数据学科成为银行 GenAI 的核心

快速阅读: 据《PYMNTS.com》称，银行正转向以风险管理为核心的复合型AI管理，强调数据质量和治理。整合供应商架构可降低成本并提高效率。生成式AI虽提升欺诈检测，但也带来新挑战。企业需建立综合性AI架构，平衡技术创新与合规要求，确保系统的可靠性和安全性。

**风险优先：银行转向复合型AI管理**

根据SAS高级副总裁斯图·布拉德利的说法，银行正在摒弃“为了AI而做AI”的做法，转而采用以风险管理为核心的复合型方法。这种方法强调AI的实际应用与风险管理的结合，确保技术服务于企业的核心需求。

**数据纪律：清洗与治理的数据是成功的关键**

干净、无偏见的数据及端到端治理已成为决定模型能否通过监管审查的关键因素。布拉德利指出，如果数据不准确、不完整或存在偏差，这些错误将在后续环节中被放大，从而影响整个系统的可靠性。

**平台整合：统一架构降低合规成本**

金融机构正逐步整合供应商至统一架构上，以此加速价值实现时间并削减合规成本。这种整合不仅提高了效率，还增强了系统的整体稳定性。

**回归基础：企业AI需稳健发展**

在当前对生成式AI的狂热中，企业AI领域的新竞赛更多地集中在如何将治理机制硬编码到日常运营中。这表明，企业需要关注的是如何将合适的AI技术应用于解决具体问题，而非盲目追求技术的最新进展。

**SAS研究揭示行业现状**

SAS的一项针对1600家国际银行的研究显示，几乎所有的银行都采用了生成式AI，但仅有少数能实现明显的财务收益。此外，生成式AI虽提升了欺诈检测能力，但也导致了新型欺诈手段的出现，如深度伪造和合成身份，这些手段更难被传统方法识别。

**数据的重要性不可忽视**

布拉德利强调，数据质量直接关系到AI模型的有效性。SAS提出了一种端到端的数据和AI生命周期框架，该框架能够追踪数据来源、标记偏差并执行负责任的创新审查，确保数据的准确性与完整性。

**监管压力下的挑战**

欧洲监管机构已经开始因“可解释性”失败开具罚单，美国检查员也严格审查模型代码及其背后的源数据。这提醒企业必须重视数据质量和模型透明度，避免因忽视数据问题而导致的合规风险。

**生成式AI的潜力与挑战**

尽管生成式AI为首席财务官带来了显著回报，但其应用仍面临诸多挑战。PYMNTS Intelligence报告指出，虽然大多数首席财务官认为生成式AI带来了积极的投资回报，但在实际操作中仍需克服诸多障碍。

**银行业的需求升级**

SAS的金融服务客户不再仅仅追求复杂的算法，而是更看重速度和安全性。银行迫切需要敏捷性以应对快速变化的市场环境，同时简化内部系统集成，减少供应商数量，提高模块化平台的灵活性。

**风险与合规的双重考量**

布拉德利指出，企业需要建立一个综合性的AI架构，将风险、欺诈和AI治理整合在一起。这种架构不仅能帮助企业维持合规，还能有效控制成本，特别是在社区银行面临更大合规压力的情况下尤为重要。

**结语：稳健胜过速成**

在追求技术创新的同时，金融机构需要采取更为审慎的态度，注重数据的质量和治理，确保AI系统的可靠性和安全性。正如布拉德利所言，成功的秘诀在于“带一套工具箱，而不是一把锤子”，即采用全面的方法来解决复杂问题，而不是依赖单一的技术手段。这或许正是银行能够在激烈的市场竞争中保持领先地位的关键所在。

(以上内容均由Ai生成)