Η διαφορά μεταξύ της παραδοσιακής Τεχνητής Νοημοσύνης (AI) και της Γενετικής Τεχνητής Νοημοσύνης (GenAI) είναι καθοριστική. Το AI, όπως το γνωρίζαμε μέχρι σήμερα, εστιάζει στη λήψη αποφάσεων βάσει αυστηρών υπολογιστικών μοντέλων και στην εκτέλεση εξειδικευμένων εργασιών, ενώ το GenAI χρησιμοποιεί φυσική γλώσσα και προσφέρει πιο ευέλικτες και δημιουργικές λύσεις. Αυτή η αλλαγή οδήγησε στην εκθετική ανάπτυξη πλατφορμών όπως το ChatGPT, το οποίο συγκέντρωσε ένα εκατομμύριο χρήστες μέσα σε μόλις πέντε ημέρες ενώ, αντίστοιχα, για το Instagram, χρειάστηκαν 2,5 μήνες για να φτάσει το 1 εκατ. χρήστες.
Η ικανότητά του να αλληλεπιδρά σε φυσική γλώσσα και να καθοδηγεί χρήστες με τρόπους κατανοητούς ακόμα και από μη ειδικούς, είναι ένας από τους κύριους λόγους αυτής της επιτυχίας, σε αντίθεση με τα παραδοσιακά μοντέλα μηχανικής μάθησης που συναντούσαν συχνά «αντίσταση» από τους επιχειρηματικούς χρήστες λόγω της πολυπλοκότητας και του τεχνικού τους χαρακτήρα. Ωστόσο, δεν μπορούμε να παραβλέψουμε ότι το παραδοσιακό AI παραμένει απαραίτητο για την επίλυση υπολογιστικά απαιτητικών προβλημάτων. Από την άλλη, το GenAI είναι εξαιρετικό για την ανάλυση και επεξεργασία αδόμητων δεδομένων, ανοίγοντας τον δρόμο σε νέα πεδία εφαρμογών και σε τομείς που δεν μπορούσε να αποδώσει το AI.
Ο συνδυασμός των δύο τεχνολογιών δημιουργεί απεριόριστες δυνατότητες εφαρμογής. Για μια επιχείρηση, το GenAI δεν περιορίζεται μόνο στην αναδιαμόρφωση του τρόπου λήψης αποφάσεων ή λειτουργίας των οργανισμών αλλά και στη δημιουργία νέων πηγών εσόδων, αξιοποιώντας δεδομένα για την ανάπτυξη καινοτόμων προϊόντων.
Οι τράπεζες βρίσκονται στην πρώτη γραμμή αυτής της αλλαγής αφού διαχειρίζονται έναν αξιόλογο όγκο δεδομένων. Η αξιοποίηση του GenAI μπορεί να οδηγήσει σε:
- Δημιουργία εξατομικευμένων προωθητικών προτάσεων: Η ανάλυση προτιμήσεων και συμπεριφορών πελατών αξιοποιώντας αδόμητα δεδομένα, όπως σχόλια από το customer feedback και ιστορικών συναλλαγών, επιτρέπει την ανάπτυξη προτάσεων για προϊόντα και υπηρεσίες που ανταποκρίνονται στις πραγματικές ανάγκες των πελατών.
- Βελτίωση της εξυπηρέτησης πελατών: Τα conversational AI εργαλεία, όπως οι έξυπνοι βοηθοί, μπορούν να προσφέρουν λύσεις σε πραγματικό χρόνο, αναβαθμίζοντας την εμπειρία εξυπηρέτησης.
- Αυτοματοποίηση διαδικασιών: Η επεξεργασία εγγράφων, η αξιολόγηση πιστοληπτικής ικανότητας και η πρόληψη της απάτης μπορούν να γίνουν γρηγορότερα και με μεγαλύτερη ακρίβεια.
- Πρόληψη ηλεκτρονικής απάτης: Το GenAI, με την ικανότητα να αναλύει μοτίβα συμπεριφοράς και να εντοπίζει ανωμαλίες, μπορεί να θωρακίσει ακόμη πιο αποτελεσματικά πελάτες και επιχειρήσεις από σύγχρονες απειλές.
Η συνδυαστική χρήση παραδοσιακού και γενετικού AI στον τραπεζικό κλάδο προσφέρει μέγιστα οφέλη, ειδικά όταν το πρόβλημα απαιτεί τόσο τη διαχείριση κειμένου ή άλλων αδόμητων δεδομένων όσο και τη χρήση ισχυρών υπολογιστικών μοντέλων.
Ένα παράδειγμα, αφορά την προσέγγιση για τον εντοπισμό ύποπτων περιπτώσεων για ξέπλυμα «βρώμικου χρήματος (Anti-money laundering, AML). Η διαδικασία ξεκινά με την εφαρμογή supervised learning, όπου τα μοντέλα εκπαιδεύονται σε ιστορικά δεδομένα για να εντοπίσουν καταγεγραμμένα μοτίβα απάτης. Στη συνέχεια, εισάγεται η μεθοδολογία unsupervised learning για την ανίχνευση ανωμαλιών, επιτρέποντας την αναγνώριση νέων, άγνωστων τύπων απάτης. Τέλος, για να εξασφαλιστεί η διαφάνεια και η δυνατότητα ερμηνείας των αποτελεσμάτων, το GenAI αναλύει τις ύποπτες συναλλαγές και παρέχει εξηγήσεις με ανθρώπινη γλώσσα, διευκολύνοντας τους αναλυτές να κατανοήσουν πλήρως τις υποκείμενες αιτίες και να λάβουν τεκμηριωμένες αποφάσεις.
Η υιοθέτηση του GenAI δεν αλλάζει μόνο το λειτουργικό μοντέλο ενός οργανισμού, αλλά και τις δεξιότητες που απαιτούνται από τις εταιρείες. Καθώς το GenAI βασίζεται σε πρότυπα (prompts) για να αποδώσει χρήσιμες πληροφορίες, οι prompt engineers γίνονται περιζήτητοι. Παράλληλα, οι subject matter experts θα χρειαστούν για να εκπαιδεύουν τα μοντέλα και να διασφαλίζουν την ακρίβεια και τη σχετικότητα των αποτελεσμάτων.
Σε κάθε περίπτωση βασική αρχή είναι πως ο ψηφιακός μετασχηματισμός των οργανισμών απαιτεί συνδυασμό τεχνολογικών γνώσεων και βαθιάς κατανόησης του εκάστοτε αντικειμένου, ενισχύοντας τη ζήτηση για συνεργασία ανάμεσα σε τεχνολόγους και επιχειρησιακά στελέχη.
Το μέλλον του AI και του GenAI υπόσχεται έναν κόσμο γεμάτο ευκαιρίες, αρκεί να το διαχειριστούμε με σύνεση. Οι τράπεζες και άλλοι οργανισμοί που θα επενδύσουν σε αυτές τις τεχνολογίες θα βρεθούν στην αιχμή της καινοτομίας, αλλά μόνο εφόσον τις συνδυάσουν με τη βαθιά κατανόηση των ανθρώπινων αναγκών και την υπεύθυνη χρήση των δεδομένων.
(*) Director of Business Analytics & Customer Value Management της Eurobank