人工智能在银行业中的变革潜力继续带来巨大的机会和重大挑战。根据McKinsey&Company的预测,成功的AI实施可能会使银行的年度运营利润在2000亿英镑至3400亿英镑之间。但是,实现这些收益需要与当前许多机构采用的实施方法根本不同。
金融机构经常以雄心勃勃的行政级驱动目标与AI计划联系,但要在实际执行方面挣扎。尽管广泛采用了综合数据策略和任命首席数据官,但许多银行仍然应对基本的数据挑战。这在很大程度上是由于大量数据分布在不同系统中。公司经常难以合并信息,缺乏单一的真理来源(SSOT)。相反,他们面对同一主题的多个数据集,而没有明确的统一来源来指导他们的决策。
现代化的银行系统需要一种谨慎而有条不紊的方法,就像转向油轮一样。在构建或制定数据策略和体系结构时,突然的变化会破坏整个操作,风险不稳定和失败。这个现实要求采用分阶段的,咬合的变换方法,机构一次系统地重建其建筑一个组件。此方法使客户可以更加控制和有效的方式管理过程,从而确保更可靠的进度和更好的结果。
AI实际应用的一个例子是贷款和抵押贷款批准,强调需要仔细实施。这仍然是一个有争议的领域,因为用于评估或批准融资的模型仍必须进行严格的验证以符合监管标准。这与《欧盟AI法案》对“高风险”等系统的分类相吻合,要求严格的监管要求,包括强大的风险管理系统,数据治理协议和全面的技术文档。
AI提供了广泛范围的用例,从测试框架到对帐和清洁数据,甚至生成代码以帮助构建和扩展数据平台。这些功能通过使用现代建筑,可以在其成本基础上提供更大的灵活性和可变性来降低运营成本。
(Tagstotranslate)金融机构(T)不同系统(T)银行系统(T)数据治理(T)风险管理系统(T)McKinsey&Company(T)有条理的方法(T)安全方法(T)安全协议(T)机构(T)人工智能
关键词: