Những kẻ gian lận và ‘Thiên nga đen’ có điểm gì chung, AI có thể giảm thiểu ảnh hưởng của cả hai như thế nào

Ngày 2 tháng 6 năm 2021

6 phút đọc

Ý kiến ​​được bày tỏ bởi Doanh nhân những người đóng góp là của riêng họ.

Trí tuệ nhân tạo (AI) sử dụng dữ liệu lịch sử để dự đoán tương lai. Ví dụ, trong trường hợp gian lận, hoạt động gian lận lịch sử có thể được sử dụng để dự đoán gian lận mới trong thời gian thực. Hiện tại, AI thường được sử dụng trong chống rửa tiền (AML) bằng cách theo dõi dữ liệu lịch sử và sử dụng các điểm bất thường đối với phân phối chuẩn.

Ngoài việc xem xét sự việc và rút ra kết luận – giống như một con người có thể – AI có thể tiêu hóa một lượng lớn dữ liệu và kết hợp nó thành một mô hình duy nhất có thể kết luận cũng như dự đoán.

Nói cách khác, AI liên quan đến sự tổng quát hóa en masse sử dụng một thuật toán phức tạp có thể dự đoán kết quả đầu ra phù hợp với dữ liệu lịch sử.

Liên quan: Khi nào bạn không nên đầu tư vào AI?

Còn về dữ liệu động?

Dự đoán dựa trên một tập hợp dữ liệu lịch sử có thể hoạt động tốt cho các mục đích nhất định, nhưng nó phụ thuộc rất nhiều vào một thế giới lý tưởng, nơi tất cả dữ liệu đều nhất quán. Chúng tôi biết điều này không phải luôn luôn như vậy.

Trong môi trường lý thuyết hoặc phòng thí nghiệm, dữ liệu là tĩnh. Trong thế giới thực, nó có xu hướng năng động. Nếu chúng ta đang nghĩ về AI như đã giải thích ở trên, thì các vấn đề sẽ xảy ra khi dữ liệu thay đổi và thay đổi – một sự xuất hiện phổ biến trong bất kỳ môi trường kinh doanh thế giới thực nào.

Điều gì xảy ra khi dữ liệu thay đổi?

Nếu đã từng có một ví dụ về hoàn cảnh thay đổi, thì 18 tháng qua chính là như vậy.

Nhận thức sâu sắc là một điều tuyệt vời: Điều gì sẽ xảy ra nếu chúng ta biết rằng một đại dịch nghiêm trọng sẽ xảy ra? Chẳng hạn, nó sẽ ảnh hưởng đến bảo hiểm và rủi ro cho vay như thế nào? Nó sẽ tác động như thế nào đến các mô hình sản xuất dựa trên hàng triệu điểm dữ liệu từ năm 2015 đến năm 2019? Rõ ràng, năm 2020 đã gây ra một sự bất thường lớn, trong dữ liệu thường được gọi là Thiên nga đen – một “ẩn số không xác định” mà mặc dù đã chuẩn bị tốt nhất và các mô hình dữ liệu phức tạp nhất, vẫn không thể được dự đoán đầy đủ.

Điều này đã ảnh hưởng đến nhiều quy trình mà chúng tôi coi là đương nhiên. Tất cả đều rất tốt khi sử dụng một thứ gì đó như xử lý ngôn ngữ tự nhiên (NLP) để sắp xếp thông qua các email dịch vụ khách hàng, nhưng còn một loạt email mới liên quan đến Covid-19, một vấn đề chưa từng được xử lý hoặc thậm chí được đề cập trong lịch sử thì sao?

Tuy nhiên, Thiên nga đen giống như một đại dịch toàn cầu không phải là thứ duy nhất có thể ảnh hưởng nghiêm trọng đến môi trường kinh doanh. Gian lận luôn thay đổi và phát triển, khi những kẻ gian lận cố gắng tấn công từ các góc độ khác nhau và học các kỹ thuật mới mỗi ngày.

Khi nói đến các ứng dụng AI có nhiệm vụ quan trọng như phát hiện gian lận, các giải pháp phải đáp ứng ba tiêu chí chính: ổn định, bền vững và phân phối như một hệ thống.

Liên quan: Covid-19 sẽ thúc đẩy làn sóng đổi mới tiếp theo

Ổn định

Ổn định là từ trên môi của mọi người vào năm 2021 khi các doanh nghiệp cố gắng đảm bảo rằng họ có thể duy trì khả năng phục hồi sau một năm “không ổn định” và điều chỉnh hoạt động của mình để chống chọi với những thách thức của bình thường mới. Điều này không khác gì trong thế giới máy học.

Trong học máy, sự ổn định là tất cả về cách có thể đối phó với các thách thức khác nhau. Trong khi một ứng dụng cổ điển sẽ có thể lấy đầu vào và dự đoán đầu ra, một hệ thống thực sự ổn định có thể làm như vậy bất chấp các yếu tố môi trường như lỗi hoặc lỗi chính tả trong dữ liệu hoặc thậm chí là sai lệch. Một hệ thống ổn định cũng sẽ có thể lưu ý khi điều này không diễn ra đúng cách, vì bất kỳ lý do gì, và cảnh báo cho con người chúng ta.

Các vấn đề về độ bền thường có thể xuất hiện trong quá trình sản xuất: việc xây dựng bằng chứng về khái niệm của bạn khác xa với việc sản xuất một giải pháp ổn định trong thế giới thực. Hiểu rõ ràng về dữ liệu, cũng như những thay đổi và sai sót có thể xảy ra, là điều bắt buộc – thì nhóm phát triển có thể xác nhận tính mạnh mẽ của mô hình càng sớm càng tốt.

Sự bền vững

Các giải pháp AI có thể được coi như một thực thể sống và thở. Bạn không thể chỉ xây dựng, triển khai và tiếp tục; chúng đòi hỏi sự quan tâm và bảo trì liên tục theo thời gian. Vì máy học là hướng dữ liệu, điều quan trọng là phải hiểu rằng dữ liệu là động và sẽ thay đổi theo thời gian. Khi điều này xảy ra, giải pháp cần có khả năng thích ứng. Nếu không có khả năng thay đổi mô hình của bạn, nó sẽ trở nên không còn phù hợp rất nhanh và sẽ không bền vững.

Các vấn đề với việc thay đổi mô hình thường liên quan đến nghiên cứu. Các kỹ sư sử dụng dữ liệu để đào tạo một mô hình, nhưng họ cần nghiên cứu nơi chưa biết hoặc chưa xác định được giải pháp. Điều quan trọng là phải có một quy trình kỹ lưỡng, nơi bạn điều tra các hướng khác nhau trước khi vấn đề được giải quyết – điều này cần được thực hiện lặp đi lặp lại trong quá trình sản xuất khi dữ liệu thay đổi để đảm bảo tính bền vững.

Liên quan: Làm thế nào AI đã hoàn toàn thay đổi Medtech

Xây dựng hệ thống

Như đã thảo luận, cả tính ổn định và tính bền vững đều rất quan trọng. Chúng liên quan đến nhiều thách thức khác nhau, nhưng chúng có thể được vượt qua với sự đầu tư đúng đắn vào các nguyên tắc cơ bản. Tuy nhiên, cả hai yếu tố chỉ có thể hoạt động nếu nhóm lãnh đạo (ví dụ: CIO, lãnh đạo AI / ML) giải quyết quy trình sản xuất theo đúng cách.

Hiện tại, có một khoảng cách rất lớn giữa việc xây dựng một mô hình với một nhóm các nhà nghiên cứu tuyệt vời và sản xuất một hệ thống AI có giá trị. Để đạt được giai đoạn đó, một hệ thống phải được phát triển bao gồm khả năng giám sát, đào tạo lại các mô hình trong quá trình sản xuất, so sánh các mô hình, thu thập phản hồi của người dùng, loại bỏ nhiễu liên quan đến đầu vào dữ liệu, giảm thiểu sự thiên vị và hơn thế nữa.

Đưa AI vào thiết bị cao cấp

Giờ đây, năm 2021 sẽ là một năm quan trọng đối với việc áp dụng AI, đặc biệt là trong hệ thống dịch vụ tài chính nhằm mục đích mạnh mẽ chống lại các sự kiện bất ngờ như đại dịch và mối đe dọa lừa đảo ngày càng gia tăng.

Hiện tại, chúng tôi đang thấy rất nhiều bằng chứng thú vị về khái niệm và thậm chí một số người dùng đầu tiên đạt được ROI từ AI. Năm nay, công nghệ, kinh nghiệm và tài năng liên quan đến việc chiết xuất giá trị đích thực từ AI sẽ đạt đến mức quan trọng.

Sẽ có sự khác biệt rất lớn và rõ ràng giữa các công ty đã xây dựng chiến lược, đội ngũ, công cụ và mối quan hệ phù hợp với các nhà cung cấp bên ngoài và những công ty không áp dụng cách tiếp cận đảm bảo các mô hình AI hoạt động như một “hệ thống ổn định, bền vững”.