Discover Financial Services的信贷和决策管理总裁Keith Toney说，在金融服务等高度受监管的领域，生成的AI工具仍然可以脱颖而出。
随着生成AI（Genai）工具在采用和复杂性中的增长，Fortune 500公司发现他们可以更多地依靠数据来推动决策和改善运营。
两年多以来，Discover Financial Services（其中一家财富500强公司）探索了如何使用Genai提高质量和创造效率的方式。但是，在金融服务等严格受监管的行业中，保护敏感的客户数据总是首先出现的，这阻碍了Genai更先进的用例的到来。
加上- genai的更自主版本- 结合可以是噩梦。
计算机世界Discover Financial Services（DFS）的信用与决策管理总裁Keith Toney与公司执行委员会的成员进行了交谈，谈到了公司一直在做什么以及所学的知识。托尼（Toney）也担任所有消费者银行业务的联合总裁，他帮助领导了努力，以促进企业范围内采用高级决策科学。
在2019年Discover Financial Services担任负责企业技术组织的首席数据官之后，他于第二年加入了DFS执行委员会。 Toney拥有超过25年的金融服务，分析和风险合并经济学的经验，专门从事大数据，AI，机器学习，数据可视化功能，数据治理和数据安全方面的新兴技术。他领导一个名为“决策和分析”领域，并直接向DFS的首席执行官J. Michael Sheppard报告。
以下是托尼采访的摘录。
基思·托尼
发现金融服务
因此，我们以前从未谈论过，但是我已经谈论过关于其使用AI的金融服务。您如何参与该技术推出？“我认为您与我的一份直接报告进行了交谈，Raghu Kulkarni是主要数据科学家，但我领导了这一领域。我组织中有大约1,500人，我们正在进行机器学习和分析，数据工作和洞察力的生产。
“最好将其描述为水平和垂直行业，这有点有趣，有点独特。水平存在我们在整个银行中确实在整个价值链中工作，从品牌和营销一直到收藏和恢复。
“不过，垂直部分也很有趣。我对诸如信用之类的事情负有业务责任，这是您在贷款方面所做的主要工作 - 做出承保或信用决定，这是我责任的一部分。这包括所有机器学习模型，这些模型可以决定我们是否会为您提供信用卡还是个人贷款或个人贷款或全家信用额度和信用额度和信用额度的决定，或者将信用额度储备和定存fraud和fraud contraction and Natighation and Native and Native and Native and Native and Native and Digital collection and Fraud及其定金。算法都是我责任的一部分。
“所有这些的主要论点是，作为一家直接面向消费者的数字银行，我们所做的很多事情都是从这些算法中运行。因此，我们决定将其融合在一起，以一种共同的领导结构。”
这正是许多实体现在使用Genai工具所面临的挑战 - 将它们与现有应用程序集成在一起。例如，Salesforce已将AI注入其软件中。而且，您可能拥有自己创建的AI实例，并且希望能够与Salesforce平台中的AI交谈。您是如何为引入AI的基础架构，数据的准备？“我们并不是要建立一个新的大型LLM。我们将从供应商那里购买。但是我们正在量身定制它们。我们正在完善它们。有一个微调这些模型在公司内部的数据中进行互动的过程，并且该数据可能无法为该目的组织而组织。当我们为其捕获其范围并为其构建它的工具时，我们就不会为其进行工具而实现这些功能，以使其在其上进行构建和整理，并实现了它的作用。
“因此，我们正在驾驶几件事。我们与[我们的CIO]一起制作自定义模型，在某些用例中工作。但是，我们还使用Salesforce和Microsoft Copilot。我们是Microsoft Shop。
“我们正在推出Copilot，我们必须进行大量工作，以确保我们对数据分类，受限制的数据结构等进行了深思熟虑，以便我们使其可用于组织的大部分地区。与此同时，我们确保我们仍在保护受限制和安全数据。”
让我们谈谈数据分类，数据结构，安全性和设置护栏，因为我们知道您不能只是设置它而使用AI忘记它。有哪些护栏？您采取了哪些预防措施？“因此，我们有一个具有五个或六个级别的数据分类方案。基本上，我们已经将其作为企业计划推出了一段时间。
最宽松的分类将是可以向公众提供的数据。然后您有一种内部和机密的数据。然后，您受到限制，然后受到监督信息的限制。我们是一个受监管的银行，因此我们一直以监管机构来回进行监管机构 - 联邦储备金中的人或complollers的办公室或complollaner或fdic的范围。这些是我们的范围。层次结构 - 使该分类结构推出，以便所有数据元素基本上分类，然后查看数据中位于企业内的目录结构。
“您可能熟悉SharePoint或OneDrive。这些都是Microsoft的应用程序。但是，无论您是Google商店还是其他任何内容。数据都存在于这些目录结构中。其中有些是非常结构化的数据，其中一些是无结构化的数据，例如音频，例如音频。我们运行了一个大呼叫中心，我们记录了这些呼吸文件。 数据。
“很多时候我们都在谈论[个人身份信息]。因此，有一种分类和标签矩阵会导致标准和我们想要在AI环境内提供的内容。文件。
您是否到达了让所有员工舒适地滚动副驾驶的地步，在那里您仍然会觉得自己的数据会受到保护。“我们正在将其推出，我们学到了很多东西。我认为，您可能会从业内许多行业中听到的听到的是[Genai]的实施放缓，这主要是因为这样的问题[导航安全性，隐私和数据策略]。
“在某些领域，我们感到非常舒适。我们认为我们认为非常严重的容器中有数据。在某些领域，我们已经被封锁了，直到我们对分类方案获得进一步的信心，即在这些空间中没有发现的数据，因此您可以想象，这是一个非常合理的过程。
“因此，有些地区要舒适得多。我们仍在努力。”
如果您可以谈论这些领域，您对您不满意的地方有哪些？“好吧，这是我给您的描述的自然后果。您知道所有文件中的所有文件。我们并不一定会将副本的实施与更广泛的实施相结合。因此，您如何思考敏感和高度的机密或受限的材料，然后在平台中可用。我们不是一个很大的销售商店。我们认为您的命令是您的命令。机密数据，然后像内部的东西一样，或者您认为公开的事物？
您在哪里看到Genai的投资回报？“我认为天真的最高曲目正只是在裁员旁边 - AI将接管并取代工作的想法。我觉得这不会是幻想的影响。我们业务中的思想，工作和发展都有太多积压，以及……在其他业务中也是如此。
“要使我们使现有员工变得更加有效的地方要花一段时间。我们现在正在攻击积压；在我们只是寻求削减成本并降低工作的地方之前，向我们的产品和服务添加更多功能，能力以及其他东西。我只是认为这就是现实。
“我认为这样的效率迟早会出现，但是您知道，我们所做的很多工作都是技术和技术。我们正在使用这些工具使开发人员在工作中更加高效，更有效。但是，再次有这样的积压工作来做到这一点，这就是为什么我倾向于在短期或三年中挑战两年的时间。
听起来您认为Genai将帮助开发人员。你已经看过了吗？您是否看到至少取代了一些低级开发人员甚至中级开发人员工作？如果我quin如果我可以看到。 [开发人员]的需求较少，但我认为，这也使这些入门级员工更快地加速了学习曲线。
“工作 - 技能是对话的一部分。我只是认为，其中一些人自然会达到不同的均衡。但是，再次，还有很多有趣的事情可以改善技术堆栈。而且，而且显然，我们必须通过更改管理曲线来获得更多的动力，可以在某种程度上进行机器学习。
“这并不容易。这些系统很复杂。您必须非常体贴。然后，您必须考虑到我们从事高度监管的业务。我们必须非常注意它如何影响消费者，并确保，就像我们不知道那样，您知道，您知道的是，您会误解您正在寻找的结果。”
您部署了任何AI代理吗？“我们没有。我们仍然与[AI]循环中的人类一起完全运作。”
现在，一个大主题是代理AI-和过程自动化。因此，拥有可以自主行动的代理人的概念可以说明许多潜在的效率。那会让您感兴趣吗？“是的。您仍然可以接受人类的监督，但是在较小程度上。我们正在驾驶的应用以及我们在飞行中所拥有的东西主要与呼叫中心的人类代理合作。这些应用在很大程度上是作为助手充当我们的人类代理人仍在指挥并最终与客户共享的信息，或者与客户共享的信息。
“ AI实现正在加快找到客户投诉或数据中的其他内容。但是，我们尚不对真正的代理实现感到满意。仍然需要很多链接。”
告诉我您的数据可视化工作。“对我们的数据可视化主要是关于业务绩效或消费者行为，购物行为以及这些事情的仪表板和报告。
“我们正在寻找可以看到可以帮助我们并通过可视化，采取不同行动的数据模式的方法。因此，我们正在研究围绕欺诈的多元结构。不好的演员会导致我们某种欺诈性问题。”
那么，AI能够为您提供帮助吗？“我们正在使用机器学习。因此，当您说AI时，如果您是指大型语言模型和生成性AI，那么还不是那么多。但是，我们确实使用机器学习和其他类型的图形数据库技术以及我将我放在AI广泛的旗帜下的东西 - 生成的AI是该机器学习的一部分。
“我们正在为此探索[Genai]。我们正在尝试利用某些生成AI和大型语言工作背后的计算能力，以查看我们是否可以使用它来确定新模式。我们在更大的横幅下完成了大量工作的领域是洗钱。我们负责研究所有交易流。
“我们需要知道那里是否有不好的演员试图通过系统洗钱。因此，我们一直在研究AI，不仅是在反洗钱上的模式识别，而且还支持代理商的支持。
“当我们看到一种模式时，其中的许多人就会成为有关此类可疑活动报告的研究和文档。在这种情况下，我们确实认为生成性AI有一些有趣的应用。”
您是否看到其他领域的生成AI的突出用例？“对于生成AI而言，我们最大的前沿实际上是在呼叫中心的经验以及客户体验和与数字应用和网站相结合的背景下。发现赢得JD Power Awards以获得客户的体验。而且我们认为Generative AI和这些应用程序和这些应用程序将会非常有力。我会告诉您，尽管如此，在我的某些地方，在某些地方，在某些方面，我们的某些方面是有用的，并且在某些方面是有用的。 责任。
“我们没有因为AI的幻觉问题而看到应用程序。这些都是概率的模型。它们不是确定性的。因此，您可以两次提出同样的问题，您可以得到不同的答案。在一个我的世界中，如果我要承销的情况下，如果我要决定我是否要给您信用卡，我不能拥有它 - 如果我要有它 - 如果我要twice twice-哦，我会给你一个，我会给你一个。
“有些领域清楚地取决于您所做的决定的敏感性以及它的含义，您不想使用生成的AI。信贷承销是一个很好的例子。其他事情如流动性和交易等，还有其他例子。
“您需要了解[AI]模型如何'幻觉'，如果您两次提出相同的问题，则可以创建两个不同的答案。这也是为什么我们认为循环中的人会在各种情况下保持重要的一段时间。”
您如何培训员工？您的工人中有多少百分比接受过AI的培训？“您可以将其视为同心圆。我们有一群相对较少的研究人员，他们在生成的AI，机器学习和所有这些方面都非常深入。然后，我们有一组在我们的产品组织中的用户，他们正在考虑如何利用它。然后我们有了总员工。
“在最广泛的层面上，现在的培训是关于副驾驶的使用以及与之相关的某些通用工具。然后，我们对数据保护和这些事物进行了培训。因此，我们更多地专注于一般消费和模型的实际用途和应用程序的实际使用和应用的开发，并且它们在那里运营了飞行员。我们有一般的技术来实现，这些人在技术上是在这些人的技术上，这些人都在所有这些方面都在这些人中，这些人是在所有这些方面都可以在所有方面都在努力。在不同的层。”
您是否培训了很大一部分用户，还是仍在弄清楚谁需要培训？“我们仍在弄清楚这一点。有一个高级分析资源中心或AARC。这是我们在芝加哥市中心所做的事情，我们在那里进行了早期的护理人员，外界的新毕业生，并通过围绕我们需要的工具和技术的结构化培训计划将它们带入公司，然后通过像两年的开发周期一样加速它们。然后，我们将它们纳入业务。这已成为我们正在孵化机器学习和生成AI知识的领域之一。”
您是否发现Genai最大的投资回报率可能在哪里？“从某种意义上说，这是经典的Gartner炒作周期。我们处于幻灭的陷阱中。我认为我们对它的含义非常清醒，而且我们一直非常刻意。当然，有些公司确实全力以赴，但是它们处于较小的行业中；他们有能力以一种无关紧要的方式来做到这一点。
“鉴于银行业的本质，尤其是直接面向消费者的信用卡贷款等等，我们只需要真正刻意和体贴。”
您在哪里看到Genai和Agent AI将来最常使用的大区域 - 例如两年，三年或五年？“这是一个呼叫中心，然后是客户体验的其他部分。因此，移动应用程序的融合，移动体验，网络体验以及呼叫中心的体验。
“我认为呼叫中心的经验不会完全消失。金融产品太复杂了，人们只需要与某人交谈以与之互动。因此，首先，我认为这是呼叫中心。其次是完整的客户体验。第三，这是品牌和营销空间。
“发现是一个大品牌，我们在营销，广告等上花费了很多钱。品牌和媒体周围的内容已经成熟，可以通过生成的数据进行改进。”
