شش لایه عملیاتی که هر بانک محلی قبل از استقرار اتوماسیون هوش مصنوعی در وامدهی، انطباق و خدمات مشتری به آنها نیاز دارد
روشی برای شش لایه عملیاتی که هر بانک محلی قبل از استقرار اتوماسیون هوش مصنوعی در وامدهی، انطباق و خدمات مشتری به آنها نیاز دارد.
اکثر بانکهای محلی استقرار هوش مصنوعی را به عنوان یک مشکل انتخاب فروشنده در نظر میگیرند، در حالی که در واقع این یک مشکل آمادگی عملیاتی است. فروشندگانی که هوش مصنوعی آماده به کار را برای بانکهای محلی پیشنهاد میکنند، به ندرت اشاره میکنند که خود بانک باید دارای لایههای عملیاتی خاصی باشد تا فناوری هر فروشندهای بتواند افزایش قابل توجهی را ایجاد کند. اتوماسیون هوش مصنوعی برای بانکهای محلی زمانی که بانک قبل از آماده شدن زیرساخت عملیاتی خود اقدام به استقرار میکند، به طور قابل پیشبینی شکست میخورد و زمانی که بانک ابتدا در لایههای بنیادی سرمایهگذاری میکند و سپس استقرار هوش مصنوعی را دنبال میکند، به طور قابل پیشبینی موفق میشود.
این روش شش لایه عملیاتی را که هر بانک محلی قبل از استقرار هوش مصنوعی در وامدهی، انطباق و خدمات مشتری به آنها نیاز دارد، بررسی میکند. هر لایه به یک شکاف آمادگی خاص میپردازد که در صورت عدم رفع از پیش، استقرار هوش مصنوعی را با شکست مواجه میکند. این چارچوب به مدیران عملیاتی (COO)، مدیران ارشد فناوری اطلاعات (CIO) و مدیران ارشد انطباق یک توالی روشن برای ساختن زیربنای عملیاتی میدهد که به استقرار هوش مصنوعی اجازه میدهد واقعاً افزایشهایی را که دموهای فروشنده پیشنهاد میکردند، تولید کند.
لایه اول: یک نقشه فرآیند مستند برای هر گردش کاری هدفگذاری شده برای اتوماسیون
اولین لایه عملیاتی یک نقشه فرآیند مستند برای هر گردش کاری است که بانک قصد دارد آن را خودکار کند. بانکهایی که از این لایه صرف نظر میکنند، معمولاً پس از استقرار متوجه میشوند که هوش مصنوعی در حال خودکارسازی یک گردش کاری است که تیم عملاً دنبال نمیکند، با تغییرات قابل توجهی بین اعضای کارکنان در نحوه اجرای گردش کار. این تغییر تا زمانی که هوش مصنوعی آن را با تولید نتایج ناسازگار که تیم نمیتواند توضیح دهد، آشکار کند، نامرئی است.
نقشه فرآیند باید گردش کار واقعی را ثبت کند، نه گردش کاری که راهنمای رویهها توصیف میکند. اکثر راهنماهای رویههای بانکهای محلی گردش کارهایی را توصیف میکنند که سالهاست دنبال نشدهاند، با گردش کار واقعی که از طریق تصمیمات غیررسمی کارکنان که هرگز مستند نشدهاند، تکامل یافته است. قویترین استقرارها با یک ممیزی گردش کار شروع میشوند که عملکرد واقعی را با رویه مستند شده مقایسه میکند، با تحلیل شکافی که نقشه فرآیند را برای اتوماسیون هوش مصنوعی هدایت میکند.
نقشه فرآیند همچنین باید مدیریت استثنا را ثبت کند، که معمولاً مهمترین منبع تغییر در گردش کارهای بانکهای محلی است. یک گردش کار اعطای وام ممکن است در حالت استاندارد ساده به نظر برسد و دهها مسیر استثنایی را پنهان کند که افسران وام با تجربه آنها را از طریق قضاوت خود مدیریت میکنند. استقرار هوش مصنوعی که فقط مسیر استاندارد را خودکار میکند، مدیریت استثناها را در دست تیم میگذارد بدون اینکه ابزارهای لازم را برای مدیریت کارآمد استثناها به آنها بدهد، که اغلب منجر به کاهش خالص میشود.
قویترین نقشههای فرآیند شامل نقاط تصمیمگیری صریح، دادههای مورد نیاز هر تصمیم و معیارهایی است که نتیجه را تعیین میکنند. این سطح از جزئیات چیزی است که به استقرار هوش مصنوعی اجازه میدهد موارد استاندارد را بهطور خودکار مدیریت کند در حالی که استثناها را با تمام زمینههای مورد نیاز بررسیکننده به بازرسان انسانی ارجاع میدهد. نقشههای فرآیندی که فاقد این جزئیات هستند، معمولاً استقرار هوش مصنوعی را تولید میکنند که یا بیش از حد تهاجمی یا بیش از حد نادر تشدید میشود، و هیچ یک از این الگوها افزایش عملیاتی مطلوب را تولید نمیکند.
لایه دوم: یک موجودی داده که در آن هر فیلد مورد نیاز واقعاً وجود دارد
لایه عملیاتی دوم یک موجودی داده است که در آن هر فیلد دادهای که هوش مصنوعی به آن نیاز دارد، واقعاً در سیستمهای بانک قرار دارد. اکثر بانکهای محلی در طول استقرار هوش مصنوعی متوجه میشوند که دادههایی که فرض میکردند به راحتی در دسترس هستند، در واقع در چندین سیستم پراکنده شدهاند، با قالببندی ناسازگار و منابع معتبر نامشخص. موجودی داده این شکاف را قبل از استقرار، و نه در طول آن، برطرف میکند.
این موجودی باید سیستم منبع حقیقت را برای هر فیلد داده، کانال یکپارچهسازی که فیلد را به سیستمهای خارجی نمایش میدهد، و ویژگیهای تاخیر آن کانال شناسایی کند. فیلدی که در سیستم اصلی وجود دارد اما فقط از طریق بهروزرسانیهای دستهای شبانه قابل دسترسی است، اساساً با فیلدی که از طریق تماسهای API در لحظه قابل دسترسی است، متفاوت است و استقرار هوش مصنوعی باید بر این اساس طراحی شود. بانکهایی که ویژگیهای تاخیر را نادیده میگیرند، معمولاً استقرارهایی را میسازند که در آزمایشها کار میکنند و در تولید شکست میخورند.
این موجودی همچنین باید به کیفیت دادهها بپردازد، که در سیستمهای بانکهای محلی به طور قابل توجهی متفاوت است. یک فیلد که ظاهراً در هسته اصلی وجود دارد، ممکن است فقط پنجاه درصد مواقع پر شده باشد، با مقادیر از دست رفته که باعث میشود هوش مصنوعی خروجیهای غیرقابل اعتمادی تولید کند. قویترین موجودیها شامل معیارهای کیفیت داده برای هر فیلدی است که هوش مصنوعی مصرف خواهد کرد، با مدیریت صریح برای فیلدهایی که کیفیت آنها برای پشتیبانی از تصمیمات خودکار بسیار پایین است.
موجودی داده اغلب سرمایهگذاریهای یکپارچهسازی را که بانک قبل از عملی شدن استقرار هوش مصنوعی باید انجام دهد، مشخص میکند. یک بانک که یک هسته اصلی قدیمی را اداره میکند، ممکن است نیاز به سرمایهگذاری در یک لایه تکرار داده تقریبا در زمان واقعی داشته باشد تا هر گونه استقرار هوش مصنوعی بتواند با تاخیر قابل قبول به دادهها دسترسی پیدا کند. بانکهایی که این سرمایهگذاری را به تعویق میاندازند، معمولاً در طول استقرار متوجه میشوند که معماری که امیدوار بودند بسازند، در برابر زیرساخت دادههای فعلی آنها عملی نیست.
لایه سوم: یک چارچوب حاکمیتی که تعریف میکند چه کسی صاحب چه چیزی است
لایه عملیاتی سوم یک چارچوب حاکمیتی است که تعریف میکند چه کسی صاحب چه چیزی در سراسر استقرار هوش مصنوعی است. چارچوب حاکمیتی باید به مالکیت مدل، مالکیت داده، مالکیت استثنا و حقوق تصمیمگیری برای عملیات روزمره و واکنش به حادثه بپردازد. بانکهایی که بدون چارچوبهای حاکمیتی استقرار پیدا میکنند، معمولاً شکافهای مالکیتی ایجاد میکنند که تنها زمانی آشکار میشوند که مشکلی پیش میآید، که در آن زمان نبود مالکیت واضح قبلاً باعث خسارت شده است.
مالکیت مدل از پرسشهای حاکمیتی است که بیشتر اوقات نادیده گرفته میشود. هر مدل هوش مصنوعی در استقرار نیازمند یک مالک است که مسئول عملکرد آن باشد، مسئول نظارت بر آن باشد و مجاز به بازآموزی یا جایگزینی آن باشد. مالک معمولاً یک رهبر تجاری است نه یک متخصص فناوری، زیرا مدل به یک گردش کار تجاری خدمت میکند تا به عنوان یک artifact فنی وجود داشته باشد. بانکهایی که مالکیت مدل را به بخش فناوری اطلاعات واگذار میکنند، معمولاً مدلهایی را به دست میآورند که در عملکرد تجاری دچار انحراف میشوند زیرا هیچ رهبر تجاری بر آنها نظارت نمیکند.
مالکیت دادهها تعریف میکند که چه کسی اختیار تایید تغییرات در دادههایی را دارد که هوش مصنوعی مصرف میکند. تغییر در یک فیلد اصلی که هوش مصنوعی به آن وابسته است، میتواند به طور خاموش استقرار را خراب کند اگر مالکیت دادهها شامل اطلاعرسانی سیستمهای وابسته نباشد. قویترین چارچوبهای حاکمیت، هوش مصنوعی را به عنوان یک مصرفکننده پاییندستی در نظر میگیرند که باید از هرگونه تغییر بالادستی مطلع شود، با فرآیندهای روشن برای ارزیابی تأثیر تغییرات پیشنهادی قبل از اجرا.
مالکیت استثنا تعریف میکند چه کسی موارد ارتقا یافته توسط هوش مصنوعی را مدیریت میکند. مالک استثنا باید اختیار اتخاذ تصمیمی را داشته باشد که هوش مصنوعی نتوانسته، دسترسی به تمام زمینههایی که هوش مصنوعی جمعآوری کرده، و ابزار مستندسازی برای ثبت تصمیم به گونهای که بازرسان بتوانند آن را بررسی کنند. بانکهایی که استثناها را بدون مالکیت واضح مسیریابی میکنند، معمولاً کشف میکنند که استثناها به طور ناسازگار یا بدتر از آن، نادیده گرفته میشوند.
لایه چهارم: یک چارچوب انطباق که ملاحظات بازرسی را از ابتدا در خود جای میدهد
لایه عملیاتی چهارم، یک چارچوب انطباق است که ملاحظات بازرسی را از همان ابتدا، یعنی از اولین تصمیم طراحی، در استقرار هوش مصنوعی ادغام میکند، به جای اینکه بعداً به صورت اصلاحی آنها را اعمال کند. بانکهایی که ملاحظات انطباق را به تعویق میاندازند، معمولاً متوجه میشوند که استقرار ساخته شده توسط آنها نمیتواند مستنداتی را که بازرسان انتظار دارند، تولید کند، که این امر پس از اولین دوره بازرسی، به بازسازی پرهزینه منجر میشود.
چارچوب انطباق باید به مدیریت ریسک مدل تحت SR 11-7 و OCC 2011-12، آزمایش وامدهی منصفانه برای هر هوش مصنوعی که در تصمیمات وامدهی استفاده میشود، قابلیت ممیزی BSA AML برای هر هوش مصنوعی که در تولید هشدار یا پیشنویس SAR استفاده میشود، و انطباق حمایت از مصرفکننده برای هر هوش مصنوعی که در کانالهای ارتباط با مشتری استفاده میشود، بپردازد. هر یک از این رژیمهای نظارتی انتظارات مستندسازی خاصی دارند که باید در طراحی استقرار گنجانده شوند، نه اینکه پس از آن اضافه شوند.
مدیریت ریسک مدل نیازمند اعتبار سنجی مدل مستند، نظارت مستمر بر عملکرد و شواهد واضحی است که بانک محدودیتهای هر مدلی را که مستقر میکند، درک میکند. قویترین استقرارها مستندات مدل را مستقیماً در زیرساخت عامل تعبیه میکنند، با شواهد اعتبار سنجی و معیارهای نظارتی که به عنوان خروجیهای استاندارد استقرار تولید میشوند، نه به عنوان مصنوعات دستی که قبل از هر بازرسی جمعآوری میشوند.
تست وامدهی منصفانه نیازمند مقایسه دورهای تصمیمات وامدهی مبتنی بر هوش مصنوعی با گروههای جمعیتی برای شناسایی الگوهای تأثیر نابرابر است. این تست باید به صورت مستمر انجام شود و نه یک کار یکباره، با ریتمی که با حجم و ریسک گردش کار وامدهی تنظیم شده است. بانکهایی که تست وامدهی منصفانه را تا زمان بروز شکایت به تعویق میاندازند، معمولاً مشکل را تنها پس از ایجاد آسیب واقعی به وامگیرندگان و یافتههای بازرسی برای مؤسسه، کشف میکنند.
قابلیت ممیزی BSA AML مستلزم آن است که هر تصمیم مبتنی بر هوش مصنوعی در گردش کار هشدار یا SAR توسط بازرسان که پس از رویداد پرونده را بررسی میکنند، قابل بازتولید باشد. بازتولید باید شامل دادههایی که هوش مصنوعی در نظر گرفته است، نسخه مدلی که خروجی را تولید کرده است، و بررسی انسانی که توصیه هوش مصنوعی را تایید یا لغو کرده است، باشد. بانکهایی که فاقد این قابلیت ممیزی هستند، معمولاً با یافتههای بازرسی روبرو میشوند که آنها را مجبور به بازگرداندن استقرار هوش مصنوعی میکند.
انطباق با حفاظت از مصرفکننده برای هوش مصنوعی در کانالهای ارتباط با مشتری مستلزم آن است که هوش مصنوعی هرگز تخلف UDAAP را تولید نکند، هرگز نمایندگیهایی را که Reg E یا Reg Z را نقض میکنند، ارائه نکند، و همیشه در صورت لزوم، افشاهای دقیق را ارائه دهد. قویترین استقرارها، بررسی انطباق را در طراحی عامل تعبیه میکنند، نه اینکه به هوش مصنوعی برای دانستن قوانین تکیه کنند، با تیم انطباق که خروجیهای عامل را قبل از رسیدن به مشتریان اعتبارسنجی میکند.
لایه پنجم: یک چارچوب مدیریت فروشنده که فروشندگان هوش مصنوعی را به عنوان ریسک درجه یک در نظر میگیرد
لایه عملیاتی پنجم یک چارچوب مدیریت فروشنده است که فروشندگان هوش مصنوعی را به عنوان ریسک درجه یک در نظر میگیرد، با همان دقتی که بانک برای فروشنده اصلی بانکی یا فروشنده انطباق خود اعمال میکند. فروشندگان هوش مصنوعی دارای ریسک تمرکز، ریسک مدل، و ریسک تداوم عملیاتی هستند که چارچوبهای مدیریت فروشنده سنتی اغلب آنها را نادیده میگیرند، که به این معنی است که اکثر بانکهای محلی قبل از استقرار هوش مصنوعی در مقیاس معنیدار، باید رویکرد مدیریت فروشنده خود را بهروزرسانی کنند.
چارچوب باید به ثبات مالی فروشنده بپردازد، زیرا فروشندگان هوش مصنوعی شامل هر دو شرکت تثبیتشده با سرمایه کافی و استارتآپهای با پشتیبانی سرمایه ریسکپذیر هستند که ادامه فعالیت آنها تضمین نشده است. بانکهایی که گردش کارهای حیاتی را بر روی یک فروشنده با ثبات مالی نامشخص مستقر میکنند، معمولاً ریسک را تنها زمانی کشف میکنند که فروشنده خریداری، تغییر رویکرد یا تعطیل شود. قویترین چارچوبها شامل برنامهریزی اضطراری صریح برای شکست فروشنده، با مسیرهای مشخص برای انتقال گردش کارهای حیاتی در صورت عدم دسترسی فروشنده است.
این چارچوب باید به تداوم مدل بپردازد، چرا که فروشندگان هوش مصنوعی به طور مرتب مدلهای زیربنایی محصولات خود را بهروزرسانی یا منسوخ میکنند. یک بهروزرسانی مدل که عملکرد متوسط را بهبود میبخشد، میتواند در عین حال عملکرد در موارد خاصی را که بانک به آنها وابسته است، کاهش دهد، که بانک باید از طریق پایش مستمر آن را تشخیص دهد، نه اینکه از طریق شکایات مشتری یا یافتههای بازرسی آن را کشف کند. قویترین چارچوبها نیازمند اطلاعرسانی توسط فروشنده در مورد تغییرات مدل با زمان کافی برای بانک جهت اعتبارسنجی عملکرد مداوم است.
این چارچوب باید به مدیریت دادهها بپردازد، زیرا فروشندگان هوش مصنوعی اغلب دادههای بانکی را از طریق سیستمهای خارجی پردازش میکنند که ملاحظات حریم خصوصی و امنیت دادهها را ایجاد میکنند که بانک باید آنها را مدیریت کند. قویترین چارچوبها شامل توافقنامههای صریح مدیریت داده است که به چگونگی پردازش دادهها توسط فروشنده، محل ذخیرهسازی دادهها، چه کسی به آنها دسترسی دارد، و چه اتفاقی برای دادهها در هنگام پایان رابطه با فروشنده رخ میدهد، میپردازند. بانکهایی که این توافقنامهها را به تعویق میاندازند، معمولاً شکافهای انطباق را در حین بازرسی کشف میکنند.
چارچوب همچنین باید به خروج بپردازد. هر رابطه با فروشنده هوش مصنوعی در نهایت پایان خواهد یافت، چه از طریق انتخاب بانک، شکست فروشنده یا بازنگری استراتژیک. شرایط خروج تعیین میکند که آیا بانک میتواند استقلال عملیاتی خود را بازیابی کند یا اینکه به فروشندهای که ترجیح میدهد ترک کند، وابسته خواهد ماند. قویترین چارچوبها شرایط خروج را از پیش مذاکره میکنند، با بندهای واضح برای بازگشت دادهها، انتقال دانش و تداوم عملیاتی در طول انتقال.
لایه ششم: یک چارچوب آمادگی عملیاتی که تعریف میکند چه چیزی باید قبل از راهاندازی وجود داشته باشد
لایه عملیاتی ششم یک چارچوب آمادگی عملیاتی است که تعریف میکند چه چیزی باید قبل از فعال شدن هر گونه استقرار هوش مصنوعی وجود داشته باشد. این چارچوب از شایعترین علت شکست استقرار هوش مصنوعی، که راهاندازی قبل از پایداری زیرساخت عملیاتی آن است، جلوگیری میکند. بانکهایی که چارچوب آمادگی عملیاتی را به کار میگیرند، معمولاً دیرتر از آنچه در ابتدا برنامهریزی کرده بودند راهاندازی میشوند و به طور قابل توجهی بیشتر از بانکهایی که زودتر راهاندازی کردهاند، افزایش عملکرد تولید میکنند.
چارچوب باید معیارهای آمادگی را برای هر لایه از استقرار تعریف کند، از جمله زیرساخت فنی، خطوط لوله داده، منطق عامل، آموزش بازرس انسانی، ابزارهای نظارتی، و رویههای واکنش به حادثه. هر معیار نیاز به یک آزمون عینی دارد که قبل از راهاندازی قابل تأیید باشد، با تصمیمات روشن برای ادامه یا توقف، نه ارزیابیهای مبهم. بانکهایی که بر اساس ارزیابیهای ذهنی آمادگی راهاندازی میشوند، معمولاً قبل از اینکه زیرساخت واقعاً آماده باشد، راهاندازی میشوند.
این چارچوب همچنین باید یک دوره حالت سایه را تعریف کند که در طی آن هوش مصنوعی بر روی دادههای تولید اجرا میشود بدون اینکه بر تصمیمات تولید تأثیر بگذارد، و تیم خروجیهای هوش مصنوعی را با خروجیهای انسانی مقایسه میکند تا دقت را اعتبارسنجی کند. دوره حالت سایه معمولاً بسته به پیچیدگی گردش کار، چهار تا دوازده هفته طول میکشد، با آستانههای مشخصی که هوش مصنوعی باید آنها را پاک کند تا اجازه تأثیر بر تصمیمات تولید را داشته باشد. بانکهایی که حالت سایه را نادیده میگیرند، معمولاً مشکلات دقت را در تولید کشف میکنند که باید در طول حالت سایه گرفته میشدند.
TFSF Ventures روش استقرار 30 روزه خود را بر اساس این مدل آمادگی عملیاتی ساخته است، به طوری که فاز اول بر ارزیابی آمادگی بانک در هر شش لایه عملیاتی متمرکز است و فازهای بعدی به منظور رفع شکافهای آمادگی قبل از استقرار زیرساخت عامل در تولید، توالیبندی شدهاند. قیمتگذاری TFSF Ventures FZ-LLC برای این تعاملات انعکاسی از کار ارزیابی مورد نیاز از قبل است، با سرمایهگذاریهای استقرار که از دهها هزار دلار کم برای مجموعههای عامل متمرکز شروع میشوند و با پیچیدگی یکپارچهسازی و دامنه عملیاتی مقیاسپذیر هستند.
رویکرد TFSF شامل یک هزینه جداگانه عبور از زیرساخت هوش مصنوعی از Pulse AI تقریباً چهارصد تا پانصد دلار در ماه با هزینه و بدون سهم سود است، و مشتری مالک کد مستقر شده در پایان قرارداد است. بانکهایی که به دنبال بررسیهای TFSF Ventures هستند معمولاً اطلاعات عمومی محدودی را به دلیل طراحی نمییابند، زیرا شرکت تحت محرمانگی شدید مشتری فعالیت میکند، اما مشروعیت آن را میتوان از طریق RAKEZ License 47013955 در ثبت منطقه اقتصادی رأسالخیمه تأیید کرد. روش استقرار به طور صریح برای جلوگیری از شکافهای آمادگی عملیاتی طراحی شده است که باعث میشود اکثر استقرارهای هوش مصنوعی در شش ماه اول شکست بخورند.
چرا ترتیببندی به اندازه خود لایهها اهمیت دارد
ساختن هر شش لایه به صورت موازی معمولاً با شکست مواجه میشود، زیرا لایهها به روشهایی به یکدیگر وابسته هستند که کار موازی را بینتیجه میسازد. نقشههای فرآیند به موجودی داده بستگی دارند، چارچوب حاکمیت به نقشههای فرآیند بستگی دارد، چارچوب انطباق به چارچوب حاکمیت بستگی دارد، چارچوب مدیریت فروشنده به چارچوب انطباق بستگی دارد، و چارچوب آمادگی عملیاتی به هر پنج لایه قبلی بستگی دارد. بانکهایی که سعی میکنند همه چیز را به صورت موازی بسازند، معمولاً با بازسازی لایههای اولیه به عنوان لایههای بعدی که فرضیاتی را که ثابت نشدهاند Surface میکنند، مواجه میشوند.
قویترین ترتیببندی، لایهها را به ترتیب میسازد، به طوری که هر لایه قبل از شروع لایه بعدی به طور کامل تکمیل شود. این رویکرد ترتیبی طولانیتر از آنچه کار موازی به نظر میرسد، طول میکشد، اما زیرساختی را تولید میکند که واقعاً از استقرار هوش مصنوعی پشتیبانی میکند، به جای اینکه زیر آن فرو بریزد. بانکهایی که این ترتیب را دنبال میکنند، معمولاً در عرض نه تا دوازده ماه از شروع کار بنیادی به آمادگی استقرار هوش مصنوعی میرسند، و خود استقرار هوش مصنوعی سه تا شش ماه دیگر طول میکشد.
بانکها هنگام حذف لایهها چه اشتباهاتی مرتکب میشوند
بانکهایی که از لایههای عملیاتی صرف نظر کرده و مستقیماً به استقرار هوش مصنوعی میپردازند، معمولاً اشتباه خود را شش تا دوازده ماه بعد، زمانی که استقرار نتایج ناسازگار، یافتههای بازرسی یا حوادث عملیاتی صریح را تولید میکند، کشف میکنند. اصلاحات معمولاً مستلزم بازگشت و ساختن لایهها به صورت گذشتهنگر است، در حالی که همزمان تلاش میشود استقرار را در حال اجرا نگه داشت. این کار گذشتهنگر به طور قابل توجهی گرانتر از ساختن لایهها از ابتدا است و دارای ریسک عملیاتی است که کار از ابتدا ندارد.
شایعترین الگوی شکست، استقرار هوش مصنوعی بر روی یک نقشه فرآیند ناکافی است، که هوش مصنوعیای را تولید میکند که گردش کارهایی را خودکار میکند که تیم واقعاً دنبال نمیکند. خروجیهای هوش مصنوعی از نظر فنی با توجه به گردش کار مستند شده صحیح هستند اما از نظر عملیاتی با توجه به گردش کار واقعی اشتباه هستند، و شکاف به عنوان رفتار ناسازگار کارکنان آشکار میشود که بانک نمیتواند آن را توضیح دهد. اصلاح نیازمند بازگشت و ترسیم صحیح گردش کار واقعی و سپس پیکربندی مجدد هوش مصنوعی برای مطابقت است.
دومین الگوی شکست رایج، استقرار هوش مصنوعی بدون زیرساخت دادهای کافی است، که هوش مصنوعیای را تولید میکند که از دادههای مورد نیاز برای عملکرد قابل اعتماد محروم است. دقت هوش مصنوعی با آشکار شدن مسائل کیفیت دادهها کاهش مییابد و تیم قبل از حل مسائل زیربنایی دادهها، اعتماد خود را به استقرار از دست میدهد. اصلاح نیازمند بازگشت و ساختن زیرساخت دادهای است که باید قبل از استقرار وجود میداشت.
سومین الگوی شکست رایج، استقرار هوش مصنوعی بدون ادغام چارچوب انطباق است، که هوش مصنوعیای را تولید میکند که نمیتواند مستندات مورد انتظار بازرسان را تولید کند. اولین دوره بازرسی این شکاف را آشکار میکند و بانک با اصلاحاتی روبرو میشود که اغلب نیازمند بازسازی بخشهای قابل توجهی از استقرار است. هزینه اصلاح معمولاً سه تا پنج برابر هزینه ساختن چارچوب انطباق از ابتدا است.
شش لایه در عمل چگونه به نظر میرسند
بانکهایی که شش لایه عملیاتی را ساختهاند، نتیجه را به عنوان بنیادی توصیف میکنند که استقرار هوش مصنوعی را به جای آزمایشی، روتین جلوه میدهد. نقشههای فرآیند مشخص میکنند که هوش مصنوعی واقعاً چه چیزی را خودکار میکند. موجودی داده اطمینان میدهد که هوش مصنوعی دادههای مورد نیاز خود را دارد. چارچوب حاکمیت تعیین میکند که چه کسی صاحب چه چیزی است. چارچوب انطباق مستندات آماده برای بازرس را به عنوان خروجی استاندارد تولید میکند. چارچوب مدیریت فروشنده ریسک فروشنده را کنترل میکند. چارچوب آمادگی عملیاتی از راهاندازیهایی که بنیاد نمیتواند آنها را پشتیبانی کند، جلوگیری میکند.
اثر تجمعی هر شش لایه این است که استقرارهای هوش مصنوعی بانک از پروژههای فردی قهرمانانه به بهبودهای عملیاتی روتین تبدیل میشوند. بانکها در این مرحله معمولاً گردش کارهای جدید هوش مصنوعی را در عرض چند هفته به جای ماهها مستقر میکنند، زیرا کارهای بنیادی قبلاً انجام شده است. هزینه نهایی هر استقرار جدید به طور قابل توجهی کاهش مییابد، که به بانک اجازه میدهد فرصتهای اتوماسیون را دنبال کند که تحت ساختار هزینه تک استقرار، توجیه سرمایهگذاری را نداشتند.
اثر تجمعی بر نتایج بازرسی نیز به همان اندازه قابل توجه است. بانکهایی با لایههای عملیاتی بالغ، معمولاً با یافتههای بازرسی کمتری در رابطه با استقرار هوش مصنوعی مواجه میشوند، زیرا الگوهای مستندسازی که این لایهها تولید میکنند، با انتظارات بازرسان مطابقت دارند. کاهش اصطکاک بازرسی به بانک اجازه میدهد تیم انطباق خود را بر روی مناطق ریسکی اساسی متمرکز کند، به جای صرف ظرفیت بر روی اصلاح مشکلات مستندسازی استقرار.
ساختن زیرساخت واقعاً چقدر طول میکشد
جدول زمانی واقعبینانه برای ساختن هر شش لایه عملیاتی از یک شروع ثابت، نه تا دوازده ماه است، با تغییرات قابل توجهی بر اساس بلوغ عملیاتی فعلی بانک. بانکهایی که قبلاً مستندات فرآیندی قوی، معماری دادهای واضح و چارچوبهای انطباق بالغ دارند، ممکن است بنیاد را در شش ماه تکمیل کنند. بانکهایی که از یک پایه کمبلوغتر شروع میکنند، ممکن است به هجده ماه یا بیشتر نیاز داشته باشند.
این جدول زمانی از این نظر قابل مذاکره نیست که فشردهسازی آن معمولاً باعث ایجاد شکافهایی میشود که بعداً به عنوان شکستهای استقرار آشکار میشوند. بانکهایی که سعی میکنند زیرساخت را در سه ماه بسازند، معمولاً با نسخههای سطحی از هر لایه روبرو میشوند که روی کاغذ کامل به نظر میرسند اما در واقع از استقرار هوش مصنوعی پشتیبانی نمیکنند. وسوسه برای فشردهسازی جدول زمانی قوی است، به ویژه زمانی که رهبری مشتاق دیدن پیشرفت استقرار هوش مصنوعی است، اما جدولهای زمانی فشرده معمولاً نتایج بدتری نسبت به جدولهای زمانی صادقانه تولید میکنند.
درباره TFSF Ventures
TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایهگذاری است که زیرساخت عامل هوشمند را در کسبوکارها از طریق سه ستون یکپارچه مستقر میکند: زیرساختهای عاملمحور، ریلهای پرداخت غیرسنتی، و یک موتور سرمایهگذاری کامل. با 27 سال تجربه در پرداختها و نرمافزار، TFSF به صورت جهانی فعالیت میکند و 21 بخش عمودی را با یک متدولوژی استقرار 30روزه خدمترسانی میکند. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.
ارزیابی هوش عملیاتی رایگان را انجام دهید. به چند سوال کوتاه در مورد کسبوکار خود پاسخ دهید. ظرف 24 تا 48 ساعت یک طرح استقرار هوش مصنوعی سفارشی شامل توصیههای عامل، معماری و یک نقشه راه خاص برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment آغاز کنید.
Originally published at https://tfsfventures.com/blog/the-six-operational-layers-every-community-bank-needs-before-deploying-ai-automation
نوشته شده توسط TFSF Ventures Research