在過去幾年內，因為 AI 可以將重複性任務自動化及增加收益機會，而促使 AI 的採用率快速成長。但是，許多公司仍在為如何於金融服務中有意義地擴充 AI 而感到苦惱。主要的問題包括資料需求增加和缺乏內部人才。
本文概述了 AI 使用案例，並強調一些主要的擴充挑戰，以及各大銀行和金融機構如何使用端對端解決方案機動化地採用 AI。
推動金融服務採用 AI 的因素是什麼？
金融服務業蠻早期就開始採用資料科學，且普遍肯定 AI 解決複雜之業務問題的能力。銀行業是每年投資巨量資料和分析的三大產業之一。NVIDIA 的一項調查發現，金融機構中有 83% 的高階領導者、IT 架構師和開發人員，認為 AI 是未來成功的關鍵。
原因很簡單： Business Insider 估計銀行的 AI 驅動成本節省潛力，在 2023 年將達到 4,470 億美元。在消費金融和資本市場領域的公司，正設法挖掘此類潛力。
在經驗證的 AI 使用案例中，排名最高的是詐騙偵測和預防改善，尤其是線上支付詐騙損失，預計在 2023 年將達到每年 480 億美元。
其他業務驅動因素包括透過最佳化投資組合以最大化客戶報酬，或透過客服中心轉錄，創造個人化客戶服務，範例不勝枚舉。
McKinsey and Company 在近期發表之論文中強調了即將發生的巨變：為了蓬勃發展，銀行必須經營「AI 優先」。因此，AI 的價值不是由單一專案或團隊實現，而是需要金融機構的資料工程師、資料科學家與應用程式開發人員進行協作，並以支援 AI 的 IT 基礎架構做為輔助。
金融業使用案例
最快的報酬通常是來自於詐騙偵測和預防改善，且是 AI 在金融服務中最常見的用途。AI 也有助於創造效率，以及降低與反洗錢工作和認識客戶法規有關的法遵成本。
在將風險管理與利潤最大化結合時，投資公司會逐漸仰賴 AI 來建立搭載先進 GPU 和雲端運算技術的演算法交易系統。從事資產管理和最佳化投資組合的分析師，可以使用自然語言處理（natural language processing，NLP）以較之前更快的速度，從非結構化資料中擷取更多的相關資訊，以降低對勞力密集型研究的需求。
在消費金融領域中，NLP 可以協助零售銀行充分瞭解客戶需求，並透過客服中心轉錄找出新的行銷機會。除聊天機器人和虛擬助理外，轉錄是屬於較大的對話式 AI 類別，可以全面檢視客戶，以將服務個人化。
AI 在客戶互動中的另一個用途是推薦引擎。此技術是利用信用使用情況、評分和額度，建議適合的金融產品以改善交叉銷售。
擴充 AI 的主要挑戰
未採用 AI 和機器學習的銀行、貿易與線上支付公司，可能會處於落後的狀態，但是，即使是接納此技術的公司也同樣面臨阻礙。事實上，將近一半的 AI 專案從未進入實際使用階段。
成本提高
一個基本問題：大多數公司在 AI 方面的需求，已超過現有的 IT 基礎架構。資料科學家處理 AI 工作負載需要的工具，通常很難部署在舊有系統上。28% 的 IT 專業人員認為缺乏基礎架構是採用 AI 的主要障礙。AI 應用程式暴增也會使 IT 管理變得越來越困難。
影子 IT
僅在研究實驗室、創新團隊或業務線內投資 AI 的金融機構，通常是讓資料科學家在自訂的裸機基礎架構上運作。此配置會在資料中心產生孤島，並導致影子 IT 存在於部門 IT 控制之外。
在此結構下，即能輕易理解為何 71% 的銀行高階主管對於如何擴充 AI 感到苦惱，以及 32% 的 IT 專業人員將資料孤島和資料複雜性列為採用的最大障礙。
這些孤島會進一步阻礙生產力。在更多的時間中，資料科學家是擔任 AI 領域的實質 IT 管理者，而不是專注於訓練機器學習模型。
此外，如果基礎架構不包含加速運算和 GPU 的平行處理能力時，可能需要數天或數週的時間訓練深度學習模型，因此會浪費資料科學家的寶貴時間。如同聘請世界級賽車手，卻讓他們開 Yugo 一樣。
未使用的基礎架構
如同預期，成本開始不斷上升。不同的 IT 會增加營運開銷。相較於透過虛擬化隨需分配資源達到的類雲端效率，因為孤島而未充分利用基礎架構，將會導致每一個工作負載的成本更高。昂貴的資料科學家被迫管理 IT、使 ROI 減緩、AI 專案停滯不前。
由 NVIDIA 和 VMware 提供的 AI 驅動平台
金融機構如何全面採用 AI、擴充現有 AI，並最大化其價值？
NVIDIA AI Enterprise 是以 NVIDIA GPU 和 VMware 的 vSphere with Tanzu 為基礎，提供端對端平台，包括資料科學工具和框架套件，以支援各種 AI 應用程式。重要的是，其有助於縮短 ROI 時間，同時可克服臨時建置造成的問題。
NVIDIA 和 VMware 的全堆疊解決方案可以從硬體到應用程式層進行互通，為金融服務應用程式和 AI 工作負載提供單一平台。它排除了不同的 AI 基礎架構，因為它是在搭載 NVIDIA GPU 和 VMware vSphere with Tanzu（已存在大多數資料中心的雲端運算平台）的共同 NVIDIA 認證系統上開發而成。
此企業套件提供 TensorFlow、PyTorch 和 RAPIDS 等的 AI 工具，而 vSphere 的 Tanzu Kubernetes Grid 可以執行與 Kubernetes 協調的容器化應用程式以及虛擬化應用程式，進而跨所有應用程式和 AI 工作負載，建立一致的基礎架構。
此一致性可以讓資料科學擺脫孤島，並部署在主流資料中心，將 IT 團隊與資料科學家和開發人員結合。可以使用 NVIDIA 虛擬 GPU 共用 GPU、加速器等昂貴的裝置，在降低整體擁有成本的同時，提供快速訓練機器學習模型需要的加速效果。同時，讓資料科學家擺脫 IT 管理，專注於他們的專業工作。
換言之，IT 負責人可以取得簡單性、可管理性、易擴充性和部署，而資料科學家可以獲得有利於其核心工作之基礎架構和工具的支援，以及企業高階主管可以看到更快與更高的 ROI。
總結
這些應用僅是 AI 在金融服務中之可能性的一小部分，尤其是在技術成熟之後。為了在金融服務中擴充 AI，公司可以提高資源容量、聘請特定領域的專業人士，並尋找管理資料的創新方式。
NVIDIA 和 VMware 的全堆疊解決方案提供了一個平台，可以在整個公司中利用 AI 的競爭優勢，同時克服常見的實作挑戰。
欲深入瞭解 NVIDIA AI Enterprise 如何啟動這些用途，請參閱 NVIDIA 適用於金融服務的 AI 就緒企業平台解決方案簡介，以及適用於金融服務的 AI 和 HPC 解決方案頁面。
透過 LaunchPad 立即試用 NVIDIA AI Enterprise 軟體套件，以瞭解平台可以為您做什麼。此套件是在 VMware vSphere 環境中的私有加速運算基礎架構上執行，並包含為 AI 從業人員和 IT 人員精心設計的實作測試環境。