根據今年8月發佈的一份全球性調查報告顯示,今年上半年對於金融科技的投資金額較去年趨緩,惟對於 AI 的投資需求卻依舊成長。金管會綜合規劃處 副處長施宜君在《迎戰AI 2.0 CEO晨峰餐會論壇》致詞表示,金管會除相當重視AI在金融業的創新應用外,也非常關注其所可能伴隨的風險與挑戰,因此繼去年10月發布金融業運用 AI 的六大核心原則及相關政策後,今年6月又發布了「金融業運用人工智慧( AI )指引」,以提供金融機構做為導入、使用及管理 AI 的參考。
金管會出手 《金融業運用 AI 指引》完整解析
金管會創新中心組長蔡少懷接續在論壇中針對 AI 指引的內容做了更詳細的說明,他強調,本次發布的指引屬於行政指導而非強制性規範,目的是希望鼓勵金融業導入、管理 AI ,並依自身情況、以風險為基礎來落實6項核心原則。例如在風險評估與風險管理的部分,列舉出了金融業者應考量的因素,例如使用個資的程度、 AI 自主決策的程度等等,針對這些因素進行評估後,針對評估認為風險較高的 AI 採取額外的控管措施。而在 AI 的公平性、系統的穩健與安全性、落實透明性與可解釋性等方面,建議分 AI 生命週期的規劃設計、數據搜集、模型建立及驗證、系統部署及監控等四個階段分別有不同的策略和措施來完善。
由於企業在發展 AI 應用時,向第三方業者借力已成常態,因此金管會的 AI 指引也特別針對第三方業者的監督管理提出建議,包含評估第三方業者是否擁有相關知識專業與經驗,以及在與第三方業者的約定內容中釐清責任分配。蔡少懷特別提醒企業留意「集中度風險」,包括全市場的集中度,以及業者對於特定第三方業者依賴程度的集中度,若集中度過高,則須留意集中度風險的控管措施。
台新經驗:悉心呵護每一個 AI 應用
在金融業應用人工智慧(AI)方面,台新金控資訊長孫一仕分享了他們的實踐經驗。他指出,考量到個資保護及道德法律風險等問題,台新目前主導建構內部的大型語言模型,將 AI 模型限縮在台新可控的環境中,提供所需的服務。過程中,台新利用大量金融業相關資訊及台新的資料訓練 AI 模型,打造一個具備金融知識的「台新大腦」,並制定 AI 治理的建議和分工。為了有效應對 AI 趨勢,台新特別新增了 AI 工程師和 AI 訓練師兩種職位,這些職位是台新針對未來發展而儲備的人才。
他也分享了台新目前在智能客服和知識管理領域導入生成式 AI 的做法。他強調:「AI 在台新金控的角色是賦能,而非取代任何同仁。」事實上,客服人員不足一直是金融界的一大挑戰,因此,通過自動化的方式協助客服同仁更好地服務客戶,是台新智能客服的核心重點。知識管理方面,則利用生成式 AI 的資料彙整和搜尋優勢,縮短新進同仁的學習曲線,使他們能更快擁有和資深同仁相當的能力。
孫一仕分析,在導入的過程中,「落地」的階段是一大挑戰,因此台新透過舉辦生成圖片的競賽活動,讓同仁的 AI 體驗更貼近生活,促使他們更快了解和運用 AI。孫一仕強調,雖然 AI 轉型過程充滿全新的挑戰,但科技將影響每個人,主動掌握優於被動應對。「我們相信主動嘗試,即使是試錯也勝過被動應對,這是台新的基本理念。」
IBM 的洞察:全方位應對 AI 挑戰
台灣 IBM 總經理李正屹則點名了目前正普遍在企業間蔓延的「AI焦慮」。他分析,生成式AI的大爆發,來自其基礎的三大核心—數據、算力、算法都已積累到位。然而,雖然數據量龐大,但高品質數據卻難以獲得,這使得數據治理、AI 治理及 AI 模型的規模與敏捷性之間的平衡成為挑戰。李正屹強調:「未來每個企業不只是單一模型,而是多模型的狀態,更需要透過平台型的機制來管理 AI 。」
為解決這些挑戰,IBM 於2023年7月推出了數據與AI旗艦平台——IBM watsonx。該平台不僅提供先進的 AI 模型,還涵蓋了模型的訓練、調校、建置和持續管理。短短一年內,IBM watsonx 在客戶體驗、生產力提升、數字體驗及開放式創新等領域取得了顯著成果。例如,與英國某銀行合作,使虛擬助理更具「人性化」,提升了客戶信賴感。IBM 內部AskHR 系統為全球28萬員工提供即時 HR 服務,簡化了管理流程。此外,IBM watsonx 在重大體育賽事中,如美國高爾夫球大師賽、溫布爾登網球賽、ESPN 夢幻足球賽和美國網球公開賽等,提供實時分析和個性化體驗,革新了觀賽方式。Granite 模型系列經116種編程語言訓練,大幅提高了程式編寫效率。
自 IBM watsonx 推出以來,超過150家企業已分享成功案例,顯示 IBM 致力於將先進技術與實際需求結合,推動生產力和創新,迎接 AI 驅動的未來。
台灣 IBM 諮詢首席資料科學家謝明志分析了企業在遵循 AI 指引和建立負責任 AI 過程中面臨的三大挑戰。首先,落實流程是一大難題。雖然政策和流程可以由合作夥伴制定,但仍需根據不同 AI 特性制定具體實施方案。其次,業界對 AI 治理關鍵指標,如可解釋性和公平性,目前仍缺乏明確技術標準。最後,大型銀行和金融控股公司面對龐大數量的 AI 模型,人力資源難以負擔,因此急需自動化和智能化技術來實現有效治理。
IBM 自十年前開始專注於 AI 可解釋性研究,並在治理技術與運營經驗上取得顯著成效,同時協助歐美政府和產業推動 AI 治理。2021 年,IBM 將這些技術開源,向全球開放。謝明志分享了 IBM 在內部及協助企業進行 AI 治理的三大核心架構:第一,建立基礎規章,制定統一準則、組織架構、流程及變革管理,並使用 IBM 工具和平台來奠定治理基礎。第二,進行定期校正,包括 AI 資產盤點和風險評估,並根據法規要求調整實施藍圖。第三,針對每個 AI 專案進行場景規劃、生命週期治理,並保障資安和隱私。謝明志強調,「相同的治理框架需要根據具體應用場景、數據平台和 IT 環境的不同進行調整,只有擁有豐富經驗才能真正落地。」
他還分享了兩個歐洲金融業的成功案例。法國一大型投資銀行在應對不同國家 AI 規範挑戰中,重點在於法規整合和 AI 準則作業流程的對比,並制定了風險控制方案。另一個案例是一家大型金融科技公司,該公司通過自動化和智能化方法來管理大量線上 AI 模型。謝明志提醒道,「AI 的監管力度正迅速跟進其發展,企業時間緊迫。」只有結合最佳應用場景和完善的 AI 治理,才能在新一輪 AI 生態中脫穎而出,搶佔先機。
台灣 IBM 諮詢雲轉型服務合夥人盧司堃總結道「企業對於AI的態度已經從一開始過於美好的想像,開始更務實地思考自身擁有哪些數據、可以把AI訓練到什麼程度,用這樣的邏輯來思考AI應用。」IBM作為企業值得信賴的AI策略夥伴,一大任務就是從個別客戶角度看見企業切入AI的關鍵點。
他提供三個角度協助企業更快找到應用場景:首先,應該尋找「標準化作業場景」,即那些可以通過標準化流程優化的領域;其次是數據量和品質,例如金融業在智能客服方面擁有顯著的數據優勢;第三個重點考量人力密集的應用場景,透過 AI 來為員工賦能,提升效率。盧司堃強調:「通過更落地的討論,探索如何利用 AI 為員工賦能,讓作業效率提升,自然而然地就會幫助企業利潤順理成章地成長、在擁抱AI中豐收!」這些實際考量可以幫助企業更有效地利用 AI 提升效率,實現盈利增長。