企業並沒有充分利用人工智慧和機器學習。
毫無疑問，人工智慧(AI)和機器學習(ML)正在成為金融科技行業的熱門話題。幾乎在所有的研討會和會議我們都聽到這樣的消息，即這些新興技術的興起以及它們顛覆業務的潛力。
顯然，人工智慧和機器學習是金融科技行業賴以運作的藍圖。但是，顯而易見的是，無論如何大肆鼓吹金融科技人工智慧對企業的影響力，但由於許多公司無法對這些新技術進行可視化，集成和採用，它就仍然未得到這些公司的充分利用。
近期，多個行業就這些技術的潛力展開了很多對話，但是根據埃森哲的研究，英國87%的業務領導者都因其採用方面的問題而苦苦掙扎。
這並不是說人們對實現戰略重點的重要性並不了解。確實，有四分之三的高管認為，如果他們在未來五年內不擴大人工智慧的規模，那麼他們就有可能關門大吉。
儘管如此，「炒作」和「實際實施」之間仍然存在差距。只有不到5%的公司成功地實現了人工智慧的工業化，而80%到85%的公司正在尋求零零散散的概念驗證產品——在這種情況下，人工智慧和機器學習的威力往往與業務成果或戰略要求脫節。許多公司沒有充分利用新興技術的全部潛力，因此限制了其對業務的影響。
憑藉大量的歷史數據和結構化數據，金融科技為人工智慧和機器學習技術生成定製產品和解決方案提供了沃土，從而幫助企業提高盈利能力並節省成本。那麼，為什麼公司通常會在短期，中期和長期戰略中緩慢採用，實施和擴展新興技術呢?
接受人工智慧和機器學習的好處
由於缺乏技術知識(從集成的角度來看以及由於人們對業務價值的理解有限而造成的)，許多公司採用人工智慧和機器學習的速度十分緩慢。
公司必須與合適的人員合作，對在客戶層面有切實業務利益和影響的人工智慧和機器學習產品及解決方案進行調試，這一點很重要。
身為一家大型技術公司的矽谷前技術人員和研究工程師，我發現這些技術可以在整個企業的運營中發揮至關重要的作用。公司能發現可以節省成本的機會，同時可以提高效率，從而使財務長能夠更輕鬆地擔當起公司成長的關鍵角色。
企業可以發現未能充分加速日常活動和流程的機會，其方法是結合人工智慧和機器學習技術。這些技術使客戶能夠做出更明智的決策並更高效地運作。同時，新興技術將增加發展機會，從而幫助全球業務發展，幫助公司在國際環境中蓬勃發展。
最近的研究指出，高管們並沒有因為預算限制而努力擴展人工智慧，而是將這些技術集成到當前業務流程中的運營挑戰。在組織內部利用人工智慧和機器學習會遇到很多障礙，如無法建立強有力的組織結構，缺乏基礎數據功能以及沒有在員工那裡得到充分採用。
正是這方方面面的因素使成功擴展了人工智慧和機器學習的公司與單純追求概念證明的公司區分開來。企業老闆不僅必須將採用人工智慧和機器學習視作其進入市場的業務戰略的一部分，而且還必須積極地集成這些技術並鼓勵員工將其應用於日常運營中。
發掘數據洞察
人工智慧和機器學習妙就妙在能夠發掘以前傳統手工流程無法使用的數據洞察。這也無關乎企業規模，也就是說，使用人工智慧和機器學習的擴展成功率或投資回報率並不取決於公司的規模。相反，專注於在組織的公司文化中實施合適的人工智慧和機器學習功能以及思維方式，這才是至關重要的。無論你是初創企業，正在成長的企業還是大型企業，人工智慧和機器學習均可用於推動公司的發展戰略。
從戰略上擴展新興技術的商業優勢是十分巨大的;與那些純粹追求孤立項目的公司，這些公司的人工智慧投資的成功率幾乎是其三倍，而人工智慧投資的回報是其三倍。
研究成功利用人工智慧和機器學習的案例的範圍十分廣泛：有一家日本人壽保險公司使用人工智慧計算向保單持有人的賠付的費用，結果其生產力提高了30%並且每年節省約100萬美元。同樣，有一個由人工智慧驅動的承銷平臺使汽車出租公司每年減少23%的損失並更準確地預測風險。美國頂尖銀行已使用由人工智慧技術驅動的網絡安全公司來區分真實客戶和機器人。它的機器學習模型使一家主要銀行能夠保護其客戶免遭帳戶劫持並且在開始使用的第一周就檢測到百萬次「憑據填充(credential stuffing)」攻擊。因此，人工智慧和機器學習不僅可以提高獲利能力並節省成本，而且還可以保護你的公司今後免遭欺詐和安全漏洞的攻擊。
少說話多做事
為了使企業能夠利用人工智慧和機器學習的優勢，從浮誇的理論敘述轉向實際的實施工作是必不可少的。
作為一個行業，我們必須少說話，多做事，以此來接受人工智慧和機器學習帶來的業務影響。這些技術不應再被視為附庸的解決方案，如今它們對於各種業務模型都是不可或缺的。制定計劃和集成策略，即貴企業將如何使用人工智慧和機器學習來減輕網絡犯罪和欺詐的風險，同時抓住能實實在在產生業務影響的機會，這才是至關重要的。
版權聲明：本文為企業網D1Net編譯，轉載需註明出處為：企業網D1Net，如果不註明出處，企業網D1Net將保留追究其法律責任的權利。