


Adakah sukar untuk melaksanakan AI kewangan? Gartner: Empat langkah untuk menggandakan kes penggunaan AI
Menggunakan kecerdasan buatan dengan betul dalam kewangan bukan hanya soal melaburkan paling banyak masa atau wang.
Menurut penyelidikan Gartner, empat gelagat pelaksanaan adalah kritikal dalam merealisasikan beberapa pelan kecerdasan buatan (AI) kewangan dengan cepat, termasuk rancangan untuk memenuhi atau melebihi kesan yang dijangkakan dan mencapai keputusan kewangan dan perniagaan yang penting.
Jacob Joseph-David, pengarah penyelidikan amalan kewangan Gartner, berkata, “Penggunaan kecerdasan buatan dalam jabatan kewangan masih di peringkat awal, dengan kebanyakan orang hanya mula menggunakannya sejak dua tahun lalu orang ramai juga telah gagal untuk mencapai ini dengan cepat. Jangkaan Pulangan daripada Projek Sebegitu ”
Dengan AI di peringkat awal dalam bidang kewangan, CFO tidak mempunyai definisi dan strategi yang jelas untuk berjaya. Gartner mengenal pasti empat tindakan utama untuk CFO berjaya dalam kecerdasan buatan kewangan (lihat rajah di bawah).
Joseph-David berkata, “Jabatan yang mengambil empat tindakan ini mempunyai dua kali ganda purata bilangan kes penggunaan AI berbanding jabatan yang tidak mengambil tindakan ini Hasilnya adalah hasil perniagaan yang lebih ketara, Seperti barisan produk baharu dan keputusan untuk jabatan kewangan, seperti ketepatan yang lebih tinggi dan masa proses yang lebih singkat. 🎜>
Secara umumnya, Terdapat tiga pilihan untuk mendapatkan bakat dengan kemahiran dan kepakaran AI: mengupah bakat baharu, meningkatkan kemahiran sedia ada atau meminjam bakat daripada jabatan IT. Organisasi yang memfokuskan strategi bakat mereka untuk mengupah orang luar dengan kemahiran AI berkemungkinan besar untuk menjadi organisasi kewangan AI yang terkemuka. Namun kira-kira separuh daripada organisasi kewangan melihat peningkatan kemahiran sebagai strategi bakat utama.Para profesional AI boleh memberikan pengalaman berharga dalam mengendalikan nuansa AI, yang boleh membolehkan organisasi mengatasi inersia bekerja dengan aplikasi AI dan memendekkan keluk pembelajaran teknologi. Sebaliknya, meningkatkan kemahiran kakitangan kewangan, walaupun berpotensi lebih murah, mempunyai potensi untuk memperlahankan kemajuan dan berpotensi menimbulkan kesilapan besar yang berpotensi. Selain itu, profesional AI baharu boleh memberi peluang untuk bergerak melangkaui proses dan cara berfikir tradisional dari segi menyokong idea baharu untuk penggunaan AI.
Melabur dalam perisian kecerdasan buatan terbenam untuk mencapai keuntungan pantas
Sesetengah syarikat menggunakan kaedah membeli perisian fungsi kecerdasan buatan terbenam. Perniagaan ini boleh bereksperimen dengan AI dengan lebih mudah dan menggunakannya pada lebih banyak kes penggunaan kewangan. Kes penggunaan ini juga memudahkan untuk melancarkan projek perintis untuk masalah perniagaan yang unik. Sebaliknya, membina penyelesaian AI dalaman untuk semua proses kewangan akan mewujudkan lebih banyak kerja dan mengurangkan peluang kewangan untuk meneroka perintis baharu atau kes penggunaan.
Jalankan projek perintis seawal dan seluas mungkin
Organisasi AI kewangan teratas mengguna pakai pendekatan percubaan terhadap penggunaan AI yang melibatkan percubaan dan kesilapan berbanding membuat pertaruhan besar. Dengan lebih banyak projek perintis peringkat awal, akan terdapat lebih banyak kes penggunaan untuk AI dan penggunaan yang lebih pantas kerana organisasi boleh memberi tumpuan kepada projek perintis yang paling berjaya.
Lazimnya, organisasi yang paling berjaya masih meneroka kes penggunaan yang sama seperti organisasi yang kurang berjaya, dengan tiga kes penggunaan yang paling biasa ialah proses perakaunan, pemprosesan pejabat belakang dan ramalan aliran tunai. Satu pengecualian ialah ramalan pembayaran pelanggan, di mana kira-kira separuh daripada kes penggunaan yang diterokai oleh organisasi terkemuka termasuk ramalan pembayaran pelanggan, tetapi organisasi yang kurang berjaya jarang menyentuh ramalan pembayaran pelanggan.
Memilih Peneraju Pelaksanaan AI Analitis
CFO mesti memilih orang yang betul yang bertanggungjawab untuk penggunaan AI untuk merealisasikan faedah AI. Sebagai contoh, ini mungkin bermakna memilih ketua perancangan dan analisis kewangan (FP&A) atau ketua analisis kewangan untuk mengetuai pelaksanaan AI, dan bukannya memilih eksekutif kanan di bahagian atas.
Kejayaan Pengarah Perancangan dan Analisis Kewangan dan Analisis Kewangan dalam menerajui kecerdasan buatan adalah disebabkan latar belakang mereka yang kukuh dalam analitik dan data. Mereka kurang bergantung pada pemahaman proses kewangan tradisional dan lebih kepada pemahaman tentang kerumitan AI dalam persekitaran perniagaan.
Atas ialah kandungan terperinci Adakah sukar untuk melaksanakan AI kewangan? Gartner: Empat langkah untuk menggandakan kes penggunaan AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
