BFSI ਵਿੱਚ AI ਦਾ ਨਵਾਂ ਦੌਰ: ਚੈਟਬੋਟਸ ਤੋਂ ਹਟ ਕੇ ਰਿਸਕ ਇੰਜਣ ਵੱਲ)

ਅਲਗੋਰਿਦਮਿਕ ਕੋਰ ਆਪਰੇਸ਼ਨਜ਼ ਵੱਲ ਬਦਲਾਅ

ਵਿੱਤੀ ਖੇਤਰ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਦੇਖ ਰਿਹਾ ਹੈ, ਜਿੱਥੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਗਾਹਕਾਂ ਦੇ ਅਨੁਭਵ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਾਲੇ ਸਾਧਨਾਂ ਤੋਂ ਹੱਟ ਕੇ ਸੰਸਥਾਵਾਂ ਦੇ ਮੁੱਖ ਕੰਮਕਾਜ ਦਾ ਹਿੱਸਾ ਬਣ ਰਿਹਾ ਹੈ। ਇਹ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਹੈ, ਜਿਸ ਵਿੱਚ ਚੈਟਬੋਟਸ ਵਰਗੀਆਂ ਸਤਹੀ ਚੀਜ਼ਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਰਿਸਕ ਮਾਡਲਿੰਗ, ਮਨੀ ਲਾਂਡਰਿੰਗ ਵਿਰੋਧੀ ਪ੍ਰੋਟੋਕਾਲ, ਅਤੇ ਧੋਖਾਧੜੀ ਨੂੰ ਰੋਕਣ ਲਈ ਜਟਿਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਵੱਡੀਆਂ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਲਈ, ਇਹ ਸਿਰਫ ਇੱਕ ਤਕਨੀਕੀ ਅੱਪਗਰੇਡ ਨਹੀਂ, ਸਗੋਂ ਇਹਨਾਂ ਨੂੰ ਅਤਿ-ਆਧੁਨਿਕ ਡਿਜੀਟਲ ਖਤਰਿਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਕਦਮ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਪੁਰਾਣੀਆਂ ਰੂਲ-ਬੇਸਡ ਪ੍ਰਣਾਲੀਆਂ ਹੁਣ ਤੇਜ਼ੀ ਨਾਲ ਨਹੀਂ ਰੋਕ ਸਕਦੀਆਂ।

ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਅਤੇ ਗਵਰਨੈਂਸ ਦੀ ਕਮੀ

ਜਿੱਥੇ ਇੱਕ ਪਾਸੇ ਉਦਯੋਗ ਡਿਵੈਲਪਰ ਅਤੇ ਗੁਣਵੱਤਾ ਜਾਂਚ (Quality Assurance) ਵਰਗੀਆਂ ਭੂਮਿਕਾਵਾਂ ਵਿੱਚ 40% ਤੱਕ ਉਤਪਾਦਕਤਾ ਵਾਧੇ ਦੀ ਗੱਲ ਕਰ ਰਿਹਾ ਹੈ, ਉੱਥੇ ਪੂਰੀ ਤਰ੍ਹਾਂ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਰਾਹ ਵਿੱਚ ਵੱਡੀਆਂ ਤਕਨੀਕੀ ਰੁਕਾਵਟਾਂ ਹਨ। ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਟੁੱਟੇ-ਫੁੱਟੇ ਡਾਟਾ ਸਿਲੋਜ਼ (Data Silos) ਕਾਰਨ ਪ੍ਰੇਸ਼ਾਨ ਹਨ, ਜੋ ਕਿ ਇੱਕ ਸੰਗਠਿਤ ਪਲੇਟਫਾਰਮ ਬਣਾਉਣ ਵਿੱਚ ਅੜਿੱਕਾ ਪਾਉਂਦੇ ਹਨ। ਫਿਨਟੈਕ ਕੰਪਨੀਆਂ ਦੇ ਉਲਟ, ਸਥਾਪਿਤ ਬੈਂਕ ਅਤੇ ਬੀਮਾ ਕੰਪਨੀਆਂ ਅਕਸਰ ਪੁਰਾਣੀਆਂ ਕੋਰ ਬੈਂਕਿੰਗ ਪ੍ਰਣਾਲੀਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਹਾਈ-ਥ੍ਰੁਪੁੱਟ AI ਪਾਈਪਲਾਈਨਾਂ ਨਾਲ ਜੋੜਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ, ਮੁੱਖ ਰੁਕਾਵਟ ਅਲਗੋਰਿਦਮ ਦੀ ਬਜਾਏ ਸੰਸਥਾ ਦੀ ਤਿਆਰੀ ਨੂੰ ਮੰਨਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਹੁਣ ਫਰਮਾਂ ਨੂੰ ਨਵੀਨਤਾ (Innovation) ਤੋਂ ਪੂੰਜੀ ਹਟਾ ਕੇ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਨੂੰ ਸੁਧਾਰਨ 'ਤੇ ਲਗਾਉਣਾ ਪੈ ਰਿਹਾ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਦੀ ਸਮਝਯੋਗਤਾ (Explainability) ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪਾਲਣਾ (Regulatory Compliance) ਦੀ ਲਾਗਤ ਵੀ ਵੱਧ ਰਹੀ ਹੈ।

ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਨਜ਼ਰੀਆ: ਗੁੰਝਲਤਾ ਅਤੇ ਜੋਖਮ

ਕਾਰਜਕਾਰੀ ਆਟੋਮੇਸ਼ਨ (Operational Automation) ਦੇ ਉਤਸ਼ਾਹ ਦੇ ਬਾਵਜੂਦ, ਗੰਭੀਰ ਪ੍ਰਣਾਲੀਗਤ ਜੋਖਮ (Systemic Risks) ਬਣੇ ਹੋਏ ਹਨ। ਕ੍ਰੈਡਿਟ ਅੰਡਰਰਾਈਟਿੰਗ ਅਤੇ ਕਲੇਮ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਆਟੋਮੇਟਿਡ ਫੈਸਲੇ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਇੱਕ 'ਬਲੈਕ-ਬਾਕਸ' ਜੋਖਮ ਪੈਦਾ ਕਰਦੀ ਹੈ, ਜਿਸ 'ਤੇ ਰੈਗੂਲੇਟਰ ਪੂਰੀ ਨਜ਼ਰ ਰੱਖ ਰਹੇ ਹਨ। ਜੇਕਰ ਕਿਸੇ ਲਿਕਵਿਡਿਟੀ ਇਵੈਂਟ (Liquidity Event) ਜਾਂ ਗਲਤੀ ਨਾਲ ਹੋਏ ਕਲੇਮ ਅਪਰੂਵਲ ਦੇ ਦੌਰਾਨ ਕਿਸੇ ਮਾਡਲ ਦੇ ਫੈਸਲੇ ਲੈਣ ਦੇ ਤਰਕ (Logic) ਨੂੰ ਆਡਿਟ ਜਾਂ ਸਮਝਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ, ਤਾਂ ਸੰਸਥਾਗਤ ਦੇਣਦਾਰੀ (Institutional Liability) ਕਾਫੀ ਜ਼ਿਆਦਾ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਤੀਜੀ-ਧਿਰ (Third-Party) ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰਤਾ ਇੱਕ ਕਨਸੈਂਟਰੇਸ਼ਨ ਰਿਸਕ (Concentration Risk) ਬਣਾਉਂਦੀ ਹੈ। ਜਿਹੜੀਆਂ ਸੰਸਥਾਵਾਂ ਆਪਣੇ AI ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਕੁਝ ਕੁ ਹਾਈਪਰਸਕੇਲਰਾਂ (Hyperscalers) ਨੂੰ ਆਊਟਸੋਰਸ ਕਰਦੀਆਂ ਹਨ, ਉਹ ਆਪਣੇ ਡਿਜੀਟਲ ਸਟੈਕ ਵਿੱਚ ਅਸਫਲਤਾ ਦਾ ਇੱਕੋ-ਇੱਕ ਬਿੰਦੂ (Single Point of Failure) ਬਣਾ ਰਹੀਆਂ ਹਨ, ਜੋ ਵਿਕਰੇਤਾ-ਪੱਖੀ ਆਊਟੇਜ (Vendor-side Outages) ਜਾਂ ਸੁਰੱਖਿਆ ਉਲੰਘਣਾਵਾਂ (Security Breaches) ਦੌਰਾਨ ਕਾਰਜਕਾਰੀ ਲਚਕੀਲੇਪਣ (Operational Resilience) ਨੂੰ ਸਮਝੌਤਾ ਕਰ ਸਕਦੀ ਹੈ।

ਭਵਿੱਖ ਦਾ ਨਜ਼ਰੀਆ ਅਤੇ ਰਣਨੀਤਕ ਸੰਤੁਲਨ

ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, ਬਾਜ਼ਾਰ ਇੱਕ ਦੋ-ਪੱਖੀ ਰਣਨੀਤੀ (Dual-Track Strategy) ਦੀ ਉਮੀਦ ਕਰ ਰਿਹਾ ਹੈ। ਸੰਸਥਾਵਾਂ ਵਧ ਰਹੇ ਪ੍ਰਸ਼ਾਸਨਿਕ ਖਰਚਿਆਂ (Administrative Costs) ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ ਅੰਦਰੂਨੀ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ (Internal Operational Efficiency) ਨੂੰ ਤਰਜੀਹ ਦੇਣਾ ਜਾਰੀ ਰੱਖਣਗੀਆਂ, ਜਦੋਂ ਕਿ ਨਾਲ ਹੀ ਗਾਹਕ ਪ੍ਰਾਪਤੀ (Customer Acquisition) ਵਿੱਚ AI-ਡ੍ਰਾਈਵਨ ਵਿਕਾਸ ਮੈਟ੍ਰਿਕਸ (Growth Metrics) ਦੀ ਜਾਂਚ ਕਰਨਗੀਆਂ। ਹਾਲਾਂਕਿ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਫਲਤਾ ਸ਼ਾਇਦ ਮਾਡਲਾਂ ਦੀ ਜਟਿਲਤਾ ਨਾਲ ਨਹੀਂ, ਬਲਕਿ ਆਲੇ-ਦੁਆਲੇ ਦੇ ਗਵਰਨੈਂਸ ਢਾਂਚੇ (Governance Framework) ਦੀ ਮਜ਼ਬੂਤੀ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਵੇਗੀ। ਜਿਹੜੀਆਂ ਸੰਸਥਾਵਾਂ ਹੁਣ ਪਾਰਦਰਸ਼ੀ, ਆਡਿਟ-ਤਿਆਰ ਬੁਨਿਆਦੀ ਢਾਂਚੇ (Audit-Ready Infrastructure) ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਕਰਨਗੀਆਂ, ਉਨ੍ਹਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਸੰਸਥਾਵਾਂ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਮੁਕੱਦਮੇਬਾਜ਼ੀ (Litigation) ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਪਾਲਣਾ ਲਾਗਤਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ, ਜੋ ਗਤੀ ਨੂੰ ਬੁਨਿਆਦੀ ਅਖੰਡਤਾ (Foundational Integrity) ਉੱਤੇ ਤਰਜੀਹ ਦਿੰਦੀਆਂ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ ਉਦਯੋਗ ਅੱਗੇ ਵਧ ਰਿਹਾ ਹੈ, AI-ਪੱਕੀਆਂ ਫਰਮਾਂ ਅਤੇ ਪੁਰਾਣੇ ਏਕੀਕਰਨ (Legacy Integration) ਨਾਲ ਸੰਘਰਸ਼ ਕਰ ਰਹੀਆਂ ਫਰਮਾਂ ਵਿਚਕਾਰ ਅੰਤਰ, ਇਸ ਖੇਤਰ ਲਈ ਮੁੱਲਾਂਕਣ ਮੈਟ੍ਰਿਕਸ (Valuation Metrics) ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਅੰਤਰ-ਨਿਰਧਾਰਕ (Key Differentiator) ਬਣ ਜਾਵੇਗਾ।