論文の概要: Redefining Finance: The Influence of Artificial Intelligence (AI) and Machine Learning (ML)

• arxiv url: http://arxiv.org/abs/2410.15951v1
• Date: Mon, 21 Oct 2024 12:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:12:36.871097
• Title: Redefining Finance: The Influence of Artificial Intelligence (AI) and Machine Learning (ML)
• Title（参考訳）: ファイナンスを再定義する:人工知能(AI)と機械学習(ML)の影響
• Authors: Animesh Kumar,
• Abstract要約: 技術の急速な変革により、金融における人工知能(AI)と機械学習(ML)の融合はエコシステム全体を混乱させています。 金融機関は、リテールバンキング、ウェルスマネジメント、コーポレートバンキングと決済のエコシステムに大きく影響を受けている。
• 参考スコア（独自算出の注目度）: 2.3931689873603594
• License:
• Abstract: With rapid transformation of technologies, the fusion of Artificial Intelligence (AI) and Machine Learning (ML) in finance is disrupting the entire ecosystem and operations which were followed for decades. The current landscape is where decisions are increasingly data-driven by financial institutions with an appetite for automation while mitigating risks. The segments of financial institutions which are getting heavily influenced are retail banking, wealth management, corporate banking & payment ecosystem. The solution ranges from onboarding the customers all the way fraud detection & prevention to enhancing the customer services. Financial Institutes are leap frogging with integration of Artificial Intelligence and Machine Learning in mainstream applications and enhancing operational efficiency through advanced predictive analytics, extending personalized customer experiences, and automation to minimize risk with fraud detection techniques. However, with Adoption of AI & ML, it is imperative that the financial institute also needs to address ethical and regulatory challenges, by putting in place robust governance frameworks and responsible AI practices.
• Abstract（参考訳）: 技術の急速な変革により、金融における人工知能(AI)と機械学習(ML)の融合は、数十年にわたって続いたエコシステム全体と運用を混乱させています。 現在の状況では、意思決定はリスクを軽減しつつ自動化への欲求を持つ金融機関によってますますデータ駆動化されている。 金融機関は、リテールバンキング、ウェルスマネジメント、コーポレートバンキングと決済のエコシステムに大きく影響を受けている。 ソリューションは、不正検出や防止から顧客サービスの強化に至るまで、顧客を乗せることまで、さまざまです。 金融研究所は、AIと機械学習をメインストリームのアプリケーションに統合し、高度な予測分析、パーソナライズされた顧客エクスペリエンスの拡張、不正検出技術によるリスクを最小限に抑える自動化を通じて、運用効率を向上しようとしている。 しかし、AIとMLの採用により、金融機関は、堅牢なガバナンスフレームワークと責任あるAIプラクティスを配置することにより、倫理的および規制的な課題にも対処する必要があることが不可欠である。

関連論文リスト

• Explainable Automated Machine Learning for Credit Decisions: Enhancing Human Artificial Intelligence Collaboration in Financial Engineering [0.0]
  本稿では、金融工学領域における説明可能な自動機械学習(AutoML)の統合について検討する。 AutoMLは、クレジットスコアリングのための堅牢な機械学習モデルの開発を合理化する方法に重点を置いている。 この調査結果は、AI主導の金融決定の透明性と説明責任を改善する上で、説明可能なAutoMLの可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-06T08:47:16Z)
• Managing extreme AI risks amid rapid progress [171.05448842016125]
  我々は、大規模社会被害、悪意のある使用、自律型AIシステムに対する人間の制御の不可逆的な喪失を含むリスクについて説明する。 このようなリスクがどのように発生し、どのように管理するかについては、合意の欠如があります。 現在のガバナンスイニシアチブには、誤用や無謀を防ぎ、自律システムにほとんど対処するメカニズムや制度が欠けている。
  論文  参考訳（メタデータ） (2023-10-26T17:59:06Z)
• The AI Revolution: Opportunities and Challenges for the Finance Sector [12.486180180030964]
  金融セクターにおけるAIの応用は、業界を変えつつある。 しかしながら、これらのメリットに加えて、AIはいくつかの課題も提示する。 これには透明性、解釈可能性、公正性、説明責任、信頼性に関する問題が含まれる。 金融セクターにおけるAIの使用は、データプライバシとセキュリティに関する重要な疑問をさらに引き起こす。 このニーズをグローバルに認識しているにもかかわらず、金融におけるAIの使用に関する明確なガイドラインや法律はいまだに存在しない。
  論文  参考訳（メタデータ） (2023-08-31T08:30:09Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• A Brief Overview of AI Governance for Responsible Machine Learning Systems [3.222802562733787]
  このポジションペーパーは、AIの責任ある使用を監督するように設計されたフレームワークである、AIガバナンスの簡単な紹介を提案する。 AIの確率的性質のため、それに関連するリスクは従来の技術よりもはるかに大きい。
  論文  参考訳（メタデータ） (2022-11-21T23:48:51Z)
• Machine Learning in Transaction Monitoring: The Prospect of xAI [0.0]
  本研究では、機械学習が自動化と拡張がトランザクションモニタリングプロセスにどのように影響するかを検討する。 xAI 要求は TM プロセスの責任者に依存しており,TM の強化や自動化によって変化する。 結果から, ML の TM への導入を適切に促進するための, xAI のユースケース固有のアプローチが示唆された。
  論文  参考訳（メタデータ） (2022-10-14T08:58:35Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Quality Management of Machine Learning Systems [0.0]
  機械学習(ML)技術の大きな進歩により、人工知能(AI)は私たちの日常生活の一部になっています。 ビジネス/ミッションクリティカルなシステムでは、AIアプリケーションの信頼性と保守性に関する深刻な懸念が残っている。 本稿では,MLアプリケーションのための総合的な品質管理フレームワークの展望について述べる。
  論文  参考訳（メタデータ） (2020-06-16T21:34:44Z)
• Toward Trustworthy AI Development: Mechanisms for Supporting Verifiable Claims [59.64274607533249]
  AI開発者は、責任を負うことのできる検証可能な主張をする必要がある。 このレポートは、さまざまな利害関係者がAIシステムに関するクレームの妥当性を改善するための様々なステップを示唆している。 我々は、この目的のための10のメカニズム、すなわち、組織、ソフトウェア、ハードウェアを分析し、それらのメカニズムの実装、探索、改善を目的とした推奨を行う。
  論文  参考訳（メタデータ） (2020-04-15T17:15:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。