Dirbtinis intelektas pereina nuo bandomųjų projektų prie pagrindinių verslo sistemų didelėse įmonėse. Vienas pavyzdys yra JPMorgan Chase, kur didėjančios AI investicijos padeda padidinti banko technologijų biudžetą iki maždaug 19,8 mlrd. JAV dolerių 2026 m.
Išlaidų planas atspindi didesnį didelių įmonių pasikeitimą. AI nebėra traktuojamas kaip mažas mokslinių tyrimų projektas. Vietoj to, įmonės tai įterpia tokiose srityse kaip rizikos analizė, sukčiavimo aptikimas ir klientų aptarnavimas.
Verslo lyderiams, stebintiems, kaip dirbtinio intelekto pritaikymas keičia įmonių technologijų strategijas, JPMorgan skaičiai rodo didesnę tendenciją: AI tampa kasdienių sistemų, valdančių didžiąsias organizacijas, dalimi.
JPMorgan technologijų biudžetas ir didėjančios AI investicijos
Technologijų išlaidos visame bankų sektoriuje auga daugelį metų. JPMorgan biudžetas išsiskiria savo mastu.
„Business Insider“ pranešimuose, kuriuose cituojami įmonių instruktažai ir investuotojų diskusijos, teigiama, kad bankas tikisi, kad 2026 m. technologijų išlaidos sieks maždaug 19,8 mlrd. Išlaidos apima tokias sritis kaip debesų infrastruktūra, kibernetinis saugumas, duomenų sistemos ir AI įrankiai.
Dalis padidinto biudžeto apima apie 1,2 milijardo JAV dolerių papildomų investicijų į technologijas, iš kurių dalis bus skirta dirbtiniam intelektui susijusiam darbui.
Dideli bankai technologijų išlaidas dažnai traktuoja kaip ilgalaikę investiciją, o ne trumpalaikes išlaidas. Daugeliui šių sistemų sukurti prireikia metų, ypač kai jos priklauso nuo didelių duomenų platformų ir saugios skaičiavimo infrastruktūros.
Kadangi dirbtinio intelekto sistemoms reikalingi patikimi duomenų perdavimo kanalai ir skaičiavimo galia, daugelis kompanijų pastebi, kad AI pritaikymas dažnai lemia platesnį jų technologijų paketo atnaujinimą.
Mašininis mokymasis jau daro įtaką rezultatams
Vadovai teigia, kad dirbtinis intelektas jau daro įtaką verslo rezultatams banko viduje. Investuotojų diskusijų metu JPMorgan vyriausiasis finansininkas Jeremy Barnum sakė, kad mašininio mokymosi analizė prisideda prie pajamų ir veiklos tobulinimo įvairiose įmonės dalyse.
„Reuters“, pranešusi apie „JPMorgan“ finansinius pranešimus, pažymėjo, kad bankas naudoja duomenų modelius ir mašininio mokymosi sistemas, kad pagerintų analizę ir sprendimų priėmimą keliose verslo srityse.
Šie modeliai gali apdoroti didelius finansinių duomenų kiekius ir nustatyti modelius, kuriuos žmonėms sunku aptikti. Tokiuose sektoriuose kaip bankininkystė, kur įmonės kasdien valdo didžiulius duomenų srautus, šie patobulinimai gali turėti įtakos prekybos, skolinimo ir klientų operacijų rezultatams.
Net nedideli prognozavimo modelių patobulinimai gali turėti įtakos finansiniams rezultatams, kai jie taikomi milijonams sandorių ar rinkos signalų.
Kur banko viduje pasirodo AI
Mašininio mokymosi įrankiai dabar palaiko įvairią veiklą visoje JPMorgan.
Finansų rinkose modeliai analizuoja prekybos duomenis ir padeda nustatyti kainų judėjimo modelius. Šios įžvalgos gali padėti prekybininkams įvertinti riziką arba nustatyti galimybes greitai besikeičiančiose rinkose.
Skolinimas yra dar viena sritis, kurioje AI sistemos vaidina svarbų vaidmenį. Mašininio mokymosi modeliai gali peržiūrėti finansinę istoriją, rinkos tendencijas ir informaciją apie klientus, kad padėtų įvertinti kredito riziką. Šios sistemos padeda analitikams paryškinti duomenų modelius.
Sukčiavimo aptikimas tebėra vienas iš labiausiai paplitusių AI naudojimo būdų bankininkystėje. Mokėjimo tinklai kasdien apdoroja didžiulius operacijų kiekius, todėl sunku stebėti veiklą rankiniu būdu. Mašininio mokymosi sistemos gali nuskaityti operacijas beveik realiuoju laiku ir pažymėti neįprastą elgesį, kuris gali rodyti sukčiavimą.
Kai kurios vidinės operacijos taip pat priklauso nuo AI. Įrankiai gali peržiūrėti sutartis, apibendrinti tyrimų ataskaitas arba padėti darbuotojams ieškoti didelių vidinių duomenų sistemų. Generacinės AI sistemos pradeda padėti atlikti tokias užduotis kaip ataskaitų rengimas ar vidinių dokumentų rengimas.
Šios sistemos retai pasirodo tiesiogiai klientams, tačiau jos palaiko daugelį sprendimų, priimamų užkulisiuose.
Kodėl bankai anksti priėmė dirbtinį intelektą
Finansų įstaigos turi keletą savybių, dėl kurių jos puikiai tinka mašininiam mokymuisi.
Pirma, bankai sukuria didelius struktūrizuotus duomenų rinkinius. Sandorių istorijos, rinkos įrašai ir mokėjimo duomenys suteikia daug informacijos, kurią gali analizuoti mašininio mokymosi modeliai.
Antra, daugelis bankų veiklos priklauso nuo numatymo. Kredito balas, sukčiavimo nustatymas ir rinkos analizė reikalauja įvertinti rezultatus, pagrįstus ankstesniais duomenimis.
Mašininis mokymasis gerai veikia aplinkoje, kurioje numatymas atlieka pagrindinį vaidmenį.
Trečia, modelio tikslumo patobulinimas gali duoti išmatuojamų finansinių rezultatų. Modelis, kuris šiek tiek pagerina sukčiavimo aptikimą arba sprendimus dėl skolinimo, gali turėti įtakos dideliems sandorių kiekiams.
Šie veiksniai paaiškina, kodėl bankai daug investavo į duomenų mokslą ir analitiką dar gerokai prieš pastaruoju metu išaugusį susidomėjimą generuojamąja AI.
JPMorgan investicijos į dirbtinį intelektą rodo platesnį įmonės pasikeitimą
„JPMorgan“ išlaidų planai taip pat atspindi, kaip AI investicijos tampa platesnio verslo technologijų biudžeto dalimi.
Daugelyje organizacijų AI sistemos remiasi šiuolaikinėmis duomenų platformomis, saugia debesų aplinka ir dideliais skaičiavimo ištekliais. Įmonėms kuriant šiuos pagrindus, dirbtinį intelektą lengviau diegti skyriuose.
Daugeliui įmonių dirbtinio intelekto pritaikymas prasideda nuo tikslinių užduočių, tokių kaip sukčiavimo aptikimas, dokumentų analizė ar klientų aptarnavimo automatizavimas. Kai sistemos pasirodo naudingos, įmonės išplečia jas į kitas organizacijos sritis.
Šis procesas gali užtrukti kelerius metus, o tai yra viena iš priežasčių, kodėl įmonės AI išlaidos dažnai atsiranda kartu su platesnėmis investicijomis į duomenų infrastruktūrą.
Pamokos įmonių vadovams
JPMorgan pavyzdys rodo, kad sėkmingiausi AI projektai dažnai prasideda nuo aiškių verslo problemų, o ne nuo plataus eksperimentavimo.
Bankai dažnai taiko mašininį mokymąsi tose srityse, kuriose numatymas ir duomenų analizė jau atlieka pagrindinį vaidmenį. Sukčiavimo aptikimas ir kredito modeliavimas yra įprasti išeities taškai, nes naudą lengviau įvertinti.
Kita pamoka yra ta, kad dirbtinio intelekto pritaikymas reikalauja ilgalaikių investicijų. Patikimų modelių kūrimas priklauso nuo tvirto duomenų valdymo, skaičiavimo išteklių ir kvalifikuotų komandų.
Didelėms organizacijoms šios pastangos tampa įprasto technologijų planavimo dalimi, o ne atskiru inovacijų projektu.
Įmonėms toliau plečiant savo dirbtinio intelekto galimybes, technologijų biudžetai, tokie kaip JPMorgan’s, gali parodyti, kaip įmonės išlaidos gali vystytis ateinančiais metais.
Taip pat žiūrėkite: JPMorgan Chase DI išlaidas laiko pagrindine infrastruktūra
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite AI & Big Data Expo, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra „TechEx“ dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
