چرا آینده هوش مصنوعی در فینتک چیزی فراتر از یک مدل است
شرکت هوش مصنوعی آپ-استیج از مدل جدید تجاری زبانی بزرگ خود به نام سولار پرو 4 رونمایی نموده است و شرط بست که مرحله بعدی مسابقه مصنوعی مصنوعی در فینتک، با چیزی فراتر از این تعیین می شود که کدام یک از بالاترین امتیاز را در معیارهای سنجش کسب می کند. این رونمایی در حالی انجام میشود که مؤسسات مالی، هوش مصنوعی را از نقش یک دستیار و آزمایشها، به سیستمهای تولیدی که قادر به انجام عملی هستند، تبدیل میکنند. این گذر، نیازهای شرکت ها را نسبت به مدل های پشتیبان آنها تغییر می دهد.این شرکت، سولار پرو 4 را حول محور «قابلیت اطمینان رفتاری» موقعیت یابی است؛ آیا یک مدل می تواند به طور مداوم دستورالعمل ها را در یک مرحله دنبال کند، ابزارهای صحیح را فراخوانی کند، اطلاعات را در قالب درست بازگرداند و در سیاست های شرکت، بدون ویژگی های شکسته های پرهزینه یا جستجوهای مجدد، عمل کند یا خیر.
به گزارش کارآفرینی پرس به نقل از فوربس، نیکول کَسپرسان، نویسنده فوربس، در گزارشی با عنوان «چرا آینده هوش مصنوعی در فینتک فراتر از مدل است» نوشت که کیسی روه، مدیرعامل شرکت آپاستیج (Upstage AI) در آمریکا، در مصاحبهای پیش از رونمایی از مدل Solar Pro 4 گفت: «ما یک شکاف حیاتی در عملکرد عاملهای هوش مصنوعی را هدف قرار دادهایم که سالانه میلیونها دلار هزینه هدررفته برای شرکتها ایجاد میکند.»
برای مثال، شرکت اوبر کل بودجه هوش مصنوعی در سال ۲۰۲۶ تنها در چهار ماه مصرف کرد. برای رهبران حوزه فینتک، این سطح از هزینه گذاری، پرسش بزرگتری مطرح می کند: شرکت ها چگونه ارزش هوش مصنوعی را پس از ورود به مرحله تولید، اندازه گیری می کنند؟ کیسی روه گفت: «شرکتها با فناوری به عنوان یک ابزار برخورد می کنند. وقتی ابزاری را ارزیابی کنید، بازگشت سرمایه موضوع اصلی است. اگر مدل پیشرفته است، سوالی در درجه دوم چقدر قرار دارد.» هوش بهت نهایی برای بازگشت سرمایه در یک سازمان نیست. یک مدل همچنین باید به طور قابل اعتمادی در درون سیستم ها، سیاست ها و شرایط اقتصادی کسب و کاری که آن را به کار می گیرد، عمل کند.
این واقعیت، در حال تغییر شکل بازار تولیدتر هوش مصنوعی است. شرکت هایی مانند آنتروپیک و سایر شرکت های پیشرو در زمینه مدل های مرزی، در حال ساخت خدمات و قابلیت های سازمانی پیرامون مدل های خود هستند، در حالی که شرکت های تخصصی هوش مصنوعی در زمینه های استقرار، حاکمیت، قابلیت اطمینان و گردش های کاری صنایع خاص، می توانند انجام دهند. به عبارت دیگر، رقابت فراتر از این است که چه کسی می تواند توانمندترین مدل را بسازد و به این سمت حرکت کند که چه کسی بتواند آن هوش را در درون یک سازمان، به بهترین شکل مفید و کاربردی کند.
هوشمندترین مدل هوش مصنوعی ممکن است بهترین مدل برای شرکتهای فینتک نباشد
یک عامل مصنوعی را میسازید که یک تراکنش مالی کمک میکند. ممکن است نیاز به سیستم اطلاعات بازیابی کند، رویه های داخلی یک شرکت را دنبال می کند، ابزارهای خاص را به ترتیبی معین فراخوانی کند، خروجی را در قالبی دقیق تولید می کند و در صورت بروز شرایط خاص، تراکنش را به یک انسان ارجاع می دهد. اگر پاسخ «تا حد زیادی درست» باشد، لزوماً مفید نیست. گردش کار باید به درستی عمل کند. این تمایزی است که روه است شرکتها کمکم میکنند آن را میفهمند.
یک مدل ممکن است در معیار سنجش هوشی، عملکرد خوبی داشته باشد، اما در عین حال با مشکلی به ظاهر سادهتر دست وپنجه نرم کند: پیروی منسجم از یک مجموعه دستورالعمل یکسان در طول یک حرکت طولانی و چندمرحلهای. شکستها میتوانند بسیار عادی باشند. عامل، ابزار اشتباه را فراخوانی می کند. خروجی را برمیگرداند که با طرحواره مورد انتظار سیستم دیگر مطابقت ندارد. چند مرحله پس از شروع کار، یکی از دستورها را فراموش میکند. یا پاسخی غیرقابل استفاده کرده و می خواهد کل فرآیند را دوباره اجرا کند. هر شکست، به معنای یک استنباط (استنتاج) دیگر، یک فراخوانی ایپیآی دیگر و احتمالاً فرصتی دیگر برای بروز خطا است. بنابراین برای شرکت، عملکرد هوش مصنوعی شبیه به یک جدول بندی و بیشتر شبیه به یک پرسش عملیاتی میشود: مدل با چه درجه ای از قابلیت اطمینان می تواند به پایان رتبه برسد؟
شرکت هوش مصنوعی آپ-استیج، سولار پرو 4 را بر اساس همین فرضیه طراحی کرده است و بر پایبندی به دستورالعملها در چندین مرحله، ساختار فراخوانی ابزار و قابلیت اطمینان رفتاری در گردش های کاری عامل محور دارد. این شرکت همچنین در حال نفوذ به بازار ایالات متحده است، جایی که روه با توجه به حرکت شرکت ها به سمت تولیدی مصنوعی، فرصتی را برای رشد میبیند. آپ-استیج در حال حاضر با شرکت های بزرگ از جمله سامسونگ، اسکی و هیوندای همکاری می کند. در ماه آوریل، اولین مرحله از سری سرمایه مالی خود به مبلغ ۱۳۰ میلیون دلار بسته شد که مجموع بودجه جذب شده را به ۲۷۰ میلیون دلار و ارزش بازار آن به بیش از ۱ میلیارد دلار رساند. اما مهم این فرصت، فراتر از یک شرکت مدلسازی خاص است.
فینتک توانایی انتظار کشیدن را ندارد
برای حل این موضوع فقط از درون مؤسسات مالی نمیآید. مشتریان نیز با سرعتی خارقالعاده در حال پذیرش هوش مصنوعی هستند. تحقیقات مکینزی در مورد اینکه چگونه مصنوعی در حال بازنویسی بانکداری است، این شکاف را به خوبی نشان می دهد. هوش مصنوعی مولد در مدت دو سال از راه اندازی چت جیپیتی در نوامبر 2222، به 45 درصد از جمعیت در ایالات متحده آمریکا رسید، در حالی که بانکداری دیجیتال تقریباً 15 سال طول کشید تا به همان سطح از پذیرش دست یابد. تا سال 2025، میزان استفاده از هوش مصنوعی در میان بزرگسالان در سن کار به 55 درصد رسیده است.
مصرف کنندگان همچنین انجام مالی مهمی را به هوش مصنوعی میسپارند. مککینزی به مشتریانی اشاره میکند که از هوش مصنوعی برای یافتن حسابهای پسانداز با بازده بالاتر، بازپرداخت یا تلفیق بدهی، مقایسه محصولات مالی و دریافت مشاوره استفاده میکنند. این شرکت انتظار دارد که سیستمهای عاملمحور (سیستمهای عامل) این رفتار را بیشتر تقویت کند، زیرا مصرفکنندگان به تدریج راحتتر میدهند که هوش مصنوعی از طریق آنها اقدام کند. این موضوع می تواند رقابت در حوزه مالی را به صورت بنیادین تغییر دهد.
بر اساس گزارش مکینزی، درآمد خالص تقریباً 6 درصد از درآمد کلی بانکهای خرد در سطح جهان را تشکیل می دهد. از نظر تاریخی، بسیاری از مصرفکنندگان را در حسابهای راحت و نگهداری میکنند، به طوری که به دنبال بهینهسازی بازده باشند. یک عامل مصنوعی، چنین اینرسی و سکونی را ندارد. او میتواند از نظر تئوری، نرخ بهره را رصد کند، پولهای بلااستفاده را به سمت حسابهای بازده بالاتر میبرد و هنگام سررسید قبض، پول را بازگرداند. همین منطق میتواند به کارتهای اعتباری، وامها، پرداختها، برنامههای پاداش و مدیریت ثروت نیز تعمیم یابد.
برای رهبران فینتک، این موضوع فشار را به طور همزمان از دو جهت ایجاد می کند: کارها ممکن است مصنوعی مصنوعی را سریعتر از آنچه مؤسسات رستوران با خیال راحت مستقر کنند، بپذیرند. بنابراین مؤسسات مالی صرفاً برای پذیرش هوش مصنوعی مسابقه نمیدهند. آنها باید تعیین کنند که کدام سیستمها میتوانند در محیطهایی به طور قابل اعتماد عمل کنند که در آنها اشتباهات، عواقب مالی، نظارتی و حیثیتی به همراه دارد. و این موضوع، انتخاب مدل را به یک تصمیم ریسکی تبدیل می کند. در فینتک، عملکرد هوش مصنوعی در حال تبدیل شدن به یک موضوع حاکمیتی است.
خدمات مالی، تحمل بسیار کمتری نسبت به غیرقابل پیشبینی بودن دارد، در مقایسه با محیطهایی که هوش مصنوعی مولد برای اولین بار در آنها محبوب شد. یک تیم میتواند یک تبلیغاتی بد را دوباره تولید کند. اما یک مؤسسه مالی ممکن است چرا سیستم باید توضیح دهد که یک خودکار یک تصمیم خاص را گرفته است، از چه اطلاعاتی استفاده کرده است، آیا از خطمشیوی کرده است و وقتی مشکلی پیش آمده، چه کسی مسئول بوده است. کیم اولسون، مدیر ارشد ریسک در شرکت گرین دات، این چالش را از دیدگاه یک مؤسسه که مسئول مدیریت ریسکی است که با خودکارتر شدن هوش مصنوعی تولید مییابد، برای من تشریح شده است. اولسون در مصاحبهای به من گفت: «هوش مصنوعی این کار را دارد که هم چیزهای خوب و هم چیزهای بد را تشدید کند. شما میتوانید به طور ناآگاهانه اشتباهات را منتشر کنید و خطر را گسترش دهید.». از نظر اولسون، این موضوع باعث می شود که پایش، آزمایش و کنترل انسانی، به عنوان اجزای ضروری در زمان استقرار مصنوعی توسط مؤسسات مالی مطرح شوند. «شما میتوانید که فناوری و هوش مصنوعی یک شتاب میدهند، اما تصمیمگیری باید در دست انسان باشد.».
برای مؤسسات مالی، پذیرش هوش مصنوعی به معنای حذف منابع موجود نیست. اما فناوری را معرفی میکند که باید در درون آن فرد را جایگزین کند. همچنان باید بدانند که دادهها به کجا میروند، سیستم مجاز به انجام چه کارهایی است، چگونه میتوان رهبرات را بازبینی کرد و مداخله انسانی در کجا دارد. این موضوع، فضای خرید هوش مصنوعی در سطح سازمانی را تغییر میدهد. اولسون، نقطه مقابل نوآوری نمیبیند. او آن را عاملی میداند که به مؤسسات اجازه میدهد با خیال راحتتر، سریعتر حرکت کنند. او گفت: «برای سریع رفتن، باید ترمزهای خوبی داشته باشید. مهم است که سریع، اما نمیتوانی به بهای پایداری، سریع برو.». این یعنی تعیین یک مؤسسه چه زمانی میتواند شتاب بگیرد، چه زمانی باید سرعت خود را کاهش دهد و چه محافظت کند باید پیش از رسیدن به یک فناوری جدید به مشتریانی که داشته باشید. دقت داشته باشد. اما امنیت، قابلیت پذیرشپذیری، حسابرسیپذیری، ثبات، امنیت و حفظ کنترلها با تغییر فناوری نیز به همین اندازه اهمیت دارند.
او گفت: «اگر ریسک و انطباق به عنوان یک فکر بعدی مطرح شود، واقعاً سخت است که آن را دوباره در بطری بازگردانی کنید.». این یکی از انتخابی است که شرکتهای تخصصی هوش مصنوعی، حتی با وجود قدرتمندتر شدن روزافزون مدلهای مرزی، یک فرصت را برای خود میبینند. مزیت رقابتی از همه چیز پیرامون خود سرچشمه میگیرد: معماری استقرار، دانش صنعتی، سیستمهای حاکم و گردشهای کاری که به یک سازمان اجازه میدهد با خیال راحت از آن استفاده کند.
اقتصاد هوش مصنوعی زمانی تغییر میکند که عوامل شروع به اقدام کنند
دلیل مالی دیگری نیز وجود دارد که شرکتها باید مطمئن باشند که وجود داشته باشد. یک چتبات معمولاً منتظر میماند تا کاربر سوالی بپرسد و سپس پاسخی تولید میکند. اما یک عامل (عامل) ممکن است پیش از تکمیل یک وظیفه واحد، دنبالهای از اجرا کند. یک گردش کار ممکن است به چندین مدل فراخوانی، ابزار فراخوانی، جستجو و جستجو با سیستمهای داخلی نیاز داشته باشد. اگر مدل در میانهی فرآیند در پیروی از یک دستور شکست بخورد، بخشهایی از آن دنبال میشوند باید تکرار شوند. در بخش کوچک، یک جستجو ممکن است ناچیز به نظر برسد. اما در میان میلیونها گردش کار سازمانی، این موضوع به یک هزینه عملیاتی تبدیل میشود. اینجا محل است که استدلال شرکت هوش مصنوعی آپ-استیج در مورد قابلیت اطمینان رفتاری به ویژه مرتبط میشود. این شرکت بر اساس هزینههای کل تکمیل موفقیتآمیز یک وظیفه رقابتی، نه صرفاً بر مبنای هزینه هر توکن مدل خود. این یک تغییر ظریف اما مهم در محاسبه نهایی اقتصاد هوش مصنوعی توسط شرکتهاست. سوال مهم این نیست که آیا یک سیستم هوش مصنوعی می تواند یک بار یک چشمگیر را نشان دهد یا خیر. اما این است که آیا یک مؤسسه میتواند به آن قابلیت، هزاران یا میلیون ها بار در یک محیط تولیدی اعتماد کند. ارزانترین مدل، لزوماً ارزانترین سیستم نیست، اگر کارمندان دائماً مجبور به مداخله باشند، گردشهای کار با شکست یا انجام بارها نیاز به اجرای مجدد داشته باشند.
به همین ترتیب، هوشمندترین مدل لزوماً باارزشترین نیست، اگر شرکتی نیاز داشته باشد زیرساختهای قابل توجهی پیرامون آن بسازد تا رفتارش قابل پیشبینی باشد. واحد مرتبط اقتصاد هوش مصنوعی ممکن است در نهایت کمتر به هزینه ازای هر توکن و بیشتر به ازای هر پیامد موفقیتآمیز تبدیل شود. برای شرکتهای فینتک که با حجم عظیمی از تراکنشها و سروکارها دارند، این تمایز میتواند به خدمات خود را چند برابر کند.
رهبران فینتک هنوز به انسانهایی نیاز دارند که بلد باشند چگونه فکر کنند.
لایه دیگری نیز در این وجود دارد که ارتباطی با قابلیتهای فنی خود مدل ندارد. با افزایش اتکای شرکتها به هوش مصنوعی، کارمندان آنها همچنان باید بدانند که سیستم چه زمانی اشتباه میکند. جیوتی منون، معاونت محصول در شرکت برید فایننشل، اخیراً به من گفت: «امیدوارم فکر نقادانه را از دست ندهیم.» جیوتی منون تمام دوران حرفهای خود را صرف ساخت محصولات مالی کرده است، از جمله کمک به راهاندازی اپل پی در سیتی. نگران این نیست که رهبران فینتک نباید از هوش مصنوعی استفاده کنند. اما نگران این است که ممکن است پاسخهای تولید شده توسط هوش مصنوعی را بدون اینکه بررسی کنند آن پاسخها برای شرکت، خدمات یا بافت خاص آنها منطقی است یا نه، قابل قبول است. این موضوع با افزایش اختیارات عمل هوش مصنوعی، پیامدهای جدیدتری پیدا می کند. منون معتقد است که حتی «پرامپتنویسی» (دستوردهی به مدل) نیز نیازمند بافت و قضاوت انسانی است.
او گفت: «چه داستانی را تعریف میکنی؟ بافت را چگونه تنظیم میکنی؟ این مثل نوشتن یک مقاله است.» نکته او مستقیماً به سؤالهای فنی و حاکمیتی که اکنون پیش روی فینتک قرار دارد، مرتبط میشود. یک مؤسسه میتواند مدل قابلاعتمادتری را انتخاب کند. میتواند کنترلهای بهتری بسازد. میتواند رویههای ارجاع و چارچوبهای حاکمیتی ایجاد کند. اما انسانها همچنان باید تصمیم بگیرند که اصلاً سیستم مجاز به انجام چه کارهایی است. منون مثال سادهای مطرح کرد: اگر یک عامل هوش مصنوعی خریدی انجام دهد و مصرفکننده بعداً به بانک خود بگوید «این من نبودم، هوش مصنوعی این کار را کرد»، چه اتفاقی میافتد؟ او پرسید: «قوانین مربوط به این موضوع چیست؟» این سؤالها برای مدت طولانی، موارد مرزی فرضی باقی نمیمانند. آنها زیرساختهای سیاستگذاری هستند که باید در کنار زیرساختهای فنی توسعه یابند.
مزیت بعدی هوش مصنوعی در فینتک ممکن است استقرار باشد
هیچیک از اینها به این معنا نیست که هوش مدل دیگر اهمیت ندارد. مدلهای مرزی به بهبود خود ادامه خواهند داد، معیارهای سنجش به حرکت خود ادامه خواهند داد و شرکتها به ارزیابی قابلیتهای مدلهای در دسترس خود ادامه خواهند داد. اما هوش در حال تبدیل شدن به بخشی از یک معادله سازمانی بسیار بزرگتر است. شرکتهایی که در نهایت از هوش مصنوعی در خدمات مالی ارزش کسب میکنند، ممکن است آنهایی باشند که میتوانند مدلها را به دادههای اختصاصی متصل کنند، آنها را در گردشهای کاری موجود تعبیه نمایند، بر رفتار آنها حاکمیت اعمال کنند، اقتصاد آنها را اندازهگیری کنند و نشان دهند که در شرایط واقعی، بهطور قابلاعتماد عمل میکنند. به همین دلیل است که استراتژیهای سازمانی در حال ظهور پیرامون هوش مصنوعی اهمیت دارند. ارائهدهندگان مدل، خدمات بیشتری پیرامون هوش خود میسازند. شرکتهای زیرساختی در حال توسعه لایههای ارکستراسیون و حاکمیت هستند. فینتکها و مؤسسات مالی در حال تعیین این هستند که کدام بخش از کسبوکارشان باید خودکار شود و کدام تصمیمات همچنان به قضاوت انسانی نیاز دارد و ارائهدهندگانی مانند شرکت هوش مصنوعی آپ-استیج شرط میبندند که شرکتها، مدلها را بر اساس وظایفی که از آنها انتظار دارند انتخاب کنند، نه اینکه یک مدل را برای همه کارها انتخاب نمایند. این چیزی است که سولار پرو 4 را جالب میکند نه به این دلیل که یک مدل زبانی بزرگ دیگر وارد بازاری از قبل شلوغ شده است، بلکه به دلیل آنچه موقعیتیابی آن درباره مسیر این بازار میگوید. دوران اول هوش مصنوعی مولد، به مدلهایی پاداش داد که به ما نشان دادند چه چیزی ممکن است. دوران بعدی از شرکتها میخواهد که ثابت کنند چه چیزی عملی، ایمن، تحت نظارت و منطبق با مقررات است.
برای رهبران فینتک، مزیت رقابتی صرفاً از داشتن دسترسی به هوشمندترین هوش مصنوعی حاصل نخواهد شد. تقریباً همه به مدلهایی با قابلیتهای روزافزون دسترسی خواهند داشت. این مزیت از دانستن این موارد به دست میآید که کدام هوش را مستقر کنیم، کجا مستقر کنیم، چگونه بر آن حاکمیت اعمال کنیم و چه زمانی به آن اعتماد کنیم. به همین دلیل است که آینده هوش مصنوعی در فینتک بسیار فراتر از خود مدل است.
انتهای پیام/
