Praktična uporaba umetne inteligence v finančnem sektorju
Umetna inteligenca v finančnem sektorju ni več le nastajajoča tehnologija – gre za operativno realnost, ki spreminja način delovanja finančnih oddelkov, sprejemanja odločitev in upravljanja s stroški. Za vodilne v finančnem sektorju se vprašanje ni več, ali naj se lotijo umetne inteligence, temveč kako to storiti učinkovito in v kakšnem tempu.
Sodobne aplikacije v finančnih oddelkih
Najbolj zrele aplikacije umetne inteligence v finančnem sektorju se uporabljajo na področjih, kjer je obseg podatkov velik, postopki strukturirani, stroški napak pa obvladljivi. Avtomatizacija obveznosti do dobaviteljev, usklajevanje bančnih izpisov, upravljanje stroškov in finančno poročanje so področja, na katerih orodja, ki temeljijo na umetni inteligenci, v praksi – in ne le v teoriji – prinašajo merljivo povečanje učinkovitosti.
Na področju odkrivanja goljufij so bile v finančnih storitvah izvedene nekatere največje naložbe v umetno inteligenco, kjer je prepoznavanje vzorcev v realnem času v podatkih o transakcijah dokazano izboljšalo stopnjo odkrivanja. V oddelkih za korporativne finance se podobne aplikacije uporabljajo za odkrivanje nepravilnosti pri izdatkih za nabavo in obveznostih do dobaviteljev – pri tem se prepoznavajo podvojene račune, izdatki, ki niso v skladu s pogodbo, ter neskladja v cenah dobaviteljev.
Napovedovanje denarnega toka je še eno področje, ki ima resnično aktualno vrednost. Modeli strojnega učenja, ki upoštevajo pretekle plačilne vzorce, sezonske dejavnike in zunanje gospodarske signale, zagotavljajo natančnejše kratkoročne napovedi kot tradicionalne metode. Za podjetja, ki strogo upravljajo s svojim obratnim kapitalom, ima ta večja natančnost neposredno finančno vrednost.
Kje umetna inteligenca še ne dosega želenih rezultatov
Okoli zmogljivosti umetne inteligence vlada precejšnje navdušenje, ki presega tisto, kar se danes v praksi zanesljivo doseže. Strateško finančno načrtovanje, modeliranje zapletenih scenarijev in kvalitativna ocena tveganj – vse to zahteva človeško presojo, ki je sedanji sistemi umetne inteligence ne morejo ponoviti z zanesljivostjo, ki jo finančne službe potrebujejo. Organizacije, ki umetno inteligenco uvajajo na teh področjih brez ustreznega nadzora, prevzemajo tveganja, ki niso vedno vidna, dokler se ne uresničijo.
Drugi pogost vzrok za neuspeh je kakovost podatkov. Sistemi umetne inteligence so le toliko dobri, kolikor so dobri podatki, ki jih obdelujejo. Organizacije s fragmentiranimi ERP-sistemi, neenotnim upravljanjem podatkov ali slabo kakovostjo glavnih podatkov bodo ugotovile, da orodja umetne inteligence njihove obstoječe težave s podatki še povečajo, namesto da bi jih rešila.
Praktični pristop
Finančne službe, ki iz umetne inteligence izkoriščajo resnično vrednost, imajo skupne značilnosti. Opredelile so konkretne procese z velikim obsegom dela, v katerih lahko umetna inteligenca zmanjša obseg ročnega dela. Pred uvedbo umetne inteligence so v teh procesih zagotovile kakovost podatkov. Na ključnih točkah odločanja so ohranile človeški pregled. Začele so v majhnem obsegu, skrbno merile rezultate in se postopoma širile.
Strokovnjaki za nabavo tehnologije v skupini ERA sodelujejo s finančnimi vodji pri ocenjevanju orodij umetne inteligence za finančne aplikacije, s čimer zagotavljajo, da odločitve o nabavi temeljijo na dokazanih zmogljivostih in ne na trditvah ponudnikov ter da poslovne strukture spodbujajo doseganje dejanskih rezultatov.
