Principali insegnamenti tratti dalla discussione con il Dr. Sai Zeng, Head of AI CoE & Distinguished Engineer di UBS, in occasione dell'AI for Financial Services Summit di Artefact , il 12 giugno 2024.
Domande di Akhilesh Kale, Partner di Artefact US.
Sai Zeng: in UBS guida l'implementazione di strategie basate sull'intelligenza artificiale per migliorare la gestione dei dati, la riduzione dei rischi e l'efficienza operativa nelle funzioni del gruppo bancario.
Informazioni su UBS: UBS è una società di servizi finanziari globale che offre servizi di gestione patrimoniale, asset management e investment banking. Opera nei principali centri finanziari del mondo, fornendo soluzioni finanziarie su misura a una clientela diversificata.
Scala e sviluppo dei talenti
La replica di data scientist senior e l'integrazione di talenti diversi nell'apprendimento automatico, nell'apprendimento profondo e nell'NLP sono fondamentali per la scalabilità della tecnologia AI. La co-sviluppo di soluzioni con i team di sviluppo e gli stakeholder aziendali promuove un approccio "full stack data scientist".
L'intelligenza artificiale come estensione delle soluzioni esistenti
L'intelligenza artificiale e l'apprendimento automatico sono visti come estensioni di prodotti e soluzioni esistenti, non come prodotti a sé stanti. Questo incoraggia una stretta collaborazione con i team di sviluppo e i proprietari dei prodotti per integrare i modelli di IA nei framework esistenti.
Bilanciare innovazione e produzione
I team dedicano circa il 20% della loro capacità all'innovazione e alla sperimentazione di nuovi modelli linguistici di grandi dimensioni (LLM) e tecnologie. Questo approccio strutturato garantisce che la sperimentazione orientata ai problemi si allinei con gli obiettivi organizzativi, bilanciando la necessità di innovazione con la fornitura di progressi e valore misurabili.
Casi d'uso concreti in ambito legale e finanziario
Le applicazioni di intelligenza artificiale includono uno strumento di ricerca di documenti legali che migliora la funzionalità di ricerca per 20 milioni di documenti e uno strumento di commento automatico per i controllori finanziari che automatizza l'aggregazione dei dati e la generazione di commenti. Questi strumenti migliorano l'efficienza operativa e rispondono a specifiche esigenze aziendali.
Strategia di integrazione e implementazione
È fondamentale assumere persone che conoscano gli algoritmi di IA e siano in grado di integrare le funzionalità con le soluzioni di prodotto. Ciò implica un concetto di "data scientist full stack", in cui i professionisti conoscono l'IA, lo sviluppo del software, l'implementazione e la scalabilità in produzione, garantendo un approccio olistico fin dall'inizio.
Innovazione guidata dalla risoluzione dei problemi
Il tempo dedicato all'innovazione è guidato da problemi reali. Dopo l'acquisizione di Credit Suisse, un caso d'uso specifico riguardava le domande delle risorse umane sul confronto dei piani 401(k). L'esplorazione si è estesa oltre le semplici domande a complessi framework multi-agente, ispirando ulteriori esplorazioni e innovazioni.
Efficienza e risparmio sui costi
L'IA nei servizi finanziari si concentra sull'efficienza operativa e sul risparmio dei costi, con vantaggi quali il miglioramento dell'esperienza del cliente e delle vendite/marketing. Le applicazioni dell'IA nelle chatbot delle FAQ interne, nella reportistica automatizzata e nell'automazione di aree come l'antiriciclaggio (AML) e i processi di conoscenza dei clienti (KYC) stanno rapidamente entrando in produzione.
Gestione di progetti a lungo termine
Uno strumento di ricerca di documenti legali ha dovuto affrontare sfide come la gestione di 20 milioni di documenti e l'implementazione del controllo degli accessi. Il team ha sviluppato una ricerca simile a quella di Google per i documenti legali, concentrandosi sulla scalabilità e sul controllo degli accessi. Il viaggio dal proof of concept alla produzione è durato oltre un anno.
Commenti finanziari automatizzati
Uno strumento di commento automatico per i controller finanziari automatizza l'aggregazione dei dati e la generazione di commenti. Questo strumento semplifica il processo di spiegazione delle variazioni significative dei profitti e delle perdite (P&L), sostituendo l'ordinamento manuale dei dati con soluzioni automatizzate. Integra modelli linguistici di grandi dimensioni per scoprire modelli linguistici e generare commenti giornalieri.
Approvazione e governance
I modelli di intelligenza artificiale seguono processi di approvazione consolidati simili a quelli dei modelli di rischio. Fornire prove di input, output e metriche garantisce la conformità agli standard di governance. I modelli linguistici di grandi dimensioni richiedono nuovi approcci di convalida, che riflettono la natura in evoluzione delle tecnologie di IA.
Affrontare i problemi di allucinazione
Garantire l'accuratezza senza allucinazioni è una sfida, soprattutto in ambienti con dati strutturati. Le soluzioni prevedono l'utilizzo di modelli di intelligenza artificiale per interpretare i dati e comporre le risposte, riducendo al minimo gli errori. L'interazione con i modelli linguistici di grandi dimensioni si concentra sulla composizione di risposte basate su dati accurati estratti tramite istruzioni SQL.