مهندس نرم افزار با استعداد و استراتژیست هوش مصنوعی در مورد پذیرش AI مسئول در بانکداری ، نوآوری سازمانی و آینده یادگیری ماشین در صنایع.
بانک آمریکا اعلام شده سرمایه گذاری 4 میلیارد دلاری در هوش مصنوعی و فن آوری های پیشرفته ، تقریباً یک سوم بودجه کل فناوری آن. این حرکت نشانگر محوریت رو به رشد هوش مصنوعی در امور مالی مدرن است ، با برنامه هایی که خدمات مشتری ، پیشگیری از کلاهبرداری و اتوماسیون عملیاتی را شامل می شود.
این ابتکار عمل در مقیاس بزرگ این بانک را در بین رهبران جهانی در پذیرش هوش مصنوعی شرکت می کند و سؤالات فوری را در مورد چگونگی ساخت ، اداره و مسئولیت پذیری در صنایع بسیار تنظیم شده ایجاد می کند.
برای روشنایی این سؤالات ، ما با Saurav Sharma ، مهندس نرم افزار با بیش از 15 سال تجربه صحبت کردیم و به ویژه روی معماری پشتی متمرکز شدیم. Saurav راه حل های نرم افزاری با تأثیر بالا را برای شرکت های جهانی و سازمان های دولتی ایالات متحده ارائه داده است. در Caterpillar ، وی با ایجاد یک برنامه سفارشی که سرپرستان کارخانه را قادر می سازد بلافاصله مشکلات پایگاه داده را اصلاح کنند ، اختلال در تولید مکرر را حل کرد. وی بعداً دوازده سیستم منسوخ را در یک بستر جهانی واحد ادغام کرد و هزینه های عملیاتی را کاهش داد و پشتیبانی فنی را در امکانات در ایالات متحده ، کانادا و آسیا ساده کرد. در شرکت حمل و نقل JB Hunt ، او فرآیند مناقصه مشتری را برای Walmart خودکار کرد و در طی ماه اول استقرار 200،000 دلار درآمد اضافی تولید کرد.
رهبری فنی Saurav Sharma به پروژه های مهم ملی گسترش یافته است. وی برای پورتال اصلاحات بهداشت و درمان که به عنوان اوباماکار شناخته می شود ، ماژول های اصلی برای صلاحیت بیمه و ثبت نام بیمارستان تحت وزارت بهداشت ایالات متحده تهیه کرد. در اداره حمل و نقل هوایی فدرال ، وی برای حمایت از هماهنگی بین المللی پرواز با دولت سوئیس ، رابط های برنامه نویسی برنامه (API) را توسعه داد. در OvaLovalon ، یک شرکت تجزیه و تحلیل داده های بهداشتی ، وی رابط های کاربری ایمن ، خاص نقش و معماری ورود به سیستم را اجرا کرد ، باعث افزایش پذیرش پلتفرم و کمک به بیش از 500000 دلار درآمد شد. دستاوردهای وی وی را در سال 2025 به دست آورد و در مهندسی و دعوت به عنوان قاضی جوایز Globee برای فناوری ، با تأکید بر شناخت ملی و بین المللی خود به عنوان یک متخصص پیشرو در توسعه نرم افزار ، به وی اعطا شد.
Saurav ، به عنوان یک رهبر دریایی که مسئولیت نرم افزار بانکی بحرانی و هماهنگی تیم های توسعه جهانی در بانک مرکزی آمریکا است ، در حال حاضر نقش هوش مصنوعی در بانکداری را چگونه می بینید؟
هوش مصنوعی در حال تبدیل شدن به یک لایه عملیاتی اصلی است. ما از هوش مصنوعی برای بهبود همه چیز از مشارکت مشتری گرفته تا کارایی داخلی و تشخیص کلاهبرداری استفاده می کنیم. به عنوان مثال ، در Bank of America ، AI از دستیار دیجیتال ما پشتیبانی می کند ، به تشخیص ناهنجاری های معامله کمک می کند ، و گردش کار با باطن تکراری را که قبلاً زمان قابل توجهی مصرف می کردند ، خودکار می کند.
اما مهمتر از همه ، در بخشی مانند امور مالی ، ما تصمیماتی می گیریم که می تواند بر اعتبار ، پس انداز یا دسترسی به خدمات مالی تأثیر بگذارد. این بدان معناست که هر مدلی که ما مستقر می کنیم باید قابل توضیح ، تعصب و مطابق با مقررات در حال تحول باشد. ما قبل از اینکه هر مؤلفه AI به صورت زنده ادامه یابد ، فرآیندهای آزمایش و اعتبار سنجی دقیق را اعمال می کنیم.
بنابراین ، هوش مصنوعی در بانکداری هم تحول و هم حساس است. این پتانسیل عظیمی دارد ، اما باید با احتیاط ، شفافیت و پاسخگویی اجرا شود. ما تلاش می کنیم هر روز آن تعادل را حفظ کنیم.
در بانک مرکزی آمریکا ، شما به ایجاد یک کمیته داخلی مدیریت هوش مصنوعی و فرآیندهای اعتبار سنجی که شامل آزمایش انصاف ، تشخیص تعصب و مستندات رفتار مدل است ، کمک کردید. چگونه این تغییر کرده است که چگونه هوش مصنوعی در بانک توسعه یافته و مستقر شده است؟
اجرای آن ساختارها به طور قابل توجهی رویکرد ما به توسعه هوش مصنوعی را تحت تأثیر قرار داده است. اول ، این یک مدل مسئولیت پذیری مشترک ایجاد کرد – تصمیمات AI با همکاری تیم های انطباق ، حقوقی و تجاری انجام می شود. این به ما کمک کرده است تا اعتماد داخلی را ایجاد کنیم و اطمینان حاصل کنیم که همه خطرات و اهداف هر مدل را درک می کنند.
دوم ، فرآیند اعتبار سنجی یک چارچوب ثابت برای ارزیابی هوش مصنوعی قبل از استقرار فراهم می کند. ما برای انصاف ، تعصب بالقوه پرچم را آزمایش می کنیم و چگونه مدل ها را در شرایط مختلف رفتار می کنند. این امر باعث می شود که موارد زود هنگام تشخیص مسائل و توضیح مدل های ما در صورت لزوم ، به عنوان مثال ، در حین حسابرسی یا بررسی مشتری ، آسانتر شود. اگرچه این روند توسعه ما را در بعضی موارد کندتر کرده است ، اما ایمن تر و شفاف تر است ، که در بانکداری ضروری است.
علاوه بر نقش خود در بانک مرکزی آمریکا ، شما به عنوان شریک و معاون رئیس جمهور در خدمات نرم افزاری Baanyan نیز فعالیت می کنید. چه نوع چالش ها یا فرصت هایی را می بینید که بیشتر مشتری ها شروع به اتخاذ راه حل های هوش مصنوعی در صنایع می کنند؟
در باانیان ، ما با سازمان هایی در صنایع مختلف از جمله مراقبت های بهداشتی ، خرده فروشی ، تولید و آموزش همکاری می کنیم. تقریباً در هر مورد ، هوش مصنوعی اکنون در اوایل مکالمه ظاهر می شود ، چه این گردش کار خودکار است، افزایش تجربه مشتری یا اطلاع رسانی تصمیمات محور داده.
فرصت ها قابل توجه است. ما به مشتریان کمک کرده ایم تا با استفاده از مدل های پیش بینی تقاضا ، موجودی را بهینه کنند ، چت های چت را برای خدمات به مشتری بسازند و از یادگیری ماشین برای شناسایی و کاهش خطرات عملیاتی قبل از تشدید استفاده کنیم. با این حال ، فرزندخواندگی همیشه ساده نیست.
چالش ها متفاوت است. برای برخی از شرکت ها ، مشکل شکاف مهارت است. آنها تیم های داخلی آماده پشتیبانی یا مقیاس ابتکارات هوش مصنوعی نیستند. برای دیگران ، این در مورد آمادگی داده ها است – اگر داده های شما پراکنده یا بدون ساختار باشد ، نمی توانید با هوش مصنوعی کارهای زیادی انجام دهید. و سپس جنبه مدیریت تغییر وجود دارد. اتخاذ هوش مصنوعی اغلب به معنای تجدید نظر در نحوه کار تیم ها است و این می تواند به همان اندازه خود فناوری مهم باشد.
نقش من در Baanyan ارائه راه حل ها و کمک به مشتریان است که واقعاً درک کنند که AI می تواند برای آنها چه کاری انجام دهد و چگونه می تواند به سمت آن هدف پایدار بسازد. اینجاست که استراتژی و همدلی دست به دست هم می دهند.
آقای شارما ، در باانیان ، شما ابتکارات پیش رو AI را رهبری کرده اید و راه حل های عملی هوش مصنوعی را ارائه داده اید و این شرکت را به عنوان یک رهبر دست در پذیرش شرکت در AI ، قرار می دهید. چگونه تیم های خود را برای AI و ML در عمل آماده می کنید؟
در Baanyan ، من به اطمینان از اینكه تیم های ما مهارت و ابزاری برای اطمینان با اطمینان با هوش مصنوعی و یادگیری ماشین داشته باشند ، متمرکز شده ام. ما با راه اندازی برنامه های آموزشی ساختاری شروع کردیم. مهندسان یاد می گیرند که با داده های دنیای واقعی کار کنند ، مدل ها را بسازند و درک کنند که چگونه این مدل ها در زمینه های مختلف تجاری رفتار می کنند. هدف این است که از تئوری به برنامه دیگر حرکت کنیم.
یکی از تأثیرگذارترین پروژه ها با مشتری خرده فروشی بود که با سطح موجودی فروشگاه متناقض تلاش می کرد. ما یک مدل یادگیری ماشین ایجاد کردیم که فروش تاریخی ، فصلی و داده های موقعیت مکانی را برای پیش بینی دقیق تر تقاضا تجزیه و تحلیل کرد. در نتیجه ، آنها به طور قابل توجهی موقعیت های بیش از حد و خارج از سهام را کاهش دادند.
این تلاش های دست و پا ، به مهندسان ما تجربه عملی می دهد و اعتماد به نفس خود را ایجاد می کنند. من تیم های مربی ، ایده ها را مرور می کنم و آنها را با چالش های مشتری متصل می کنم. اینگونه است که ما مرتبط می مانیم و به مشتریان کمک می کنیم تا ارزش روشنی را در هوش مصنوعی ببینند.
با نگاهی به آینده ، چه نقشی را می بینید که AI و Machine Learning در آینده بانکداری بازی می کنند و چگونه قصد دارید این فناوری ها را در کار خود در Bank of America و Baanyan ادغام کنید؟
طی یک دهه آینده ، هوش مصنوعی و یادگیری ماشین برای نوآوری بانکی اساسی خواهد بود. ما شاهد اتوماسیون بیشتر در توسعه نرم افزار ، پشتیبانی از فناوری اطلاعات و خدمات به مشتری خواهیم بود ، به ویژه با استفاده از ابزارهای تولید کننده هوش مصنوعی که می توانند کد ، مشکلات عیب یابی را بنویسند یا هوشمندانه به نمایش داده های داخلی پاسخ دهند. در Bank of America ، من در حال ادغام این ابزارها در خط لوله توسعه خود برای تقویت بهره وری و کاهش اصطکاک عملیاتی هستم.
در Baanyan ، من در حال ایجاد یک مرکز تعالی AI هستم ، یک واحد اختصاصی که روی آن متمرکز شده است ایجاد راه حل های AI سفارشی برای مشتریان مابشر ما تجربه گسترده ای در امور مالی و مراقبت های بهداشتی داریم و هدف من این است که مربیگری خود را برای مهندسان جوان که وارد فضای هوش مصنوعی می شوند گسترش دهیم. من به آنها کمک می کنم تا به آنها کمک کنم تا یک احساس مسئولیت قوی ایجاد کنند.
در دراز مدت ، من قصد دارم از پیشینه خود در مهندسی و مشاوره استفاده کنم تا چیز جدیدی را ایجاد کنم ، سرمایه گذاری که از هوش مصنوعی برای رفع مشکلات دنیای واقعی در بخش هایی مانند FinTech یا منابع انسانی استفاده می کند. پتانسیل بسیار در پیش رو وجود دارد ، و من می خواهم در حاشیه آن با مسئولیت پذیری و هدف قرار بگیرم.