OpenAI, ChatGPT for Financial Services-ஐ அறிமுகப்படுத்தியுள்ளது. இது PitchBook மற்றும் Crunchbase போன்ற சந்தை தரவுத் தொடர்களுடன் (market-data feeds) வருகிறது, வங்கித் தரத்திலான பாதுகாப்புத் தரநிலைகளைப் பூர்த்தி செய்கிறது, மேலும் வாடிக்கையாளரின் உரிமம் பெற்ற ஆவணங்களை மாதிரிப் பயிற்சியளிக்க (model training) பயன்படுத்தாது என்று உறுதியளிக்கிறது.
வங்கிகள் பல ஆண்டுகளாக Generative AI-ஐக் கவனித்து வந்தன, ஆனால் இரண்டு சிக்கல்களால் தயங்கி வந்தன: மாதிரியில் உள் நிதி அறிக்கைகளை (internal financial statements) உள்ளீடு செய்ய வேண்டிய அவசியம் மற்றும் அந்த ஆவணங்கள் நிறுவனத்தின் ஃபயர்வால் (firewall) விட்டு வெளியேறாது என்பதை உறுதிப்படுத்துவதில் உள்ள சிரமம். OpenAI-இன் புதிய தயாரிப்பு இரண்டையும் தீர்க்க முயல்கிறது. பயனர்கள் வருவாய் அறிக்கைகள் (earnings reports), இருப்புநிலைக் குறிப்புகள் (balance sheets) அல்லது டீல்-ஃப்ளோ ஸ்ப்ரெட்ஷீட்களை (deal-flow spreadsheets) பதிவேற்ற வேண்டிய அவசியத்திற்குப் பதிலாக, இந்தச் சேவை ஏற்கனவே பொதுத் களத்தில் உள்ள மற்றும் உரிமம் பெற்ற தரவுகளின் தொகுப்பைக் கொண்டுள்ளது, அவற்றை நேரடியாகக் கேள்வி கேட்க முடியும். இந்தத் தளம் கடுமையான வங்கிப் பாதுகாப்பு விதிகளையும் பின்பற்றுகிறது. மிக முக்கியமாக, இந்த மாதிரி "data-agnostic" (தரவு-சார்பற்றது) என்று நிறுவனம் கூறுகிறது - அதாவது, அடிப்படை மாதிரியை மேம்படுத்த வாடிக்கையாளர் பதிவேற்றும் கோப்புகளைச் சேமிக்காமலோ அல்லது பயன்படுத்தாமலோ நுண்ணறிவுகளை (insights) உருவாக்க முடியும்.
நிதி நிறுவனங்கள் வெறும் எண்களை முதலீட்டு குறிப்புகள் (investment memos), கடன் மதிப்பீடுகள் (credit assessments) அல்லது இணக்க அறிக்கைகளாக (compliance reports) மாற்றுவதற்கு எடுக்கும் நேரத்தைக் குறைக்கத் துடிக்கும் சூழலில் இந்த நடவடிக்கை எடுக்கப்பட்டுள்ளது. ஆய்வாளர்கள் வழக்கமாகப் பல விற்பனையாளர்களிடமிருந்து தரவுகளைத் திரட்டி, பின்னர் அவற்றை கைமுறையாகத் தொகுத்து அறிக்கைகளைத் தயாரிக்க பல மணிநேரங்களைச் செலவிடுகின்றனர். OpenAI-இன் கருவி வங்கியலாளர்கள் P&L அறிக்கைகளை பகுப்பாய்வு செய்யவும் ஆவணங்களை விரைவாக உருவாக்கவும் உதவுகிறது.
பாதுகாப்பு மற்றும் தரவுத் தனியுரிமை (data-privacy) என்பதும் இதன் மற்றொரு முக்கிய அம்சமாகும். வாடிக்கையாளர் தரவு பயிற்சியின் போது மீண்டும் பயன்படுத்தப்படாது என்பதை உறுதிப்படுத்துவதன் மூலம், AI வழங்குநர்கள் ரகசியமான நிறுவனத் தகவல்களிலிருந்து தற்செயலாக "கற்றுக்கொண்டு" அதை மற்ற வாடிக்கையாளர்களுக்கு வெளிப்படுத்தக்கூடும் என்ற பொதுவான விமர்சனத்தைத் தவிர்க்கிறது OpenAI.
அதே நேரத்தில் OpenAI, புதிய AI பாதுகாப்புச் சட்டங்களுக்காக (AI safety statutes) காங்கிரஸிடம் வாதாடிக்கொண்டிருக்கிறது. AI சூழலில் உள்ள டஜன் கணக்கான சிறிய ஸ்டார்ட்அப்களை விட, மிகவும் சக்திவாய்ந்த அமைப்புகளில் சோதனைத் தரநிலைகளை (testing standards) பெரிய ஆராய்ச்சி ஆய்வகங்கள் மீது சுமத்த வேண்டும் என்று நிறுவனம் விரும்புகிறது. நிதி போன்ற அதிக முக்கியத்துவம் வாய்ந்த துறைகளில் ஆழமான ஒருங்கிணைப்பிற்கு ஒழுங்குமுறைத் தெளிவு (regulatory certainty) ஒரு முன்நிபந்தனை என்று OpenAI கருதுவதை இந்த முயற்சி உணர்த்துகிறது; ஏனெனில் அங்கு ஒரு சிறிய மாதிரித் தவறு கூட இணக்க மீறல்கள் அல்லது நிதி இழப்பைத் தூண்டக்கூடும்.
இதில் அனைத்து தரப்பினருக்கும் சவால்கள் அதிகம். வங்கிகளுக்கு, இந்தத் தொழில்நுட்பம் விரைவான டீல் ஓட்டம் (deal flow), குறைந்த பணியாளர் செலவுகள் மற்றும் வேகம் பெரும்பாலும் வெற்றியாளர்களைத் தீர்மானிக்கும் ஒரு துறையில் போட்டித் திறனைத் தரக்கூடும். OpenAI-க்கு, நிதிச் சேவைகளில் ஒரு இடத்தைப் பிடிப்பது லாபகரமான வருவாய் ஆதாரத்தைத் திறப்பதோடு மட்டுமல்லாமல், காப்பீடு அல்லது சுகாதாரம் போன்ற பிற ஒழுங்குமுறைப்படுத்தப்பட்ட துறைகளிலும் பயன்படுத்தக்கூடிய ஒரு முன்மாதிரியை (use case) வெளிப்படுத்துகிறது. ஒரு முக்கிய AI வழங்குநர் முக்கியமான தரவைப் பாதுகாக்கும் விதம் குறித்து ஒழுங்குமுறை அமைப்புகளுக்குத் தெளிவான படம் கிடைக்கிறது, ஆனால் அதே சமயம் அவை புதிய அபாயங்களையும் எதிர்கொள்கின்றன: பெரிய மொழி மாதிரிகளின் (large language models) வெளிப்படைத்தன்மையின்மை, சந்தை தரவுத் தொடர்களில் முறையான சார்பு (systematic bias) ஏற்பட வாய்ப்பு மற்றும் முதலீட்டு முடிவுகளுக்குப் பயன்படுத்தப்படக்கூடிய AI-ஆல் உருவாக்கப்பட்ட ஆலோசனைகளைக் கண்காணிப்பதில் உள்ள சவால்.
ஒரு தனிப்பட்ட வெளிப்புற AI விற்பனையாளரைச் சார்ந்திருப்பது, குறிப்பாக வங்கிகள் இந்தத் கருவியை அவற்றின் முக்கிய underwriting அல்லது இணக்கச் செயல்பாடுகளுக்குள் (compliance workflows) இணைக்கும்போது, ஒரு புதிய வகை 'vendor lock-in'-ஐ உருவாக்கக்கூடும் என்று விமர்சகர்கள் எச்சரிக்கின்றனர். மாதிரியின் துல்லியம் குறித்த கேள்வியும் உள்ளது. இந்த அமைப்பு பொதுத் தரவுகளை விரைவாகத் திரட்டித் தொகுக்க முடிந்தாலும், அது துல்லியத்தலை உறுதிப்படுத்தாது; தவறாகப் பகுப்பாய்வு செய்யப்பட்ட வருவாய் புள்ளிவிவரம் அல்லது காலாவதியான மதிப்பீட்டு அளவீடு தவறான முடிவுகளுக்கு வழிவகுக்கலாம். "வாடிக்கையாளர் தரவின் மூலம் பயிற்சி அளிக்கப்படாது" என்ற கொள்கை மேம்பாட்டிற்கான ஒரு வழியைத் தடுக்கிறது, அதாவது நிறுவனத்தின் சொந்த வரலாற்று முடிவுகளிலிருந்து தொடர்ந்து கற்றுக்கொள்ளும் பிரத்யேக உள்நாட்டுத் தீர்வுகளை விட (bespoke, internally trained solutions) இந்த மாதிரி பின்தங்கக்கூடும் என்று அர்த்தம்.
அடுத்து கவனிக்க வேண்டியவை: பயன்பாட்டு அளவீடுகள் (adoption metrics) வெற்றிக்கான முதல் குறிகாட்டியாக இருக்கும். வணிக வங்கித் துறை, முதலீட்டு வங்கித் துறை அல்லது சொத்து மேலாண்மை ஆகியவற்றில் மேற்கொள்ளப்படும் ஆரம்பக்கட்ட சோதனைகள், வேகத் தேவைகள் மனித மேற்பார்வையின் தேவையை விட அதிகமாக உள்ளதா என்பதைக் காட்டும். OpenAI-இன் பாதுகாப்பு மசோதாவிற்கு ஒழுங்குமுறை அமைப்புகளின் பதில், நிதித் துறையில் AI-க்கான இணக்க நிலப்பரப்பை (compliance landscape) வடிவமைக்கும் - காங்கிரஸ் கடுமையான சோதனைத் தரநிலைகளை ஏற்றுக்கொண்டால், மற்ற AI நிறுவனங்களும் அதைப் பின்பற்ற வேண்டிய கட்டாயம் ஏற்படும், இது இது போன்ற தீர்வுகளைப் பயன்படுத்துவதற்கான செலவை அதிகரிக்கக்கூடும். இறுதியாக, போட்டித் துறை சூடுபிடிக்கத் தொடங்கியுள்ளது; பிற கிளவுட் வழங்குநர்களும் AI ஸ்டார்ட்அப்களும் ஏற்கனவே தனிப்பயனாக்கப்பட்ட மாதிரிகளுடன் வங்கிகளைத் தொடர்பு கொண்டு வருகின்றனர், எனவே OpenAI தனது தரவு ஒருங்கிணைப்புகள் மற்றும் பாதுகாப்புச் சான்றிதழ்களைத் தொடர்ந்து ஆழப்படுத்தாவிட்டால் அதன் முன்னிலை குறுகிய காலமே நீடிக்கும்.
துல்லியமான மற்றும் சரியான நேரப் பகுப்பாய்வுகளை வழங்கும் அதே வேளையில், தங்கள் தரவுகளின் ரகசியத்தன்மையைப் பாதுகாப்பதில் இந்த மாதிரியை வங்கிகள் நம்ப முடிந்தால், ChatGPT for Financial Services வர்த்தகத் தளத்தில் ஒரு புதிய தரநிலை கருவியாக மாறக்கூடும். இல்லையெனில், தெளிவான ஒழுங்குமுறை வழிகாட்டுதல்களுக்காகவும் மாதிரியின் நம்பகத்தன்மை குறித்த வலுவான உறுதிமொழிகளுக்காகவும் இந்தத் துறை காத்திருக்கும் நிலையில், இந்தத் தொழில்நுட்பம் வெறும் கருத்தியல் நிரூபணத் திட்டங்களாகவே சுருங்கி, ஒரு குறிப்பிட்டத் துறை சார்ந்த பரிசோதனையாகவே இருக்கலாம்.