Sektor layanan keuangan memiliki harta karun data. Tak heran industri ini dipenuhi beragam use case kecerdasan buatan dan machine learning yang menjanjikan. Jika diimplementasikan dengan sukses, AI dapat menghasilkan nilai hingga US$2 triliun dalam industri perbankan menurut perkiraan McKinsey. Dalam sebuah webinar baru-baru ini, Shameek Kundu, mantan Group CDO Standard Chartered dan saat ini Chief Strategy Officer di TruEra, menguraikan cara mempercepat nilai AI di Layanan Keuangan.
Shameek menjelaskan bahwa nilai data science dan AI di layanan keuangan dapat dikelompokkan ke dalam tiga kategori utama:
- Pendapatan lebih tinggi melalui peningkatan pengalaman pelanggan dan pengambilan keputusan yang lebih baik
- Menurunkan biaya melalui manajemen risiko yang lebih efektif dan efisiensi operasional yang lebih baik
- Menemukan potensi yang belum tergarap dan model bisnis baru.
Aplikasi AI di layanan keuangan luas namun masih dangkal
Saat ini, banyak proyek AI di layanan keuangan masih berada pada tahap awal, belum mampu mencapai tujuan akhir berupa penerapan penuh karena beragam alasan. Hambatan ini dapat berkisar dari masalah teknis seperti keterbatasan ketersediaan dan kualitas data, hambatan teknologi dalam menerapkan sistem AI—hingga kendala non-teknis seperti kurangnya talenta data dan keterbatasan kepercayaan pada sistem AI.
Mengatasi kurangnya kepercayaan pada sistem AI
Meskipun model machine learning yang kompleks seperti model deep learning dapat memberikan solusi mendalam untuk masalah yang sebelumnya sulit dipecahkan seperti pelipatan protein, model-model ini tidak andal dalam menjelaskan prediksinya.
Kotak hitam ini menimbulkan risiko sosial jika hasilnya diterapkan secara membabi buta dalam keputusan berisiko tinggi seperti anti-pencucian uang dan penilaian kredit. Karena tidak mengetahui bagaimana model kotak hitam menghasilkan prediksi, pengguna akhir sulit mempercayai keluarannya, terutama mengingat insiden menonjol tentang bias dalam sistem AI.
Menurut Shameek, tiga tindakan kunci dapat menumbuhkan kepercayaan pada AI.
Mengurai misteri Machine Learning melalui pendidikan
Pendidikan umum untuk semua Pendidikan adalah strategi jangka panjang untuk mengatasi ketakutan terhadap AI. Saat para pemangku kepentingan internal, regulator, dan pelanggan memperoleh pemahaman umum tentang bagaimana AI memengaruhi mereka, mereka akan lebih mungkin menerima AI.
Pendidikan khusus untuk menutup kesenjangan keterampilan Kurangnya talenta teknis menghambat perusahaan dalam menerapkan sistem AI dalam skala besar. Karena itu, perusahaan yang ingin mengekstrak nilai dari sistem AI harus bersedia merekrut talenta data atau menyediakan pelatihan khusus untuk meningkatkan keterampilan karyawan yang ada.
Membangun pagar pengaman internal untuk sistem AI
Pagar pengaman internal berfungsi sebagai pedoman untuk menerapkan, mengevaluasi, dan memantau sistem AI.
Pagar pengaman ini memiliki tiga komponen utama.
- Serangkaian prinsip panduan yang mendefinisikan batasan tentang apa yang dapat dilakukan AI di dalam perusahaan.
- Pengungkit bagi pemangku kepentingan internal yang memfasilitasi penerapan AI yang aman
- Alat dan teknologi standar untuk mengevaluasi keadilan sistem AI
Gunakan alat dan teknologi untuk meningkatkan kualitas AI
Kesenjangan dalam siklus hidup AI menyebabkan masalah kualitas merembes ke dalam sistem AI. Untungnya, ada alat untuk menguranginya.
Menjelaskan model kotak hitam Bidang explainable AI masih merupakan ranah riset yang aktif. Bidang ini menjanjikan kemampuan membuka kotak hitam, mengurai misteri, dan membangun kepercayaan pada proses pembangkitan prediksi.
Mengatasi rendahnya kualitas data dan label Seorang siswa bisa gagal dalam ujian pada topik yang tidak familiar; model machine learning bisa berkinerja buruk jika dilatih pada data yang salah. Sistem AI dapat gagal jika data yang digunakan untuk melatih sistem AI sangat berbeda dari data yang ditemuinya saat digunakan. Responsible AI Widget Python dari Microsoft dapat membantu mengidentifikasi dan menyelesaikan masalah semacam ini.
Menguji transparansi dan keadilan model Model dapat memiliki bias yang tidak adil terhadap suatu populasi, seperti ras minoritas atau gender tertentu, akibat bias tersembunyi dalam data pelatihan. Solusi open source seperti fairlearn dan AI Fairness 360 dari IBM dapat membantu mengatasi kesenjangan ini.
Kesimpulan
Membangun kepercayaan pada AI di dalam perusahaan membutuhkan kolaborasi dan waktu. Organisasi perlu meningkatkan keterampilan talenta AI dan menyiapkan pengaman untuk keamanan AI, sementara praktisi AI perlu memanfaatkan sepenuhnya alat yang tersedia agar AI adil bagi semua. Hanya ketika AI berhasil meraih kepercayaan penggunanya, sistem AI dapat diadopsi secara luas.
Jika Anda tertarik pada penerapan AI di layanan keuangan, pastikan untuk menyimak webinar on-demand Shameek tentang “Menskalakan Adopsi AI di Layanan Keuangan”. Webinar ini menawarkan wawasan tentang aplikasi AI dan saran praktis untuk mempercepat adopsinya.
