Finansal hizmetler sektörü, adeta bir veri hazinesi üzerinde oturuyor. Bu nedenle, sektörde umut vadeden yapay zekâ ve makine öğrenimi kullanım alanlarının bol olması şaşırtıcı değil. Başarıyla hayata geçirildiğinde, McKinsey tahminine göre yapay zekâ bankacılık sektöründe 2 trilyon ABD dolarına kadar değer yaratabilir. Yakın tarihli bir web seminerinde Standard Chartered’ın eski Grup CDO’su ve TruEra’nın mevcut Strateji Direktörü Shameek Kundu, finansal hizmetlerde yapay zekânın değerini nasıl hızlandırabileceğimizi anlattı.
Shameek, finansal hizmetlerde veri bilimi ve yapay zekânın değerini üç ana başlıkta topladı:
- Daha iyi müşteri deneyimi ve daha iyi karar verme yoluyla daha yüksek gelirler
- Daha etkili risk yönetimi ve iyileştirilmiş operasyonel verimlilik yoluyla maliyetlerin düşürülmesi
- Keşfedilmemiş potansiyellerin ve iş modellerinin ortaya çıkarılması.
Finansal hizmetlerde yapay zekâ uygulaması geniş ama yüzeysel
Günümüzde finansal hizmetlerdeki birçok yapay zekâ projesi hâlâ emekleme aşamasında ve çeşitli nedenlerle tam ölçekte devreye alma hedefine ulaşamıyor. Bunlar, sınırlı veri mevcudiyeti ve kalitesi gibi teknik sorunlardan, yapay zekâ sistemlerinin devreye alınmasındaki teknolojik darboğazlara; veri yeteneği eksikliği ve yapay zekâ sistemlerine duyulan sınırlı güven gibi teknik olmayan engellere kadar uzanabilir.
Yapay zekâ sistemlerine duyulan güven eksikliğini gidermek
Derin öğrenme modelleri gibi karmaşık makine öğrenimi modelleri, protein katlanması gibi daha önce çözülemeyen sorunlara derin çözümler sunabilir; ancak öngörülerini açıklama konusunda başarılı değillerdir.
Bu kara kutular, kara para aklamayla mücadele ve kredi puanlaması gibi yüksek riskli kararlarda sonuçlarının körü körüne uygulanması durumunda toplumsal riskler doğurur. Kara kutu modellerin tahminlerine nasıl ulaştığını bilmeyen son kullanıcılar, özellikle de önyargılı yapay zekâ sistemlerine ilişkin yüksek profilli vakalar göz önüne alındığında, çıktılarına güvenmekte zorlanır.
Shameek’e göre, yapay zekâya güveni artırabilecek üç temel eylem var.
Eğitimle Makine Öğrenimini anlaşılır kılın
Herkes için genel eğitim Eğitim, yapay zekâya yönelik korkuyu gidermenin uzun vadeli stratejisidir. İç paydaşlar, düzenleyiciler ve müşteriler yapay zekânın kendilerini nasıl etkilediğini genel hatlarıyla anladıkça, yapay zekâyı kabullenme olasılıkları artar.
Yetenek açığını kapatmak için uzmanlaşmış eğitim Teknik yetenek eksikliği, şirketlerin yapay zekâ sistemlerini ölçekli biçimde uygulamasını engelliyor. Bu nedenle, yapay zekâ sistemlerinden değer elde etmeyi hedefleyen şirketlerin veri yeteneklerini istihdam etmeye veya mevcut çalışanlara uzmanlaşmış eğitim vererek yetkinlik kazandırmaya istekli olmaları gerekir.
Yapay zekâ sistemleri için iç emniyet şeritleri belirleyin
İç emniyet şeritleri, yapay zekâ sistemlerinin uygulanması, değerlendirilmesi ve izlenmesine yönelik yönergeler görevi görür.
Bu emniyet şeritlerinin üç ana bileşeni vardır.
- Bir dizi yol gösterici ilke, şirket içinde yapay zekânın neleri yapabileceğinin sınırlarını tanımlar.
- İç paydaşlar için etkinleştiriciler, yapay zekânın güvenli biçimde uygulanmasını kolaylaştırır
- Standart araçlar ve teknolojiler, yapay zekâ sistemlerini adalet açısından değerlendirir
Yapay zekâ kalitesini artırmak için araç ve teknolojiler kullanın
Yapay zekâ yaşam döngüsündeki boşluklar, kalite sorunlarının yapay zekâ sistemlerine sızmasına neden olur. Neyse ki bunları azaltacak araçlar mevcut.
Kara kutu modelleri açıklamak Açıklanabilir yapay zekâ alanı hâlâ etkin bir araştırma alanıdır. Kara kutuları açma, tahmin üretim sürecini anlaşılır kılma ve güven inşa etme vaadini taşır.
Düşük veri ve etiket kalitesini ele almak Bir öğrenci, aşina olmadığı bir konudan sınavda başarısız olabilir; yanlış verilerle eğitilen bir makine öğrenimi modeli de düşük performans gösterebilir. Bir yapay zekâ sistemi, eğitildiği veriler ile üretimde karşılaştığı veriler arasında büyük farklar varsa başarısız olabilir. Microsoft’un Python Responsible AI Widget’ı bu tür sorunları tespit etmeye ve çözmeye yardımcı olabilir.
Model şeffaflığını ve adaletini test etmek Modeller, eğitildikleri verilerdeki gizli önyargılar nedeniyle bir nüfusa, örneğin bir azınlık ırka veya belirli bir cinsiyete karşı haksız önyargılı olabilir. fairlearn ve IBM’in AI Fairness 360 gibi açık kaynaklı çözümler bu boşlukları gidermeye yardımcı olabilir.
Sonuç
Bir şirket içinde yapay zekâya güven inşa etmek iş birliği ve zaman gerektirir. Kuruluşların, yapay zekâ yeteneklerini geliştirmesi ve yapay zekâ güvenliği için koruyucu önlemler oluşturması gerekirken, yapay zekâ uygulayıcılarının da yapay zekâyı herkes için adil kılmak üzere ellerindeki araçları tam kapasite kullanmaları gerekir. Yapay zekâ kullanıcılarının güvenini başarıyla kazandığında, yapay zekâ sistemleri geniş çapta benimsenebilir.
Finansal hizmetlerde yapay zekânın uygulamalarına ilgi duyuyorsanız, Shameek’in talep üzerine izlenebilen “Finansal Hizmetlerde Yapay Zekâ Benimsenmesini Ölçeklendirmek” başlıklı web seminerini mutlaka inceleyin. Yapay zekânın uygulamalarına dair içgörüler ve benimsenmesini hızlandırmaya yönelik pratik öneriler sunuyor.
