چگونه AWS به غول‌های مالی مانند JPMorgan و Bridgewater در جاه‌طلبی‌های هوش مصنوعی خود کمک می‌کند

• خدمات وب آمازون فناوری داده و محاسباتی را به سایر شرکت‌ها ارائه می‌دهد.
• این شرکت به بخش مهمی از فناوری وال استریت تبدیل شده است و بسیاری از شرکت‌ها به آن تکیه دارند.
• در اینجا نحوه کمک به شرکت‌های مالی و فین‌تک در تلاش‌های هوش مصنوعی مولد آورده شده است.

هوش مصنوعی مولد جنگ در فضای ابری عمومی را برای سهم کیف پول وال استریت افزایش داده است.

Amazon Web Services، Microsoft Azure و Google Cloud، بازوهای رایانش ابری شرکت‌های بزرگ فناوری، در حال مبارزه هستند تا ارائه‌دهنده ابری مورد علاقه صنعت مالی باشند. استراتژی‌های برنده شدن در این تجارت فراتر از ارائه فناوری بود - بسیاری اکنون بر کمک به مشتریان برای استقرار هوش مصنوعی تمرکز دارند.

برای حفظ برتری خود، آمازون اعلام کرد که قصد دارد حدود 105 میلیارد دلار در کسب و کار خود سرمایه‌گذاری کند که بخش عمده‌ای از آن به AWS و تلاش‌های هوش مصنوعی آن اختصاص خواهد یافت. برای نگاهی به اینکه چگونه این پول ممکن است به وال استریت برسد، Business Insider با جان کین، رئیس توسعه بازار خدمات مالی در AWS، صحبت کرد. کین، که قبل از تغییر صنعت در JPMorgan Chase و Nasdaq کار می‌کرد، جهت‌گیری آینده کسب و کار AWS در وال استریت را از طریق چهار مشتری مختلف تشریح کرد: دو بانک بین‌المللی بزرگ، یک صندوق پوشش ریسک و یک فین‌تک.

کین با اشاره به بلوغ هوش مصنوعی صنعت گفت: "وظایف پیچیده‌تر می‌شوند، همه چیز ماهیت عامل‌تری پیدا می‌کند، برای موارد استفاده فردی بسیار بیشتر تنظیم می‌شود تا مزایای عملکرد قیمت واقعی را به دست آورد."

بسیاری از کارهای پشت صحنه در مورد کاهش تعداد توهمات بوده است، یک مشکل رایج که در آن پاسخ‌های نادرست به عنوان واقعیت ارائه می‌شوند.

یک مثال AWS Bedrock است، سرویسی که به مشتریان کمک می‌کند برنامه‌ها و مدل‌های هوش مصنوعی مولد بسازند. سال گذشته، AWS قابلیتی به نام Bedrock Guardrails معرفی کرد که پاسخ‌های خروجی از مدل‌های زبانی بزرگ را بررسی می‌کند و سپس از یک مدل زبانی بزرگ دیگر برای بررسی اینکه آیا آن پاسخ واقعاً پاسخ خوبی بوده است یا خیر استفاده می‌کند. کین گفت، در برخی موارد، این رویکرد حدود 75 درصد توهمات را تشخیص داد.

سایر تلاش‌های AWS، مانند استدلال خودکار، سعی کرده‌اند از اثبات‌های ریاضی برای اثبات اینکه اطلاعات حاصل از مدل‌های هوش مصنوعی مولد از نظر واقعی درست هستند، استفاده کنند.

در اینجا نحوه کمک AWS به شرکت‌های وال استریت برای استفاده از هوش مصنوعی مولد آورده شده است.

حوزه تمرکز AWS: امنیت و مقیاس

هنگامی که Lori Beer، مدیر ارشد اطلاعات جهانی JPMorgan، در AWS re:Invent در دسامبر روی صحنه رفت، پذیرش بانک از ابر را که در سال 2017 آغاز شد، ترسیم کرد. در سال 2020، JPM 100 برنامه در ابر داشت و سال بعد این تعداد را دو برابر کرد. همچنین بانک مصرف‌کننده بریتانیا خود را از ابتدا در AWS ساخت.

کین گفت، JPMorgan اکنون هزاران برنامه کاربردی دارد که روی AWS اجرا می‌شوند و به طور کامل از فناوری‌های هوش مصنوعی مولد استفاده می‌کنند.

به گفته Beer، پلتفرم داده و هوش مصنوعی داخلی JPMorgan متکی به AWS SageMaker، ابزاری برای ایجاد و آموزش مدل‌های یادگیری ماشین است و بیش از 5000 کارمند هر ماه از این ابزار مبتنی بر ابر استفاده می‌کنند. وی افزود: این بانک روند توسعه مدل‌های جدید، از آزمایش تا استقرار زنده آنها را ساده کرده است.

وی گفت: "این پلتفرم به ما این امکان را می‌دهد تا موج بعدی برنامه‌های کاربردی هوش مصنوعی را در شرکت بسازیم."

به گفته کین، اقدامات امنیتی، حاکمیتی و انطباق در ابر کلید پذیرش JPMorgan بود.

JPMorgan، که روزانه 10 تریلیون دلار پرداخت را پردازش می‌کند و 82 میلیون مشتری در ایالات متحده دارد، به گفته هیئت ثبات مالی، که مؤسسات مالی مهم سیستماتیک جهانی را شناسایی می‌کند، مهم‌ترین بانک سیستماتیک جهان محسوب می‌شود.

کین گفت: "سازمان‌هایی مانند JPMorgan، مقیاس و پیچیدگی منحصربه‌فردی دارند که ناشی از یک سازمان جهانی تنظیم‌شده در چندین خط تجاری است و ما می‌توانیم در کنار آنها یاد بگیریم." وی افزود: دیدگاه انطباق تجاری و امنیتی بانک به پیشبرد نقشه راه AWS کمک کرد.

حوزه تمرکز AWS: هماهنگ‌سازی مدل‌های تخصصی برای تحقیقات سرمایه‌گذاری

حدود دو سال پیش، Bridgewater گروهی از سرمایه‌گذاران، دانشمندان داده و فناوران را گرد هم آورد تا در نحوه درک صندوق پوشش ریسک از بازارها و اقتصادها با هوش مصنوعی و یادگیری ماشین تجدید نظر کنند. بدین ترتیب، AIA Labs متولد شد. گرگ جنسن، مدیر ارشد سرمایه‌گذاری مشترک Bridgewater، به اختصار دستیار سرمایه‌گذاری مصنوعی، بخشی در شرکت سرمایه‌گذاری به دنبال بازآفرینی "هر کاری که ما از طریق تکنیک‌های یادگیری ماشین انجام می‌دهیم" بود. قبلاً به BI گفته بود.

آرون لینسکی، مدیر ارشد فناوری AIA Labs، در re:Invent در دسامبر گفت: "این کار با یک دفترچه یادداشت شروع شد، به Excel رسید و اکنون روی EKS و سایر خدمات AWS اجرا می‌شود."

کین گفت، در ابتدا، قابلیت‌های سمت هوش مصنوعی مولد بیشتر به پرسیدن یک سوال ساده، واداشتن هوش مصنوعی برای فهمیدن نحوه نوشتن کد برای استخراج آن داده از سیستم Bridgewater و تولید پاسخ محدود می‌شد.

وی گفت: "این عالی بود، ساعت‌های زیادی را صرفه‌جویی می‌کرد" و این امکان را برای تحلیلگران سرمایه‌گذاری فراهم کرد که برای دریافت داده‌ها نیازی به مزاحمت برای توسعه‌دهندگان نداشته باشند.

اکنون، پلتفرم هوش مصنوعی Bridgewater می‌تواند یک استراتژی سرمایه‌گذاری پیچیده را تجزیه و تحلیل کند.

کین گفت: "آنها نشان دادند که چگونه توانستند آن سوال سرمایه‌گذاری پیچیده را بردارند، آن را به مراحل متعدد تقسیم کنند و هر یک از آن مراحل را به یک عامل خاص واگذار کنند." به عنوان مثال، یک عامل ممکن است بررسی کند که چگونه نرخ بهره بر بازده کلی تأثیر می‌گذارد، عامل دیگری می‌تواند امور مالی را مجدداً بررسی کند و عامل سوم ممکن است نمایه ریسک را خلاصه کند.

لینسکی گفت: "ما امروز متوجه شدیم که محدود کردن دامنه مسئولیت‌ها برای هر عامل معین واقعاً مهم است."

لینسکی گفت: "ما در مسیر گردش‌های کاری کامل عامل‌محور هستیم" و افزود: "ما قطعاً همکاران سرمایه‌گذاری خود را با قابلیت‌های موجود جایگزین نمی‌کنیم، اما به تسریع روند آنها کمک می‌کند."

حوزه تمرکز AWS: تبدیل مجموعه‌های داده متعدد به ایده‌های فروش جدید

Mitsubishi UFJ Financial Group، که همه چیز از بانکداری سرمایه‌گذاری گرفته تا مدیریت خزانه‌داری و تأمین مالی تجارت را ارائه می‌دهد، از هوش مصنوعی مولد برای کمک به فروشندگان شرکتی خود استفاده می‌کند. تتسوئو هوریگان، رئیس نوآوری کوانت در MUFG، در re:Invent گفت، یک پلتفرم هوش مصنوعی که ایده‌های فروش را پیشنهاد می‌کند منجر به نرخ تبدیل 30 درصدی شده است.

هوریگان گفت، MUFG پس از راه‌اندازی یک تیم هوش مصنوعی/یادگیری ماشین داخلی دو سال قبل، توسعه برنامه‌های کاربردی هوش مصنوعی مولد را در سال 2023 آغاز کرد. MUFG همچنین حدود 2000 کارمند دارد که به تقریباً 1 میلیون مشتری شرکتی خدمات ارائه می‌دهند.

فروشندگان بانک معمولاً صدها یا هزاران صفحه سند را می‌خوانند تا وضعیت یک مشتری معین و اینکه کدام محصول مالی برای آنها مناسب‌تر است را درک کنند. اما اکنون پلتفرم هوش مصنوعی مجموعه‌های داده متعددی را ترکیب می‌کند، مانند تاریخچه تراکنش مشتری، تبدیل‌های فروش قبلی برای درک اینکه آنها در بازار به دنبال چه هستند، پرونده‌های مالی آنها و اطلاعات عمومی مانند اخبار، کین گفت.

هوریگان گفت، این روند تهیه پیش‌نویس یک پیشنهاد فروش، که می‌تواند چندین ساعت یا روز طول بکشد، اکنون می‌تواند در عرض چند دقیقه انجام شود.

حوزه تمرکز AWS: استفاده از هوش مصنوعی مرکز تماس برای تأثیرگذاری بر استراتژی و تجربه

هوش مصنوعی در مراکز تماس چیز جدیدی نیست، اما برای Rocket Mortgage، این امر باعث می‌شود تا مدیران به استراتژی‌ها و تجربیات کاملاً جدیدی فکر کنند.

این فین‌تک فناوری هوش مصنوعی مولد AWS را در مراکز تماس خود ادغام کرد تا بار را برای هزاران کارمند مرکز تماس خود که هر روز به تماس‌ها، ایمیل‌ها و چت‌های وب پاسخ می‌دهند، کاهش دهد.

دن واسکز، معاون استراتژی هوش مصنوعی در Rocket Mortgage، در re:Invent گفت: ایده این نیست که فقط یک دستیار هوش مصنوعی داشته باشیم، بلکه "یک شبکه کامل از عوامل" است. وی گفت: آنها به رونویسی، انتخاب قطعات کلیدی اطلاعات در اواسط تماس و ارائه بینش‌ها و داده‌ها در مورد تماس پس از آن کمک می‌کنند.

واسکز گفت، هوش مصنوعی مولد به صرفه‌جویی حدود 40000 ساعت در سال برای کارمندان مرکز تماس کمک کرده است و 70 درصد از پشتیبانی مشتری را قادر ساخته است تا به طور کامل خودکار باشد.

اما اکنون، Rocket Mortgage از آن 10 پتابایت داده برای کشف "چه کاری باید انجام دهیم؟" استفاده می‌کند.

کین گفت، فایده واقعی این است که فین‌تک شروع به پرسیدن سؤالات بزرگی مانند "چرا مشتریانم با من تماس می‌گیرند" و "شایع‌ترین مشکلات من چیست" کند و از این اطلاعات برای تجدید نظر در پلتفرم‌های آنلاین خود، ساده‌سازی گردش کار و بهبود تجربه کلی مشتری استفاده کند.