प्रतिभा को उन्नत करना और AI सुरक्षा के लिए सुरक्षा-उपबंध स्थापित करना चाहिए, जबकि AI पेशेवरों को उपलब्ध टूल्स का पूरा उपयोग कर AI को सभी के लिए निष्पक्ष बनाना चाहिए। तभी, जब AI अपने उपयोगकर्ताओं का भरोसा जीत लेगा, AI सिस्टम्स का व्यापक अपनाव संभव होगा।
यदि आप वित्तीय सेवाओं में AI के उपयोग में रुचि रखते हैं, तो शमीक का ऑन-डिमांड वेबिनार “Scaling AI Adoption in Financial Services” अवश्य देखें। यह AI के उपयोग मामलों पर अंतर्दृष्टि और उसके अपनाव को तेज करने के व्यावहारिक सुझाव प्रदान करता है।