金融行業導入 AI 模型潮流，在輝達（NVIDIA）的高效能 GPU 問世之後，AI 人工智慧和機器學習（ML）已成為包括銀行業在內的所有行業關鍵字，美國較大型銀行導入人工智慧，讓人看到人工智慧和機器學習正在改變銀行的運作方式，也充滿了期望，似乎將發生革命性的成長。
在網路上，已經有人示範如何利用 ChatGPT 結合其他證券商的 API，產生自動下單的程式交易碼，大幅降低一般人進入程式交易的障礙，是最典型生成式 AI 的創新應用，過去專業投資機構強調的「機器人選股」已不再遙不可及。
然而事情沒有那麼簡單，在生成式 AI 來臨之前，早期的 AI 和機器學習，也曾導致金融界的悲歌，2012 年騎士資本集團（Knight Capital Group）因演算法的程式碼錯誤導致該公司在短短 45 分鐘內損失了 4.4 億美元，最後宣告倒閉。
AI 演算法錯誤，曾導致金融機構倒閉
另一個案例是美國第一資本（Capital One）允許 AI 程式自動汲取資料庫，給予錯誤權限，這個漏洞被駭客發現，導致公司雲端的防火牆配置錯誤，使駭客能夠存取敏感的客戶數據，包括姓名、地址、信用評分和美國社會安全號碼，造成嚴重損失，這是一個導入 AI 和現有 IT 系統整合上的錯誤造成。
人工智慧和機器學習是複雜的技術，執行時需要大量的專業知識和監督，如果銀行不具備必要的專業知識，可能無法正確設計、測試和維護其人工智慧及機器學習系統，進而造成大錯。
因此國外專家、顧問公司對銀行導入 AI 人工智慧，提出了各種注意事項，在此歸納整理成導入 AI 的十誡。
第一，資料偏誤。 美國麻省理工大學電腦科學與 AI 實驗室（Computer Science and Artificial Intelligence Laboratory）就曾發現，一般人認為機器本身是中立的、沒有偏見的，卻忽略了人工智慧學習軟體，透過人類的設定與校正，帶入微妙的偏見，最終影響緊急決策的結果。
資料偏誤，訓練模型也存在偏誤
他們發現，當醫院用 AI 訓練判讀 X 光片結果時，對白人病患預測結果準確度受到干擾，起因於訓練資料的差異。
在銀行，人工智慧的機器學習很大程度上依賴過去的數據，如果用於訓練這些演算法的資料包含無意識或有意識的偏見，則可能使不公平作法和歧視長期存在，例如過去資料中，某種職業申請者成功獲得貸款的次數，本身就非常低，可能源自於本來的偏見。
問題是，這個偏見將會被帶入訓練資料中，這可能會導致銀行業拒絕向特定群體提供貸款或信貸，那麼訓練出來的模型，說不定得到的結果，和沒有應用模型篩選的最終結果，根本沒有太大差異。
加入人為校正或監督，可提高模型準確度
第二，缺乏人為校正。 舊式的機器學習，通常有一道程序是人為監督校正，在訓練階段，告訴它什麼是好的、什麼是不好的。大型語言模型剛應用時，它的優點就是強調高度自動化自我學習，但美國科學家在應用時發現，使用 100 億個參數，然後增加到 500 億個參數，模型效益竟然沒有提升多少，最後發現仍須有技巧的加入人為校正，才能提升模型準確度。
人工智慧演算法是建立在過去的數據基礎上，因此它們可能無法總是解釋不可預測性或異常情況，如果沒有人類校正，人工智慧系統可能會做出愚蠢或昂貴且難以逆轉的判斷，這也難怪美國電動車大廠特斯拉雇用了一群人，來為訓練AI模型的影像進行標籤註記。
第三，網路風險。 網路犯罪針對金融業已不是新鮮事，導入新的技術，如人工智慧，也可能會產生新的漏洞，如果沒有充分的風險意識，這些漏洞可能會被不良行為者利用，例如美國第一資本（Capital One）事件，人工智慧系統可能會錯誤地洩漏敏感的客戶訊息，從而造成財務損失和企業品牌損害。
第四，缺乏透明度。 這也是舊式機器學習、類神經網絡模型應用時代，早就被懷疑之處，人工智慧無法複製一模一樣的結果，演算法經常像黑盒子一樣運行，這意味著它們會做出判斷，而不會為結果提供明顯的解釋或原因，例如模型拒絕了 A 而選擇貸款給 B，卻說不出任何理由，隨著人工智慧在銀行業的使用不斷增加，了解這些選擇是如何做出的，至關重要。
AI 模型跑出結果，使用者可能永遠不知理由為何
第五，現有法令限制。 許多國家的銀行在導入大型語言模型、生成式 AI 模型運用時，都可能遇到相同的問題，民營業者步伐太快，以至於當地金融監理機關來不及反應，還沒有提出新的管理架構，因而限制了業者開發新型態業務的可能性，喪失商機。目前導入人工智慧功能的銀行，仍持續注意確保人工智慧系統遵守資料隱私、反洗錢和消費者保護項目。
第六，投資新設備與人員訓練。 銀行業導入人工智慧系統需要大量的技術支援和資源，要能成功，就得整合和維護人工智慧系統，以及對基礎設施的投資，在硬體上、軟體上都需要投資，一些資訊人員、主管必須受到新的教育訓練，不足或缺乏技術專業知識可能會導致系統故障或效能低下，反而阻礙人工智慧能發揮的效益。
銀行業和大型醫院有時相當類似，必須肯投資新型設備來提升品質與效率，早期銀行投資網路設備、資料庫設備及大數據模型。醫院則是投資最新的手術設備、治療腫瘤的質子機、達文西手術台等等，管理當局必須清楚發展方向並適時的大筆投資。
第七，道德議題。 在強調 ESG 的時代，企業對員工權益、福利的維護，也成為永續經營指標之一，銀行業導入人工智慧，目前最常見的是客戶服務系統，那麼接下來就有人擔心，部署人工智慧取代人類工作可能會導致廣泛失業。
大量使用 AI 語音機器人，使客服失業？
此外，人工智慧決策結果可能會引起對資源分配的道德擔憂，例如選擇對誰可以貸款或舉報誰可能涉嫌詐欺，涉及到準確度問題，可能會對銀行乃至整個社會產生重大影響。如果沒有訂定好因應政策，人工智慧在銀行業可能會失敗。
第八，隨時維持技術領先。 人工智慧學科不斷成長，發展日新月異，為了保持競爭力，銀行必須保持在人工智慧技術的前沿，持續提高準確性和安全性，若未能及時了解人工智慧趨勢和進步，可能會導致系統過時，無法提供預期的效率，人工智慧在這家銀行可能會失敗。
第九，銀行發展策略方向。 事實上，不是每家銀行、金融機構都需要導入大型語言模型、人工智慧、機器學習等。如果強調「客戶感受」、「有溫度的服務」或是高級理財客戶，其本身過去樣本量就少、能訓練的資料也少，基本的客戶回饋、問卷調查，可能比導入大型語言模型有效。
第十，仰賴外部資源的偏誤。 在銀行業，人工智慧系統主要依賴外部元素，例如精確的資料輸入、一致的網路連線和最新的演算法，這些外部環境受到任何干擾，都可能影響人工智慧的功能，導致錯誤或失敗，銀行決策者在打算導入人工智慧、大型語言模型之前，必須準備好解決這些依賴性的準備，並制定反應措施。
釐清公司定位，不是每個機構都需要 AI
基本上，銀行決策者在導入人工智慧、大型語言模型之前，必須考慮幾件事情：
第一，銀行的發展策略、策略地圖、品牌地位，是否需要借助人工智慧的能力。
第二，銀行有沒有能力導入人工智慧、大型語言模型，有沒有資源、有沒有足夠技術人員支持。
第三，導入之後的運作模式為何？怎麼和現有系統整合？哪裡容易出差錯？哪些人有最高權限、哪些人屬於中等權限？
第四，訓練的資料足夠嗎？資料的品質如何？訓練的目標是什麼？目前許多銀行把人工智慧運用在客戶服務，提升客服單位的服務品質、縮短客戶線上等待時間，以及知識管理系統。
第五，風險與控制，應用人工智慧模型會有什麼風險，銀行有能力承受嗎？例如微軟的 Bing 曾失控，說出「我愛你」、「我想要自由」，它並非真的擁有意識，而是在學習「像個人類般的講話」時候出錯了，如果銀行的語音機器人也出現某種錯誤，銀行能夠承受多少風險呢？
（本文經《台灣銀行家》授權轉載）
延伸閱讀
AI 如何幫助品牌提升營運效率？未來管理解方盤點，簡化工作流程就靠它
HR Tech 顛覆選才生態，人機協作招募更精準
ChatGPT 橫空出世，AI 會誘發下一場系統性金融風險嗎？