مطالعه Riverbed نشان می‌دهد 92% از تصمیم‌گیرندگان در صنعت خدمات مالی موافقند که بهبود کیفیت داده برای موفقیت هوش مصنوعی حیاتی است

Riverbed، رهبر AIOps برای قابلیت مشاهده، یافته‌های صنعت خدمات مالی را از نظرسنجی جهانی خود با عنوان «آینده عملیات فناوری اطلاعات در عصر هوش مصنوعی» منتشر کرد که سطح آمادگی هوش مصنوعی را در بخش خدمات مالی بررسی می‌کند. نتایج شکاف رو به رشد پیاده‌سازی را برجسته می‌کند زیرا سازمان‌ها از جاه‌طلبی هوش مصنوعی به تأثیر دنیای واقعی حرکت می‌کنند. در حالی که تقریباً همه تصمیم‌گیرندگان خدمات مالی (92%) موافق هستند که بهبود کیفیت داده برای موفقیت هوش مصنوعی حیاتی است، پیشرفت همچنان ناهموار است: تنها 12% از ابتکارات هوش مصنوعی به استقرار کامل در سطح سازمان دست یافته‌اند، در حالی که 62% قابل توجه هنوز در مراحل آزمایشی یا توسعه باقی مانده‌اند، که چالش‌های عملیاتی کردن هوش مصنوعی در یکی از تنظیم‌شده‌ترین و حساس‌ترین صنایع نسبت به ریسک جهان را برجسته می‌کند.

بیشتر بخوانید درباره فین‌تک: مصاحبه جهانی فین‌تک با Kristin Kanders، رئیس بازاریابی و تعامل، برنامه Plynk

اینفوگرافیک خدمات مالی را اینجا مشاهده کنید: riverbed.com/aiops-survey25/

با این حال، بخش خدمات مالی همچنان اعتماد قوی به ارزش هوش مصنوعی و AIOps نشان می‌دهد، با 89% از سازمان‌ها که گزارش می‌کنند نرخ بازگشت سرمایه از سرمایه‌گذاری‌های AIOps آن‌ها انتظارات را برآورده یا فراتر رفته است، که شهرت این صنعت را برای پذیرش فناوری منظم و ارزش‌محور تقویت می‌کند. نزدیک به دو سوم (62%) پاسخ‌دهندگان نیز درجه بالایی از اعتماد به استراتژی هوش مصنوعی خود ابراز می‌کنند. با این حال، علی‌رغم این خوش‌بینی، سازمان‌های خدمات مالی همچنان تحت تأثیر شکاف‌های پیاده‌سازی هوش مصنوعی قرار دارند. در میان فشارهای فزاینده برای بهینه‌سازی عملیات، تقویت انطباق، کاهش ریسک و ارائه تجربیات دیجیتال برتر، این صنعت به طور فزاینده‌ای توسط آمادگی داده، پیچیدگی عملیاتی و توانایی مقیاس‌بندی هوش مصنوعی فراتر از ابتکارات آزمایشی محدود شده است.

جیم گارگان، مسئول اجرایی بازاریابی در Riverbed گفت: «سازمان‌های خدمات مالی از پیچیده‌ترین و منظم‌ترین پذیرندگان هوش مصنوعی هستند و تحقیقات ما نشان می‌دهد که آن‌ها در حال حاضر بازده‌های قوی را می‌بینند. با این حال، این بخش تحت فشارهای منحصر به فردی عمل می‌کند، از جمله نظارت نظارتی دقیق، تحمل صفر برای زمان خرابی و نیاز حیاتی به دقت داده. آنچه واضح است این است که موفقیت اکنون به ساده‌سازی فناوری اطلاعات، ادغام ابزارهای قابلیت مشاهده و فروشندگان، بهبود کیفیت داده، پذیرش استانداردهای باز مانند OpenTelemetry و اطمینان از عملکرد شبکه و برنامه که می‌تواند از هوش مصنوعی در مقیاس پشتیبانی کند، بستگی دارد. در Riverbed، ما به طور فعال از برخی از بزرگ‌ترین سازمان‌های خدمات مالی جهان حمایت می‌کنیم زیرا آن‌ها این شکاف را پر می‌کنند و جاه‌طلبی هوش مصنوعی را به واقعیت عملیاتی تبدیل می‌کنند.»

جاه‌طلبی هوش مصنوعی با واقعیت عملیاتی ملاقات می‌کند

برای مؤسسات خدمات مالی، موفقیت هوش مصنوعی تنها با آزمایش تعریف نمی‌شود؛ بستگی به آمادگی عملیاتی دارد. تحقیقات نشان می‌دهد که تنها 40% از سازمان‌های خدمات مالی احساس می‌کنند به طور کامل آماده عملیاتی کردن استراتژی هوش مصنوعی خود هستند. داده همچنان مهم‌ترین محدودیت است زیرا تنها 43% به طور کامل به دقت و کامل بودن همه داده‌های سازمان‌های خود اطمینان دارند، پایین‌ترین سطح اعتماد در بین همه صنایع مورد بررسی.

نکته مهم این است که این بخش درک می‌کند چه چیزی در خطر است. 92% از پاسخ‌دهندگان خدمات مالی موافق هستند که بهبود کیفیت داده برای موفقیت هوش مصنوعی حیاتی است، بالاترین نسبت در هر صنعتی. این منعکس کننده آگاهی عمیق است که بدون داده‌های معتبر و با کیفیت بالا، ابتکارات هوش مصنوعی برای انتقال از اثبات مفهوم به تولید تلاش می‌کنند.

پیچیدگی عملیاتی فشار برای ساده‌سازی را هدایت می‌کند

این چالش‌های داده با پیچیدگی محیط‌های فناوری اطلاعات تشدید می‌شوند. برای پشتیبانی از خدمات دیجیتال، معاملات در زمان واقعی و بارهای کاری رو به رشد هوش مصنوعی، سازمان‌های خدمات مالی مجموعه ابزارهای تکه‌تکه شده معاملات آف چین را انباشته کرده‌اند که دید را محدود کرده و تصمیم‌گیری را کند می‌کند. به طور متوسط، تیم‌های فناوری اطلاعات در حال حاضر 13 ابزار قابلیت مشاهده از نه فروشنده مختلف دارند که نقاط کور را در برنامه‌ها، شبکه‌ها و تجربه کاربر ایجاد می‌کند.

در نتیجه، 96% از سازمان‌ها در این بخش به طور فعال در حال ادغام ابزارها و فروشندگان در عملیات فناوری اطلاعات هستند، با 95% که موافق هستند یک پلتفرم قابلیت مشاهده یکپارچه شناسایی و حل مسائل عملیاتی را آسان‌تر می‌کند. قابل توجه است که 95% فروشندگان جدید را به عنوان بخشی از این ادغام در نظر می‌گیرند - بالاترین سطح در بین همه صنایع مورد بررسی - که نشان‌دهنده تمایل به بازنگری روابط فناوری دیرینه به نفع پلتفرمی است که می‌تواند ریسک را کاهش دهد، یکپارچگی را بهبود بخشد و از هوش مصنوعی در مقیاس پشتیبانی کند.

عملکرد ارتباطات یکپارچه حیاتی برای کسب و کار می‌شود

همانطور که خدمات مالی به دیجیتالی کردن تعامل مشتری و گردش کار داخلی ادامه می‌دهند، عملکرد ابزارهای ارتباطات یکپارچه (UC) حیاتی برای کسب و کار شده است. کارکنان اکنون 41% از هفته کاری خود را با استفاده از ابزارهای UC صرف می‌کنند و نزدیک به دو سوم می‌گویند که برای عملکرد مؤثر ضروری هستند. با این حال عملکرد همچنان ناسازگار است. تنها 47% از سازمان‌های خدمات مالی از عملکرد UC بسیار راضی هستند، در حالی که 44% مسائل منظم را در تماس‌های ویدیویی، پلتفرم‌های پیام‌رسانی و فضاهای کاری مشارکتی گزارش می‌کنند.

این چالش‌ها محدودیت‌های عملیاتی قابل توجهی ایجاد می‌کنند. مسائل مرتبط با UC 16% از همه بلیط‌های فناوری اطلاعات را تشکیل می‌دهند و به طور متوسط 41 دقیقه برای حل آن‌ها طول می‌کشد، با تقریباً یک از هر پنج بلیط که به بیش از یک ساعت نیاز دارد. در بخشی که پاسخگویی و در دسترس بودن مستقیماً بر اعتماد مشتری تأثیر می‌گذارد، دید محدود و تقاضاهای پشتیبانی بالا همچنان مانع بهره‌وری و تجربه می‌شوند.

OpenTelemetry قابلیت مشاهده در مقیاس را پشتیبانی می‌کند

برای غلبه بر دید تکه‌تکه شده و پشتیبانی از عملیات مبتنی بر هوش مصنوعی، سازمان‌های خدمات مالی به طور فزاینده‌ای به چارچوب‌های قابلیت مشاهده باز و استاندارد شده روی می‌آورند. OpenTelemetry نقش حیاتی را با فعال کردن جمع‌آوری داده‌های سازگار و همبستگی در برنامه‌ها، زیرساخت و تجربه کاربر ایفا می‌کند، یک پیش‌نیاز برای هوش مصنوعی قابل اعتماد در محیط‌های پیچیده و تنظیم شده.

به طور دلگرم‌کننده، نظرسنجی نشان می‌دهد که سازمان‌های خدمات مالی در پذیرش OpenTelemetry پیشتاز همه بخش‌ها هستند، با 92% که در حال حاضر از چارچوب استفاده می‌کنند. تقریباً همه پاسخ‌دهندگان (96%) می‌گویند که همبستگی بین حوزه‌ای برای استراتژی قابلیت مشاهده آن‌ها حیاتی است، در حالی که 99% موافق هستند که OpenTelemetry قفل شدن فروشنده را کاهش می‌دهد و انعطاف‌پذیری را افزایش می‌دهد. نکته مهم این است که 97% آن را به عنوان پایه‌ای برای ابتکارات آینده مانند اتوماسیون مبتنی بر هوش مصنوعی می‌بینند، که نقش آن را به عنوان یک فعال‌کننده مقیاس‌پذیری بلندمدت هوش مصنوعی تقویت می‌کند.

حرکت داده‌های هوش مصنوعی و عملکرد شبکه در مرکز توجه قرار می‌گیرند

همانطور که ابتکارات هوش مصنوعی بالغ می‌شوند، توجه از مدل‌ها به حرکت داده‌هایی که آن‌ها را سوخت می‌دهند منتقل می‌شود. سازمان‌های خدمات مالی اهمیت بیشتری به حرکت داده‌های هوش مصنوعی نسبت به هر بخش دیگری مورد بررسی می‌دهند، با 94% که آن را به عنوان مهم برای استراتژی کلی هوش مصنوعی خود می‌بینند و 37% آن را به عنوان حیاتی و بنیادی برای نحوه طراحی و اجرای هوش مصنوعی توصیف می‌کنند.

با توزیع فزاینده داده‌های هوش مصنوعی در محیط‌های ابر عمومی، لبه و هم‌مکانی، عملکرد شبکه و امنیت به عنوان عوامل موفقیت تعیین‌کننده ظاهر می‌شوند که توسط 81% از پاسخ‌دهندگان به عنوان ضروری ذکر شده است، بالاترین در هر صنعتی. با نگاه به آینده، 76% از سازمان‌های خدمات مالی قصد دارند تا سال 2028 یک استراتژی مخزن داده‌های هوش مصنوعی ایجاد کنند، که نیاز به معماری‌های با حاکمیت و عملکرد بالا را که نوآوری را با انطباق و کنترل متعادل می‌کنند، برجسته می‌کند.

بینش‌های بیشتر فین‌تک را بگیرید: وقتی پروتکل‌های امور مالی غیر متمرکز با نام اختصاری دیفای به موجودات خودتکاملی تبدیل می‌شوند

[برای به اشتراک گذاشتن بینش‌های خود با ما، لطفاً به [email protected] بنویسید ]