Anil Sood は現在、EY Canada で AI ガバナンス プラクティスを率いています。LinkedIn で彼とつながりましょう。ここで表明されている意見は個人的なものです。
金融サービス業界をリードする銀行は、従来からデジタル変革の最前線に立ち、健全なガバナンス管理を通じて関連する業務リスクを巧みに管理しながら業務効率を高めてきました。銀行業界は常に進化しており、合理化された業務、深い引受専門知識、安価な預金へのアクセス能力を備えているだけでは、もはやリーダーとしての地位を確保するには不十分です。テクノロジーは今や銀行部門の重要な差別化要因であり、顧客サービス、サービスの効率、リスク管理の堅牢性を向上させる可能性を秘めています。これらはすべて、業界のリーダーとして際立つために不可欠な要素です。
銀行は、デジタルバンキング、ロボティックプロセスオートメーション、そして最近ではクラウドコンピューティングなどの従来のテクノロジーの導入において、さまざまなレベルの進歩を見せています。大手銀行やデジタル銀行は、これらの従来のテクノロジーをエコシステムに組み込むことにおいて、目覚ましい進歩を遂げています。とはいえ、中規模および小規模の銀行のかなりの数はまだかなりの距離を進む必要があります。大規模言語モデル (LLM) の出現により、このギャップはさらに広がり、大手銀行がこれらの高度なツールの先駆者として先導し、その地位を固めています。
LLM に投資する主な動機には、生産性と顧客体験の向上、および大幅なコスト削減の可能性が含まれます。ただし、これらの利点には、特にデータのプライバシー、システムの信頼性、実装コストに関する独自の課題が伴うことに注意することが重要です。
大規模な言語モデルは、直接、埋め込み、カスタマイズなど、さまざまなタイプのユースケースで銀行によって活用できます。
直接的なユースケースでは、銀行は OpenAI の ChatGPT などのツールを採用して、迅速なエンジニアリングを通じて会話を充実させることができます。公開されている ChatGPT 3.5 には、暗号化、ネットワーク セキュリティ、データ マスキングなどのセキュリティ対策が十分に講じられていますが、ChatGPT のエンタープライズ バージョンを選択することをお勧めします。GPT 4 に基づくこのエディションは、エンタープライズ グレードのセキュリティとプライバシーを誇ります。これらのプライバシーとセキュリティの制御をさらに強化するために、銀行には 2 つの選択肢があります。1 つ目は、アップロードされる情報を監視する安全なゲートウェイを使用し、知的財産データを保護するためのカスタム コンテンツ フィルタリング システムを追加することです。2 つ目は、プライベート クラウドに ChatGPT の自己完結型のオープンソース インスタンスを展開することです。
組み込みユースケースでは、銀行はシステムまたはアプリケーション内で LLM を採用して、プロセスを合理化し、ユーザー インタラクションを強化し、よりパーソナライズされたエクスペリエンスを提供できます。LLM の組み込みには、その機能をエンタープライズ ソフトウェア アプリケーションに直接統合し、これらのシステムがユーザー インタラクションやさまざまなデータ ソースから自律的に学習できるようにすることが関係します。銀行における組み込み LLM の初期の採用には、顧客サービス プラットフォームのチャットボット、転写および要約ツール、ドキュメントおよびコード作成アシスタントなどのアプリケーションが含まれます。
組み込み LLM 上に構築されたこれらのアプリケーションは、人間の介入なしに独立した決定を下し、タスクを完了できるため、運用効率や従業員の生産性が大幅に向上します。さらに、これらのアプリケーションは、既製のベンダー ツールでも、社内で開発されたアプリでもかまいません。Microsoft Copilot Studio と Einstein Salesforce は、銀行が生成型人工知能 (AI) アシスタントを作成してカスタマイズできるようにし、AI コパイロットと GPT モデルを迅速に評価してカスタマイズできるようにする 2 つのプラットフォームの例です。組み込み LLM のコストは法外なものではありません。しかし、銀行が導入前にその潜在的な用途を検討するには十分な金額です。
カスタマイズされたユースケースへの移行では、事前トレーニング済みのベンダーの大規模言語モデルは、さまざまな種類のコンテンツを生成するのに非常に効果的ですが、主にトレーニングの対象となるデータの範囲が原因で、一定の制限があります。これに対処するために、銀行は、検索拡張生成 (RAG) などの高度な手法を活用し、LLM を微調整してその結果をより適切に制御し、特定のビジネス プロセスに適応させることができます。たとえば、支払いの場合、潜在的な詐欺、サイバー セキュリティの脅威、その他の運用および規制コンプライアンス リスクを評価するには、トランザクションを理解することが不可欠です。同様に、クレジット モニタリング ダッシュボードを構築して、進化するリスクを追跡し、リアルタイムのアラートを生成することができます。既存のベンダーの LLM ソリューションでは、これらの複雑なプロセスの要求を満たすのに十分ではない可能性があるため、銀行は事前トレーニング済みの LLM をカスタマイズする必要があります。
まとめると、世界中の銀行機関は、LLM に関する技術の進歩を注意深く監視するだけでなく、これらの進歩を積極的に活用してリスク管理を改善し、業務効率を高める必要があります。
銀行は、直接、組み込み、カスタマイズの 3 つのユースケースのそれぞれによって駆動される自動化に多額の投資を行うことができますが、潜在的な運用リスクには注意する必要があります。これには、大規模な言語モデルの採用によって予期しない結果として生じる可能性のある偏見、プライバシー、サイバーセキュリティ、サードパーティのリスクなどの問題が含まれます。したがって、銀行はこれらのリスクに対抗するために堅牢な制御を実装する必要があります。
間違いなく、大規模言語モデルの世界ではイノベーションが今後も繁栄し、持続し、銀行は金融セクターでの大規模言語モデルの導入を推進する最前線に立ち続けるでしょう。
ここで提供される情報は、投資、税金、財務に関するアドバイスではありません。特定の状況に関するアドバイスについては、資格のある専門家に相談してください。
Forbes Finance Council は、成功している会計、財務計画、資産管理会社の幹部のみを対象とした招待制の組織です。私は参加資格がありますか?
