நிதித்துறையில் AI: சாட்பாட்களை தாண்டி முக்கிய பணிகளுக்கு மாற்றம்!

முக்கிய செயல்பாடுகளில் AI-யின் அடுத்த கட்டம்

நிதித்துறை ஒரு பெரிய மாற்றத்தை சந்தித்து வருகிறது. செயற்கை நுண்ணறிவு (AI) என்பது இப்போது வாடிக்கையாளர்களைக் கவரும் சாட்பாட்களைத் தாண்டி, நிறுவனங்களின் முக்கிய செயல்பாடுகளுக்குள் நுழைகிறது. இடர் மதிப்பீடு, பணமோசடி தடுப்பு மற்றும் நிகழ்நேர மோசடி தடுப்பு போன்றவற்றுக்கு சிக்கலான இயந்திர கற்றல் (Machine Learning) மாதிரிகள் ஒருங்கிணைக்கப்படுகின்றன. இது வெறும் தொழில்நுட்ப மேம்பாடு மட்டுமல்ல, பழைய விதிகளை அடிப்படையாகக் கொண்ட சிஸ்டம்களால் தடுக்க முடியாத டிஜிட்டல் அச்சுறுத்தல்களைச் சமாளிக்க ஒரு தற்காப்பு நடவடிக்கையாகும்.

உள்கட்டமைப்பு மற்றும் நிர்வாகத்தில் உள்ள இடைவெளி

மென்பொருள் உருவாக்கம் மற்றும் தர உத்தரவாதப் பணிகளில் 40% வரை உற்பத்தித்திறன் அதிகரித்துள்ளதாகத் துறை கூறினாலும், முழு அளவிலான AI பயன்பாட்டிற்கு பெரிய தொழில்நுட்ப தடைகள் உள்ளன. பல நிறுவனங்கள் சிதறிக் கிடக்கும் தரவுகளால் பாதிக்கப்பட்டுள்ளன. இது நிறுவன அளவிலான AI-க்குத் தேவையான ஒருங்கிணைந்த தளங்களை உருவாக்க தடையாக உள்ளது. வேகமான ஃபின்டெக் (FinTech) நிறுவனங்களைப் போலல்லாமல், வங்கிகள் மற்றும் காப்பீட்டு நிறுவனங்கள் பழைய கோர் பேங்கிங் சிஸ்டம்களை நம்பியிருக்கின்றன. இதனால், அதிவேக AI பைப்களுடன் ஒருங்கிணைப்பதில் சிக்கல்கள் எழுகின்றன. எனவே, பிரச்சனை என்னவென்றால், அல்காரிதம்களை விட நிறுவனத்தின் தயார்நிலையே முக்கியமாக உள்ளது. நிறுவனங்கள் இப்போது கண்டுபிடிப்புகளில் இருந்து உள்கட்டமைப்பைச் சரிசெய்வதற்கு மூலதனத்தை திருப்பி விட வேண்டிய கட்டாயத்தில் உள்ளன. மாதிரிகளின் விளக்கத்திறன் (Explainability) மற்றும் ஒழுங்குமுறை இணக்கத்தின் (Regulatory Compliance) செலவு, இந்த பயன்பாடுகளின் சிக்கலான தன்மையுடன் சேர்ந்து அதிகரிக்கிறது.

சிக்கலான தன்மை மற்றும் அபாயங்கள்

செயல்பாட்டு தானியக்கமாக்கலில் (Automation) ஆர்வம் காட்டப்பட்டாலும், குறிப்பிடத்தக்க அமைப்பு ரீதியான அபாயங்கள் தொடர்கின்றன. கடன் ஒப்புதல் மற்றும் க்ளைம் செயலாக்கத்தில் தானியங்கு முடிவுகள் எடுக்கும் முயற்சி, 'பிளாக்-பாக்ஸ்' (Black-box) அபாயத்தை அறிமுகப்படுத்துகிறது. இதை ஒழுங்குமுறை அமைப்புகள் உன்னிப்பாகக் கண்காணிக்கின்றன. ஒரு பணப்புழக்க நெருக்கடி (Liquidity Event) அல்லது தொடர்ச்சியான தவறான க்ளைம் ஒப்புதல்களின் போது, ஒரு மாதிரியின் முடிவெடுக்கும் தர்க்கத்தை தணிக்கை செய்யவோ விளக்கவோ முடியாவிட்டால், நிறுவனத்தின் பொறுப்பு கணிசமாக இருக்கலாம். மேலும், மூன்றாம் தரப்பு ஜெனரேட்டிவ் மாடல்களை நம்பியிருப்பது ஒருமைப்பாட்டு அபாயத்தை (Concentration Risk) உருவாக்குகிறது. சில பெரிய நிறுவனங்களிடம் (Hyperscalers) தங்கள் AI கட்டமைப்பை அவுட்சோர்ஸ் செய்யும் நிறுவனங்கள், தங்கள் டிஜிட்டல் கட்டமைப்பில் ஒரு ஒற்றைப் புள்ளி தோல்வியை (Single Point of Failure) உருவாக்குகின்றன. இது விற்பனையாளர் தரப்பில் ஏற்படும் தடங்கல்கள் அல்லது பாதுகாப்பு மீறல்களின் போது செயல்பாட்டு பின்னடைவை பாதிக்கலாம்.

எதிர்காலப் பார்வை மற்றும் உத்திகள்

எதிர்காலத்தில், இரட்டை-தட உத்தி (Dual-track Strategy) எதிர்பார்க்கப்படுகிறது. நிறுவனங்கள் நிர்வாகச் செலவுகளைச் சமாளிக்க உள் செயல்பாட்டுத் திறனில் தொடர்ந்து கவனம் செலுத்தும், அதே நேரத்தில் வாடிக்கையாளர் ஈர்ப்பில் AI-யால் இயக்கப்படும் வளர்ச்சி அளவீடுகளையும் சோதிக்கும். இருப்பினும், நீண்டகால வெற்றி, மாதிரிகளின் நுணுக்கத்தைப் பொறுத்தது அல்ல, அதைச் சுற்றியுள்ள நிர்வாக கட்டமைப்பின் கடுமையைப் பொறுத்தது. வெளிப்படையான, தணிக்கை-தயார் உள்கட்டமைப்பில் இப்போது பெருமளவில் முதலீடு செய்யும் நிறுவனங்கள், வேகத்தை விட அடித்தள ஒருமைப்பாட்டிற்கு முன்னுரிமை கொடுக்கும் நிறுவனங்களை விட குறைவான வழக்கு மற்றும் ஒழுங்குமுறை இணக்கச் செலவுகளை எதிர்கொள்ளும். தொழில் முன்னேறும்போது, AI-யில் முதிர்ச்சியடைந்த நிறுவனங்களுக்கும் பழைய ஒருங்கிணைப்புடன் போராடும் நிறுவனங்களுக்கும் இடையிலான வேறுபாடு, அந்தத் துறைக்கான மதிப்பீட்டு அளவீடுகளில் ஒரு முக்கிய வேறுபடுத்தியாக மாறும்.