สถาบันการเงินส่วนใหญ่กำลังแก้ปัญหาการทุจริตได้อย่างถูกวิธี แต่กำลังสร้างโครงสร้างพื้นฐานอย่างผิดวิธี
การทุจริตกำลังฉลาดขึ้น
สถาบันการเงินใช้เงินหลายพันล้านเพื่อการตรวจจับการทุจริตและความปลอดภัย แต่ความสูญเสียจากการทุจริตยังคงเพิ่มสูงขึ้น ผู้โจมตีใช้ AI และระบบอัตโนมัติเพื่อให้ได้ชัยชนะ
การตอบสนองของอุตสาหกรรมคือการลงทุนใน AI ซึ่งถือเป็นการตัดสินใจที่ถูกต้อง
แต่หลายบริษัทกำลังทำผิดพลาด พวกเขาใช้ AI ในการตรวจจับ แต่กลับสร้างโครงสร้างพื้นฐานที่ทำให้การทำงานล่าช้าลง
อนาคตเป็นของสถาบันที่เป็น cloud-native
ไม่ใช่ cloud-agnostic ไม่ใช่ multi-cloud แต่เป็น cloud-native
ระบบที่ใช้กฎแบบดั้งเดิม (rule-based systems) นั้นล้มเหลว รูปแบบการทุจริตเปลี่ยนแปลงเร็วเกินกว่าจะอัปเดตด้วยตนเองได้ ระบบ AI สมัยใหม่สามารถ:
• ตรวจจับความผิดปกติได้แบบเรียลไทม์ • วิเคราะห์รูปแบบจากธุรกรรมหลายล้านรายการ • ลดการตรวจจับที่ผิดพลาด (false positives) • ปรับปรุงการให้คะแนนความเสี่ยง (risk scoring) • ปรับตัวเข้ากับเทคนิคการทุจริตใหม่ๆ
บริษัทอย่าง JPMorgan Chase, PayPal และ Stripe ใช้ machine learning เพราะวิธีการแบบดั้งเดิมนั้นไม่ได้ผล สิ่งนี้ช่วยลดความสูญเสียและลดต้นทุนลง
จุดที่หลายองค์กรล้มเหลวคือกลยุทธ์ด้านโครงสร้างพื้นฐาน พวกเขาพยายามหลีกเลี่ยงการผูกขาดกับผู้ให้บริการ (vendor lock-in) และต้องการความสามารถในการเคลื่อนย้ายระบบ (portability) ให้ได้มากที่สุด
เป้าหมายนี้สร้างปัญหา:
- ความซับซ้อนที่มากขึ้น
- วงจรการติดตั้งใช้งาน (deployment cycles) ที่ยาวนานขึ้น
- นวัตกรรมที่ล่าช้าลง
AI ต้องการเครื่องมือแบบ cloud-native เพื่อให้ทำงานได้อย่างมีประสิทธิภาพ สิ่งที่จำเป็นคือ:
- แพลตฟอร์มข้อมูลแบบ Managed
- การสตรีมเหตุการณ์แบบเรียลไทม์ (real-time event streaming)
- การประมวลผลแบบ Serverless
- การประมวลผลแบบ Elastic compute
เครื่องมือเหล่านี้ช่วยให้การนำโมเดลจากขั้นตอนการทดสอบไปสู่การใช้งานจริง (production) ทำได้รวดเร็วยิ่งขึ้น
หากบริการคลาวด์ช่วยให้คุณ
ชุมชนการเรียนรู้เพิ่มเติม (ไม่บังคับ): https://t.me/GyaanSetuAi_