การเอาชนะความกระจัดกระจายของข้อมูลและข้อจำกัดของ AI ในการทำกำไรจากธุรกรรม

ในเซสชันพิเศษของ FF News Virtual Arena ผู้เชี่ยวชาญในอุตสาหกรรมได้รวมตัวกันเพื่อหารือเกี่ยวกับอุปสรรคสำคัญในการดำเนินงานด้านธนาคาร: วิธีที่การกระจัดกระจายของข้อมูลและสถาปัตยกรรมแบบเดิมส่งผลโดยตรงให้สถาบันการเงินสูญเสียผลกำไรในกระแสธุรกรรมของตน

การอภิปรายประกอบด้วย:

• Ian Horne, พิธีกรของ FF News

• Mariia Komissarova, หัวหน้าธุรกิจค้าปลีกด้านข้อมูลและ AI ของ Raiffeisen Bank International

• Breno Alves De Oliveira, ประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของ PAYABL

• Kirill Lisitsyn, ผู้ร่วมก่อตั้งและ CEO ของ Torus

คณะผู้อภิปรายได้สำรวจค่าใช้จ่ายในการดำเนินงานที่ซ่อนอยู่ของการรวบรวมข้อมูลที่ไม่ได้ใช้ประโยชน์ ข้อจำกัดของปัญญาประดิษฐ์แบบไม่กำหนดตายตัว และกลยุทธ์ที่สถาบันการเงินต้องนำมาใช้เพื่อแปลงข้อมูลดิบให้เป็นรากฐานหลักสำหรับการอยู่รอดในตลาด

ต้นตอของการรั่วไหลของกำไร: อุปสรรคด้านโครงสร้างพื้นฐานแบบเดิมและข้อมูลที่มีโครงสร้าง

สำหรับสถาบันการเงินที่มีประวัติยาวนานในตลาด เช่น Raiffeisen Bank International โครงสร้างพื้นฐานแบบเดิมถือเป็นอุปสรรคภายในหลักในการปรับปรุงประสิทธิภาพ Mariia Komissarova อธิบายว่าความท้าทายหลักที่ทำให้ธนาคารสูญเสียผลกำไรในกระแสธุรกรรมนั้นโดยพื้นฐานแล้วคือปัญหาด้านข้อมูล

เนื่องจากแอปพลิเคชันธนาคารในอดีตดำเนินงานในไซโลที่แยกจากกัน การรวบรวมและจัดโครงสร้างข้อมูลธุรกรรมขององค์กรในรูปแบบที่โปร่งใสและเป็นระเบียบจึงเป็นเรื่องยากอย่างยิ่ง หากไม่มีกรอบโครงสร้างที่ชัดเจน การคำนวณผลกำไรที่แม่นยำของธุรกรรมทางการเงินแต่ละรายการก็แทบจะเป็นไปไม่ได้

ความล้มเหลวนี้มีสาเหตุมาจากการกำกับดูแลข้อมูลในอดีตและการขาดการนำกรอบการทำงานสมัยใหม่มาใช้ รูปแบบองค์กรขั้นสูง เช่น แนวคิด "data mesh" ได้เกิดขึ้นในตลาดแล้ว แต่ยังคงกระจายตัวได้ไม่ดีนักในองค์กรธนาคารขนาดใหญ่

เมื่อภาคการเงินโลกกำลังเผชิญกับการเปลี่ยนแปลงด้าน AI อย่างรวดเร็วในด้านการยืนยันตัวตนและการประมวลผลธุรกรรม การแก้ไขชั้นข้อมูลนี้จึงไม่ใช่สิ่งฟุ่มเฟือยอีกต่อไป การสร้างรากฐานข้อมูลที่สะอาดได้กลายเป็นข้อกำหนดที่จำเป็นอย่างยิ่งสำหรับการอยู่รอดขององค์กรในระยะยาว

โครงข่ายต้นทุนที่ซ่อนอยู่ของการนำเข้าข้อมูลจำนวนมาก

กับดักที่พบบ่อยสำหรับสถาบันแบบเดิมคือการสันนิษฐานว่าการเก็บข้อมูลในปริมาณที่มากขึ้นจะให้มูลค่าทางธุรกิจที่สูงขึ้นโดยธรรมชาติ เมื่อห้าถึงเจ็ดปีก่อน คู่มือปฏิบัติอุตสาหกรรมแบบดั้งเดิมมุ่งเน้นการรวบรวมจุดข้อมูลที่หลากหลายให้ได้มากที่สุดเท่าที่จะเป็นไปได้ รวมถึงการนำข้อมูลจากเครือข่ายโซเชียลมีเดียเข้าสู่เซิร์ฟเวอร์ขององค์กร

ระบบนิเวศธุรกรรมสมัยใหม่ได้ก้าวข้ามแนวคิดนี้ไปแล้ว สถาบันการเงินพบว่าการจัดเก็บและดูแลรักษาข้อมูลที่ไม่มีโครงสร้างในปริมาณมหาศาลทำให้เกิดค่าใช้จ่ายด้านเซิร์ฟเวอร์และวิศวกรรมข้อมูลที่สูงมาก

"ข้อมูลจำนวนนี้ ข้อมูลจำนวนมากในการรวบรวมและจัดเก็บ มีค่าใช้จ่ายค่อนข้างสูง และถ้าคุณไม่ได้นำมันมาใช้ประโยชน์ คุณก็เริ่มแพ้ในเกมการแข่งขันด้านราคานี้…"

เมื่อบริษัทก่อให้เกิดต้นทุนการจัดเก็บข้อมูลในการดำเนินงานที่สูงโดยไม่ได้ดึงมูลค่าเชิงพาณิชย์จากข้อมูลนั้นอย่างจริงจัง บริษัทก็จะตกอยู่เบื้องหลังในเกมการแข่งขันด้านราคา และไม่สามารถเสนออัตราที่เหมาะสมให้กับร้านค้าของตนได้ เนื่องจากต้นทุนโครงสร้างพื้นฐานพื้นฐานถูกพองตัวโดยไม่จำเป็น

ดังที่ Kirill Lisitsyn ได้เน้นย้ำ กลยุทธ์ข้อมูลสมัยใหม่ต้องมุ่งเน้นที่การดึงคุณค่าที่แท้จริงจากสินทรัพย์ข้อมูลที่มีอยู่ก่อน เฉพาะเมื่อมีการกำหนดกรณีการใช้งานทางธุรกิจที่ชัดเจนแล้วเท่านั้น สถาบันจึงควรลงทุนเพื่อรับข้อมูลสตรีมเพิ่มเติม เพื่อหลีกเลี่ยงอุปสรรคในการดำเนินงานและการสะสมต้นทุนที่ไม่จำเป็น

กับดักแบบไม่กำหนดตายตัว: ทำไม LLMs จึงไม่สามารถแก้ปัญหาข้อมูลที่ไม่ดีได้

เมื่อสถาบันต่างๆ ทำงานเพื่อรวมระบบเดิมที่ใช้ภาษาซอฟต์แวร์ที่แตกต่างกันโดยสิ้นเชิงและใช้รูปแบบข้อมูลที่ไม่เป็นมาตรฐาน หลายแห่งหันมาใช้ปัญญาประดิษฐ์และ Large Language Models (LLMs) เพื่อทำให้การแปลงโค้ดและข้อมูลเป็นอัตโนมัติ Breno Alves De Oliveira สังเกตว่า fintech มีความเชี่ยวชาญในการนำเข้าข้อมูลที่ซับซ้อนและจัดระเบียบใหม่ให้เป็นรูปแบบที่เข้าใจง่าย ซึ่งเป็นกระบวนการที่ถูกเร่งให้เร็วขึ้นอย่างมากด้วยเครื่องมือ AI

อย่างไรก็ตาม Komissarova ได้ออกคำเตือนทางเทคนิคอย่างหนักเกี่ยวกับการพึ่งพาอัลกอริทึมเชิงสร้างสรรค์มากเกินไปสำหรับโครงสร้างพื้นฐานธุรกรรมหลัก LLMs มีลักษณะไม่กำหนดตายตัวโดยธรรมชาติ หมายความว่าผลลัพธ์ของพวกมันอยู่บนพื้นฐานของความน่าจะเป็น ไม่ใช่ค่าที่แน่นอน ทำให้เสี่ยงต่อความเสี่ยงเชิงระบบของการเกิด hallucination จากอัลกอริทึม

ในโลกธุรกรรม ที่ซึ่งข้อผิดพลาดส่งผลโดยตรงต่อบัญชีแยกประเภททางการเงิน การลดความแม่นยำลงต่ำกว่าระดับสมบูรณ์เป็นสิ่งที่ยอมรับไม่ได้ การป้อนข้อมูลที่ไม่ถูกต้องหรือไม่มีโครงสร้างเข้าสู่ LLM จะเพิ่มโอกาสในการสร้างการคำนวณที่ผิดพลาดอย่างมีนัยสำคัญ ซึ่งอาจทำให้สถาบันการเงินเสียเงินหลายล้านดอลลาร์

คณะผู้อภิปรายเห็นพ้องกันว่าไม่มีกระสุนเงินทางเทคโนโลยี บริษัทต่างๆ ไม่สามารถเพียงแค่โยนชุดข้อมูลที่ไม่เป็นระเบียบใส่โมเดลเชิงสร้างสรรค์แล้วคาดหวังตรรกะทางธุรกิจที่สมบูรณ์แบบได้ การสร้างชั้นข้อมูลที่เชื่อถือได้ต้องอาศัยการลงทุนอย่างมีวินัยทั้งด้านเวลาและทุน พร้อมกับผู้เชี่ยวชาญภายในที่มีทักษะซึ่งสามารถจัดโครงสร้างกระบวนการข้อมูลได้อย่างถูกต้อง

สมดุลของสมการ: แกนกลางไฮบริดแบบกำหนดตายตัว

เพื่อใช้ประโยชน์จากความเร็วของ AI สมัยใหม่อย่างปลอดภัยโดยไม่เสียสละความแม่นยำทางการเงินอย่างสมบูรณ์ คณะผู้อภิปรายได้เสนอสถาปัตยกรรมโครงสร้างแบบไฮบริด โมเดลนี้สร้างสมดุลระหว่างเครื่องมือประมวลผลแบบกำหนดตายตัวกับอินเทอร์เฟซภาษาที่ยืดหยุ่นเพื่อลดความซับซ้อนในขั้นตอนการทำงานของผู้ใช้ปลายทาง:

• รากฐานแบบกำหนดตายตัว: ชั้นข้อมูลหลักต้องยังคงเป็นแบบกำหนดตายตัวอย่างเคร่งครัด แพลตฟอร์มอัจฉริยะเฉพาะทาง เช่น Torus สร้างตรรกะแบ็กเอนด์โดยตั้งใจให้มุ่งเน้นที่ความแม่นยำทางคณิตศาสตร์อย่างสมบูรณ์ แทนที่จะเป็นโมเดล "80% ความน่าจะเป็น" เพื่อให้มั่นใจว่าค่าธรรมเนียมโครงการและบันทึกธุรกรรมได้รับการกระทบยอดอย่างสมบูรณ์แบบ

• อินเทอร์เฟซการสนทนา: เมื่อสร้างพื้นฐานของความสมบูรณ์ของข้อมูลที่ได้รับการยืนยันแล้ว สถาบันต่างๆ สามารถเพิ่ม LLMs ไว้ด้านบนเพื่อตีความข้อมูล ทำให้การโต้ตอบกับผู้ใช้ง่ายขึ้นและเร่งความเร็วในการวิเคราะห์งาน

รากฐานที่มีโครงสร้างนี้ช่วยให้สถาบันต่างๆ สามารถใช้ประโยชน์จากแนวคิดอย่าง data lake เพื่อกำหนดและทดสอบสมมติฐานเชิงพาณิชย์ ในอดีต การค้นพบแนวโน้มการประมวลผลหรือการประเมินตัวแปรด้านราคาต้องใช้การค้นหาฐานข้อมูลด้วยตนเองจำนวนมาก

ด้วยแกนกลางไฮบริดที่เป็นหนึ่งเดียว ทีมผลิตภัณฑ์สามารถทดสอบสมมติฐานได้อย่างรวดเร็วเพื่อประเมินความน่าจะเป็นของความสำเร็จ ในท้ายที่สุด กรอบการทำงานนี้ช่วยให้ธนาคารสามารถวิเคราะห์สถิติภายใน ภูมิทัศน์ของคู่แข่ง และการเปลี่ยนแปลงของตลาดมหภาคได้พร้อมกัน แนวทางที่ขับเคลื่อนด้วยข้อมูลนี้ชี้นำการปรับเปลี่ยนเป้าหมายในกระแสการแปลง การกำหนดเส้นทางธุรกรรม และประสบการณ์ผลิตภัณฑ์ แปลงการลงทุนทุนที่จำเป็นให้เป็นตัวขับเคลื่อนผลกำไรขององค์กรที่คาดการณ์ได้

ประเด็นสำคัญจากคณะผู้อภิปราย Virtual Arena:

• คอขวดด้านโครงสร้างข้อมูล: การรวบรวมข้อมูลในระบบเดิมที่ใช้รูปแบบต่างกันทำให้การติดตามผลกำไรของธุรกรรมอย่างแม่นยำมีความซับซ้อนสูง

• ต้นทุนสูงของการหยุดนิ่งของข้อมูล: การจัดเก็บข้อมูลจำนวนมากโดยไม่มีกรณีการใช้งานที่ชัดเจนทำให้ต้นทุนการดำเนินงานพองตัว ทำให้ธนาคารมีความสามารถในการแข่งขันด้านราคาสำหรับร้านค้าลดลง

• คุณค่าเหนือปริมาณ: ข่าวกรองข้อมูลสมัยใหม่ให้ความสำคัญกับการดึงประโยชน์สูงสุดจากสินทรัพย์ที่มีอยู่ก่อนที่จะซื้อสตรีมข้อมูลภายนอก

• อันตรายของ AI แบบไม่กำหนดตายตัว: เนื่องจากโมเดล AI เชิงสร้างสรรค์อยู่บนพื้นฐานของความน่าจะเป็น การใช้งานกับข้อมูลหลักที่ไม่มีโครงสร้างจึงเสี่ยงต่อข้อผิดพลาดในการคำนวณทางการเงิน

• แผนผังระบบไฮบริด: สถาปัตยกรรมที่ประสบความสำเร็จรวมชั้นข้อมูลแบบกำหนดตายตัวที่มีความแม่นยำ 100% เข้ากับเครื่องมือ LLM เชิงสนทนาด้านบนสำหรับการตีความของผู้ใช้

• นวัตกรรมที่ขับเคลื่อนด้วยสมมติฐาน: การออกแบบกรอบข้อมูลหลักใหม่ช่วยให้ทีมสามารถตรวจสอบการเปลี่ยนแปลงการประมวลผลได้อย่างรวดเร็ว ลดความเสี่ยงของการลงทุน

บทความ Overcoming Data Fragmentation and the Limits of AI in Transaction Profitability ปรากฏครั้งแรกบน FF News | Fintech Finance