ترجمه ی روان مقاله راجب هوش مصنوعی (خلاصه هم بکنید لطفا ) متن کمی غلط املایی ممکنه داشته باشه
Application to RegTech Compliance with risk management regulations is a vital function for fnancial frms, especially post the fnancial crisis. While risk management professionals often seek to draw a line between what they do and the often-bureaucratic necessity of regulatory compliance, the two are inextricably linked as they both relate to the overall frm systems for managing risk. To that extent compliance is perhaps best linked to enterprise risk management, although it touches specifcally on each of the risk functions of credit, market, and operational risk. RegTech, an analogous area to FinTech focused on compliance discussed further in Chapter 6, has thus arisen to assist frms in the increasing demands of meeting compliance. In this area AI and machine learning is starting to play a signifcant role driven by the sheer volume of data that needs to be assessed as well as the non-conventional nature of this data. While much of the role of AI and machine learning in RegTech.
relates to topics already discussed in prior sections, the key advantage of machine learning in a pure RegTech sense is the ability for continuous monitoring of frm activities. Arner et al. (2016) note this ability for real-time insights and therefore avoiding compliance breaches rather than having to deal with the consequences of breaches after they have occurred. Other advantages noted are the ability to free up regulatory capital due to the better monitoring, as well as automation reducing some of the estimated $70 billion that major fnancial institutions spend on compliance each year. A key player in this feld is IBM following their acqui-hire purchase of Promontory (a 600-staff RegTech startup), and they now offer a range of AI-driven solutions for reducing RegTech costs, demonstrating the widespread industry interest in the area not just confned to startups. For example, real-time voice conversation analysis to being used to ensure compliance through a combination of IBM’s Watson AI expertise and Promontory’s domain-specifc expertise. This involves translating voice conversations to text and then classifying this text using natural language processing into categories that identifes potential non-compliance. Other applications of machine learning include the automatic reading and interpretation of the implications of regulatory documentation, again using natural language processing, as a London-based Waymark currently offers to fnancial institutions.
٤ پاسخ
پاسخ اول:
پس از بحران مالی، پایبندی به مقررات مدیریت ریسک برای شرکت‌های مالی بسیار مهم است. با اینکه حرفه‌ای‌های مدیریت ریسک تلاش می‌کنند خود را از الزامات اداری مربوط به رعایت مقررات جدا کنند، اما این دو موضوع به شدت به هم پیوسته‌اند، چرا که هر دو به سیستم‌های کلی مدیریت ریسک در شرکت‌ها مربوط می‌شوند. در این راستا، فناوری‌های مرتبط با قانون‌گذاری (RegTech) که شاخه‌ای از فناوری‌های مالی (FinTech) است، برای کمک به شرکت‌ها در برآورده کردن الزامات فزاینده‌ی رعایت مقررات ایجاد شده است. در این زمینه، هوش مصنوعی و یادگیری ماشینی به دلیل حجم زیاد داده‌ها و ماهیت غیرمتعارف آنها نقش مهمی ایفا می‌کنند. یکی از مزایای کلیدی استفاده از یادگیری ماشین در فناوری‌های قانون‌گذاری، توانایی نظارت مداوم بر فعالیت‌های شرکت‌ها است که منجر به کسب بینش‌های لحظه‌ای و جلوگیری از نقض مقررات می‌شود. سایر مزایا شامل آزادسازی سرمایه‌ی قانونی و کاهش هزینه‌های مطابقت با مقررات است که سالانه میلیاردها دلار برآورد می‌شود. IBM با خرید شرکت نوپای فناوری‌های قانون‌گذاری به نام Promontory به یکی از بازیگران اصلی در این زمینه تبدیل شده و راهکارهای مبتنی بر AI را برای کاهش هزینه‌های RegTech ارائه می‌دهد. این شرکت از قابلیت‌های هوش مصنوعی واتسون و تخصص خاص Promontory برای تجزیه و تحلیل گفتگوهای زنده و تشخیص عدم انطباق‌ها استفاده می‌کند. همچنین، استفاده از یادگیری ماشین برای تفسیر خودکار متون قانونی توسط شرکت‌هایی مانند Waymark که در لندن مستقر است، ارائه شده است.
پاسخ دوم:
پایبندی به مقررات مدیریت ریسک برای شرکت‌های مالی، به‌ویژه پس از بحران مالی، یک وظیفه حیاتی است. در حالی که متخصصان مدیریت ریسک تمایل دارند تفاوتی بین فعالیت‌های خود و ضرورت بوروکراتیک رعایت مقررات قائل شوند، این دو به‌طور جداناشدنی به سیستم‌های کلی مدیریت ریسک شرکت‌ها مرتبط هستند. بدین ترتیب، پایبندی به مقررات به بهترین نحو با مدیریت ریسک سازمانی مرتبط است، هرچند به‌طور خاص بر هر یک از عملکردهای ریسک اعتباری، بازار و عملیاتی تأثیر می‌گذارد.
فناوری‌های مرتبط با قانون‌گذاری (RegTech)، حوزه‌ای مشابه فناوری‌های مالی (FinTech) که بر رعایت مقررات تمرکز دارد، به منظور کمک به شرکت‌ها در افزایش تقاضاهای پایبندی به مقررات پدید آمده است. در این حوزه، هوش مصنوعی و یادگیری ماشینی نقش مهمی ایفا می‌کنند، به دلیل حجم عظیم داده‌هایی که باید بررسی شوند و ماهیت غیرمتعارف این داده‌ها. مزیت اصلی یادگیری ماشینی در RegTech، نظارت پیوسته بر فعالیت‌های شرکت است. آرنر و همکاران (۲۰۱۶) به این قابلیت برای ارائه بینش‌های در لحظه و جلوگیری از نقض مقررات اشاره می‌کنند، درحالی‌که مزایای دیگر شامل آزادسازی سرمایه نظارتی به دلیل نظارت بهتر و کاهش هزینه‌های رعایت مقررات است.
IBM به‌عنوان یکی از بازیگران اصلی در این حوزه، پس از خرید پرومونتوری (Promontory: یک استارتاپ با ۶۰۰ نیروی فناوری مرتبط با قانون‌گذاری)، اکنون طیف وسیعی از راه‌حل‌های مبتنی بر هوش مصنوعی را برای کاهش هزینه‌های فناوری‌های قانون‌گذاری ارائه می‌دهد. به‌عنوان مثال، تحلیل مکالمات صوتی در لحظه با استفاده از ترکیب تخصص هوش مصنوعی واتسون IBM و تخصص خاص پرومونتوری، برای اطمینان از رعایت مقررات به‌کار گرفته می‌شود. این تحلیل شامل تبدیل مکالمات صوتی به متن و طبقه‌بندی آن با استفاده از پردازش زبان طبیعی برای شناسایی موارد بالقوه عدم رعایت است.
کاربردهای دیگر یادگیری ماشینی شامل خواندن و تفسیر خودکار مفاد اسناد نظارتی است، همانطور که وایمارک (Waymark) مستقر در لندن در حال حاضر به مؤسسات مالی ارائه می‌دهد.
درخواست برای راهبرد فناوری در امتثال با مقررات مدیریت ریسک یک عملیات حیاتی برای شرکت‌های مالی است، به ویژه پس از بحران مالی. در حالی که حرفه‌ایان مدیریت ریسک اغلب سعی دارند تفاوتی بین کارهایشان و نیاز بیروکراتیک اغلب لازم از امتثال مقررات بکشند، اما این دو نقش به طور ناگزیر به یکدیگر پیوسته‌اند چرا که هر دو مربوط به سیستم‌های کلی شرکت برای مدیریت ریسک هستند. به این حد تطابق امتثال ممکن است بهترین‌طور با مدیریت ریسک شرکت پیوندیده شود، اگرچه به‌طور خاص بر روی هر یک از عملکردهای ریسک اعتباری، بازاری و عملیاتی نیز تأثیر می‌گذارد. در این حوزه، فناوری مدیریت مقررات یا "RegTech"، که یک حوزه مشابه به فناوری مالی یا "FinTech" متمرکز بر امتثال مقررات است، برای کمک به شرکت‌ها در برآورده شدن نیازهای افزایشی امتثال پدید آمده است. در این حوزه هوش مصنوعی و یادگیری ماشینی به علت حجم عظیم داده‌هایی که نیاز به ارزیابی دارند و همچنین طبیعت غیر معمول این داده‌ها، نقش مهمی را بر عهده گرفته است. در حالی که بسیاری از نقش های هوش مصنوعی و یادگیری ماشینی در حوزه مدیریت مقررات قبلاً در بخش‌های قبلی بحث شده است، مزیت اصلی یادگیری ماشینی به معنای خالص فناوری مدیریت مقررات، قابلیت نظارت مداوم بر فعالیت‌های شرکت است. مطالعات نشان می‌دهند که این قابلیت برای برآورد بیشتر، از نظرات زمان واقعی استفاده می‌کند و بنابراین از نقض‌های امتثالی جلوگیری می‌کند تا بعد از وقوع باید با عواقب نقض‌ها مواجه شود. مزایای دیگر شامل این است که برای آزادسازی سرمایه‌های نظارتی بهبود می‌یابد، همچنین اتوماسیون برخی از هزینه‌های تخمین زده شده حدود 70 میلیارد دلاری که سالانه بزرگترین مؤسسات مالی برای امتثال هزینه می‌کنند را کاهش می‌دهد. یکی از بازیگران کلیدی در این حوزه IBM است که پس از خرید "پرومونتوری" (یک استارتاپ RegTech با 600 کارمند) اکثریت سهام را تأمین کرد، و اکنون مجموعه‌ای از راه‌حل‌های با استفاده از هوش مصنوعی برای کاهش هزینه‌های مدیریت مقررات ارائه می‌دهد، که نشان می‌دهد علاقه صنعت به این حوزه وسیع است و نه فقط به استارتاپ‌ها محدود است. به عنوان مثال، تجزیه و تحلیل گفتگوهای صوتی در زمان واقعی برای اطمینان از امتثال از طریق ترکیب تجربه هوش مصنوعی واتسون شرکت IBM با تجربه خاص مرتبط با این حوزه است. این شامل ترجمه گفتگوهای صوتی به متن و سپس طبقه‌بندی این متن با استفاده از پردازش زبان طبیعی به دسته‌هایی که احتمال عدم امتثال را مشخص می‌کنند. کاربردهای دیگر یادگیری ماشینی شامل خواندن و تفسیر خودکار اثرات مدارک قانونی مربوط، با استفاده از پردازش زبان طبیعی همچنین موجود است.
مطالب مورد بحث درباره اهمیت رگولاتوری تکنولوژی (RegTech) در ارتباط با ریسک مدیریت برای شرکت‌های مالی است. در پسا بحران مالی، تأمین تطابق با مقررات ریسک‌های مهمی است که متخصصان مدیریت ریسک سعی در تمایز بین این فعالیت و ضرورت‌های مقرراتی دارند، اما در واقع این دو به یکدیگر وابسته هستند، زیرا هر دو با سیستم‌های کلی مدیریت ریسک مرتبط هستند. رگولاتوری تکنولوژی برای کمک به شرکت‌ها در برطرف کردن نیازهای روزافزون تطابق ظهور کرده است. در این زمینه هوش مصنوعی و یادگیری ماشین نقش مهمی را ایفا می‌کنند به دلیل حجم زیاد داده‌ها و طبیعت غیر معمول این داده‌ها. یکی از مزایای کلیدی یادگیری ماشین در این زمینه، قابلیت نظارت مداوم بر فعالیت‌های شرکت‌ها است که منجر به ارائه پیش بینی‌های در زمان و اجتناب از نقض مقررات می‌شود. مزایای دیگر شامل آزاد سازی سرمایه رگولاتوری و کاهش هزینه‌های تطابقی است. شرکت IBM یکی از بازیگران کلیدی در این حوزه است و پس از خرید توسط Promontory، راه حل‌های مبتنی بر هوش مصنوعی برای کاهش هزینه‌های رگولاتوری ارائه می‌دهد. استفاده از تجزیه و تحلیل گفتگوهای صوتی به منظور اطمینان از تطابق با مقررات یکی از این راه حل‌ها است.
کاربرد فناوری‌های نظارتی در انطباق با مقررات مدیریت ریسک، یک عملکرد حیاتی برای شرکت‌های مالی است، به‌ویژه پس از بحران مالی. در حالی که حرفه‌ای‌های مدیریت ریسک اغلب تلاش می‌کنند تا خطی بین کار خود و ضرورت‌های اغلب دفترکاری انطباق با مقررات بکشند، این دو به شکلی جداناپذیر به یکدیگر مرتبط هستند، زیرا هر دو به سیستم‌های کلی شرکت برای مدیریت ریسک مربوط می‌شوند. تا این حد، انطباق شاید بهترین ارتباط را با مدیریت ریسک سازمانی داشته باشد، هرچند که به طور خاص به هر یک از عملکردهای ریسک اعتباری، بازار و عملیاتی نیز می‌پردازد. بنابراین، RegTech، که یک حوزه مشابه به FinTech با تمرکز بر انطباق است و در فصل ششم بیشتر بحث می‌شود، برای کمک به شرکت‌ها در برآورده کردن نیازهای رو به افزایش انطباق پدید آمده است. در این حوزه، هوش مصنوعی و یادگیری ماشینی شروع به ایفای نقش مهمی کرده‌اند که توسط حجم عظیم داده‌هایی که باید ارزیابی شوند و همچنین ماهیت غیرمتعارف این داده‌ها به پیش رانده می‌شوند.
در حالی که بسیاری از نقش‌های هوش مصنوعی و یادگیری ماشینی در RegTech به موضوعاتی مربوط می‌شود که قبلاً در بخش‌های پیشین بحث شده است، مزیت کلیدی یادگیری ماشینی در حس محض RegTech، توانایی نظارت مداوم بر فعالیت‌های شرکت است. آرنر و همکارانش (2016) به این توانایی برای بینش‌های لحظه‌ای و در نتیجه اجتناب از تخلفات انطباقی اشاره می‌کنند تا اینکه مجبور به مقابله با عواقب تخلفات پس از وقوع آنها باشیم. سایر مزایای مورد توجه، توانایی آزادسازی سرمایه نظارتی به دلیل نظارت بهتر، و همچنین خودکارسازی که برخی از هزینه‌های تخمینی 70 میلیارد دلاری که موسسات مالی بزرگ هر سال برای انطباق می‌پردازند را کاهش می‌دهد. یک بازیگر کلیدی در این زمینه IBM است که پس از خرید Promontory (یک استارتاپ RegTech با 600 کارمند)، اکنون مجموعه‌ای از راه‌حل‌های مبتنی بر AI را برای کاهش هزینه‌های RegTech ارائه می‌دهد، که نشان‌دهنده علاقه گسترده صنعت به این حوزه است که تنها به استارتاپ‌ها محدود نمی‌شود. به عنوان مثال، تحلیل مکالمات صوتی به صورت زنده برای اطمینان از انطباق از طریق ترکیب تخصص AI واتسون IBM و تخصص خاص حوزه Promontory استفاده می‌شود. این شامل تبدیل مکالمات صوتی به متن و سپس طبقه‌بندی این متن با استفاده از پردازش زبان طبیعی به دسته‌هایی است که احتمال عدم انطباق را شناسایی می‌کند. سایر کاربردهای یادگیری ماشینی شامل خواندن و تفسیر خودکار پیامدهای مستندات نظارتی است، که باز هم با استفاده از پردازش زبان طبیعی، همانطور که Waymark مستقر در لندن در حال حاضر به موسسات مالی ارائه می‌دهد.
پاسخ شما
