برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
در حالی که اکنون بسیاری از شرکت ها برای اتخاذ و استقرار هوش مصنوعی در حال مسابقه هستند ، Giant Experian Bureau Bureau Roade رویکردی بسیار اندازه گیری کرده است.
Experian فرآیندهای داخلی ، چارچوب ها و مدلهای حاکمیتی خود را توسعه داده است که به آن کمک کرده است تا هوش مصنوعی تولیدی را آزمایش کند ، آن را در مقیاس مستقر کند و تأثیر بگذارد. سفر این شرکت به تبدیل عملیات از یک دفتر اعتباری سنتی به یک شرکت پلتفرم پیشرفته AI کمک کرده است. رویکرد آن – بابل یادگیری ماشین پیشرفته (ML) ، معماریهای AI عامل و نوآوری مردمی – عملکردهای تجاری را بهبود بخشیده و دسترسی مالی را به 26 میلیون آمریکایی تخمین زده است.
سفر هوش مصنوعی Experian به شدت با شرکت هایی که فقط پس از ظهور چتگپ در سال 2022 شروع به کاوش در یادگیری ماشین می کنند ، به شدت تضاد دارد. این غول اعتباری نزدیک به دو دهه است که قابلیت های هوش مصنوعی را در حال توسعه است و بنیادی را ایجاد می کند که به سرعت در پیشرفت های تولید AI سرمایه گذاری می کند.
Shri Santhanam ، EVP و GM ، نرم افزار ، سیستم عامل ها و محصولات AI در Experian ، در مصاحبه اختصاصی به VentureBeat گفت: “هوش مصنوعی بخشی از پارچه در Experian Way Beyond بود که در AI خنک بود.” “ما از هوش مصنوعی برای باز کردن قدرت داده های خود برای ایجاد تأثیر بهتر برای مشاغل و مصرف کنندگان طی دو دهه گذشته استفاده کرده ایم.”
از یادگیری ماشین سنتی گرفته تا موتور نوآوری هوش مصنوعی
قبل از دوران ژنرال مدرن AI ، Experian قبلاً با ML استفاده و نوآوری می کرد.
سانتانام توضیح داد که به جای تکیه بر مدلهای آماری اساسی و سنتی ، تجربه پیشگام استفاده از درختان تصمیم گیری شیب دار در کنار سایر تکنیک های یادگیری ماشین برای تحقق اعتبار بود. این شرکت همچنین سیستم های AI قابل توضیح را ایجاد کرد – برای انطباق نظارتی در خدمات مالی – که می تواند استدلال تصمیمات وام دهی خودکار را بیان کند.
از همه مهمتر ، آزمایشگاه نوآوری Experian (آزمایشگاه داده های قبلی) قبل از انتشار Chatgpt با مدل های زبان و شبکه های ترانسفورماتور آزمایش کرده است. این کار اولیه این شرکت را به جای شروع از ابتدا ، به سرعت از پیشرفت های تولید هوش مصنوعی استفاده می کند.
سانتانام توضیح داد: “هنگامی که شهاب سنگ چتپ به آن برخورد کرد ، این یک نقطه شتاب نسبتاً ساده برای ما بود ، زیرا ما این فناوری را درک کردیم ، برنامه هایی را در ذهن داشتیم و ما فقط روی پدال قدم گذاشتیم.”
این بنیاد فناوری Experian را قادر می سازد تا مرحله آزمایشی را دور بزند که بسیاری از شرکت ها هنوز در حال حرکت هستند و مستقیماً به سمت اجرای تولید حرکت می کنند. در حالی که سازمانهای دیگر تازه شروع به درک اینکه چه مدلهای بزرگ زبان (LLMS) می توانند انجام دهند ، Experian قبلاً آنها را در چارچوب هوش مصنوعی موجود خود مستقر کرده بود و آنها را برای مشکلات تجاری خاصی که قبلاً شناسایی کرده بودند ، به کار می برد.
چهار ستون برای تحول AI Enterprise
هنگامی که هوش مصنوعی تولید شد ، Experian وحشت یا محوری نکرد. در طی مسیری که قبلاً ترسیم شده بود شتاب گرفت. این شرکت رویکرد خود را در حدود چهار ستون استراتژیک ترتیب داد که به رهبران فنی چارچوبی جامع برای تصویب هوش مصنوعی ارائه می دهد:
- افزایش محصول: Experian برای شناسایی فرصت های پیشرفت های محور AI و تجربیات کاملاً جدید مشتری ، پیشنهادات موجود در مشتری را بررسی می کند. Experian به جای ایجاد ویژگی های AI مستقل ، قابلیت های تولیدی را در مجموعه محصولات اصلی خود ادغام می کند.
- بهینه سازی بهره وری: ستون دوم با اجرای AI در بین تیم های مهندسی ، عملیات خدمات به مشتری و فرآیندهای نوآوری داخلی ، بهینه سازی بهره وری را پرداخت. این شامل ارائه کمک به برنامه نویسی هوش مصنوعی به توسعه دهندگان و ساده سازی عملیات خدمات به مشتری بود.
- توسعه سکو: ستون سوم – شاید بسیار مهم برای موفقیت Experian – بر روی توسعه پلتفرم محور باشد. Experian در اوایل تشخیص داد که بسیاری از سازمان ها برای فراتر از اجرای اثبات مفهوم تلاش می کنند ، بنابراین سرمایه گذاری در زیرساخت های پلت فرم ایجاد شده که به طور خاص برای مقیاس پذیری مسئول ابتکارات AI در سطح شرکت طراحی شده است.
- آموزش و توانمندسازی: ستون چهارم به آموزش ، توانمندسازی و ارتباطات مربوط می شود – ایجاد سیستم های ساختاری برای هدایت نوآوری در سراسر سازمان به جای محدود کردن تخصص هوش مصنوعی به تیم های تخصصی.
این رویکرد ساختاری یک طرح را برای شرکت هایی که به دنبال حرکت فراتر از آزمایش های هوش مصنوعی پراکنده به سمت اجرای سیستماتیک با تأثیر تجاری قابل اندازه گیری هستند ، ارائه می دهد.
معماری فنی: چگونه Experian یک پلت فرم AI مدولار ساخت
برای تصمیم گیرندگان فنی ، معماری پلت فرم Experian نحوه ساخت سیستم های هوش مصنوعی سازمانی را نشان می دهد که نوآوری را با حاکمیت ، انعطاف پذیری و امنیت متعادل می کند.
این شرکت یک پشته فنی چند لایه با اصول طراحی اصلی ساخت که در اولویت سازگاری قرار دارد:
سانتانام توضیح داد: “ما از عبور از درهای یک طرفه خودداری می کنیم.” “اگر ما در مورد فناوری یا چارچوب ها انتخاب می کنیم ، می خواهیم بیشتر از همه اطمینان حاصل کنیم … ما انتخاب هایی را انجام می دهیم که در صورت لزوم می توانیم از آن محوری کنیم.”
معماری شامل:
- لایه مدل: چندین گزینه بزرگ مدل زبان ، از جمله API های OpenAi از طریق Azure ، مدل های Bedrock AWS ، از جمله کلود Anthropic و مدل های اختصاصی تنظیم شده.
- لایه کاربردی: ابزار سرویس و کتابخانه های مؤلفه که مهندسان را قادر می سازند تا معماری های عامل را بسازند.
- لایه امنیتی: مشارکت اولیه با دینامو AI برای امنیت ، مدیریت سیاست و آزمایش نفوذ به طور خاص برای سیستم های AI طراحی شده است.
- ساخت و ساز حاکمیت: یک شورای جهانی ریسک هوش مصنوعی با درگیری مستقیم اجرایی.
این رویکرد در تضاد با بنگاه هایی است که متعهد به راه حل های یکپارچه یا مدل های اختصاصی بوده اند و انعطاف پذیری بیشتری را به عنوان قابلیت های هوش مصنوعی ارائه می دهند. این شرکت اکنون شاهد تغییر معماری خود به سمت آنچه که سانتانام به عنوان “سیستم های هوش مصنوعی بیشتر به عنوان ترکیبی از متخصصان و نمایندگان طراحی شده توسط مدلهای متخصص متمرکزتر یا زبان کوچک تر توصیف می کنند ، تغییر می کند.
تأثیر قابل اندازه گیری: ورود مالی به محور AI در مقیاس
فراتر از پیچیدگی معماری ، اجرای هوش مصنوعی Experian نشان دهنده تأثیر تجاری و تأثیر اجتماعی ، به ویژه در پرداختن به چالش “اعتبارات اعتباری” است.
در صنعت خدمات مالی ، “اعتبارات اعتباری” به تقریباً 26 میلیون آمریکایی که فاقد سابقه اعتباری کافی برای تولید نمره اعتباری سنتی هستند ، اشاره دارد. این افراد ، که اغلب مصرف کنندگان جوان تر ، مهاجران اخیر ، یا کسانی که از جوامع تحت نظارت تاریخی هستند ، با وجود اینکه به طور بالقوه قابل اعتبار هستند ، موانع قابل توجهی برای دسترسی به محصولات مالی دارند.
مدل های امتیاز دهی به اعتبار سنتی در درجه اول به داده های استاندارد اعتبار اعتبار مانند تاریخ پرداخت وام ، استفاده از کارت اعتباری و سطح بدهی متکی هستند. بدون این تاریخ متعارف ، وام دهندگان به طور تاریخی این مصرف کنندگان را به عنوان پرخطر و یا از خدمت به آنها کاملاً خودداری می کردند. این یک Catch-22 را ایجاد می کند که در آن مردم نمی توانند اعتبار ایجاد کنند زیرا در وهله اول نمی توانند به محصولات اعتباری دسترسی پیدا کنند.
Experian از طریق چهار نوآوری خاص هوش مصنوعی با این مشکل مقابله کرد:
- مدل های داده جایگزین: سیستم های یادگیری ماشین که شامل منابع داده غیر سنتی (پرداخت اجاره ، خدمات ، پرداخت های مخابراتی) در ارزیابی های اعتباری ، تجزیه و تحلیل صدها متغیر به جای عوامل محدود در مدل های معمولی است.
- هوش مصنوعی قابل توضیح برای انطباق: چارچوب هایی که با بیان اینکه چرا تصمیمات امتیاز دهی خاص اتخاذ می شود ، حفظ نظارتی را حفظ می کند و امکان استفاده از مدل های پیچیده در محیط وام دهی بسیار تنظیم شده را فراهم می کند.
- تجزیه و تحلیل داده های روند: سیستم های هوش مصنوعی که بررسی می کنند که چگونه رفتارهای مالی با گذشت زمان به جای ارائه عکس های استاتیک ، تشخیص الگوهای در مسیرهای تعادل و رفتارهای پرداختی که بهتر پیش بینی اعتبار آینده را پیش بینی می کنند ، تکامل می یابند.
- معماری های خاص بخش: طرح های مدل سفارشی که بخش های مختلف اعتبارات اعتباری را هدف قرار می دهد – با پرونده های نازک در مقابل آنهایی که تاریخ سنتی ندارند.
نتایج قابل توجه بوده است: موسسات مالی با استفاده از این سیستم های هوش مصنوعی می توانند 50 ٪ متقاضیان بیشتری را از جمعیت های قبلاً نامرئی در حالی که حفظ یا بهبود عملکرد ریسک را تأیید می کنند ، تأیید کنند.
پیشگیری های عملی برای تصمیم گیرندگان فنی
برای شرکتهایی که به دنبال رهبری در پذیرش هوش مصنوعی هستند ، تجربه Experian چندین بینش عملی را ارائه می دهد:
معماری سازگار را بسازید: ساخت سیستم عامل های هوش مصنوعی که امکان انعطاف پذیری مدل را به جای شرط بندی منحصراً در ارائه دهندگان یا رویکردهای واحد فراهم می کند.
دولت را زود ادغام کنید: تیم های عملکردی را ایجاد کنید که در آن امنیت ، انطباق و توسعه دهندگان هوش مصنوعی از ابتدا به جای اینکه در سیلوها فعالیت کنند ، همکاری می کنند.
تمرکز بر تأثیر قابل اندازه گیری: اولویت بندی برنامه های هوش مصنوعی مانند گسترش اعتبار Experian که ارزش تجاری ملموس را ارائه می دهد و در عین حال به چالش های گسترده تری نیز می پردازد.
معماریهای عامل را در نظر بگیرید: فراتر از چت بابات های ساده به سمت سیستم های ارکستر شده و چند عامل که می توانند به طور مؤثرتری کارهای پیچیده خاص دامنه را انجام دهند ، حرکت کنید.
برای رهبران فنی در خدمات مالی و سایر صنایع تنظیم شده ، سفر Experian نشان می دهد که مسئولیت مسئولیت پذیری AI مانعی برای نوآوری نیست بلکه قادر به رشد پایدار و قابل اعتماد است.
Experian با ترکیب توسعه فناوری روشمند با طراحی برنامه های آینده نگر ، نقشه ای را ایجاد کرده است که چگونه شرکت های داده سنتی می توانند خود را به سیستم عامل های دارای هوش مصنوعی با تأثیر تجاری و تأثیر اجتماعی تبدیل کنند.