Konsten att bygga tillförlitliga och robusta AI-system för finansiella sektorn
I en serie om fem delar har Hybridity i samarbete med Auxality presenterat de viktigaste kraven på ett AI verktyg som har identifierats i en serie workshops med 30 av Sveriges ledande fondbolag. Resultatet av projektet, som gick under namnet Fund Intelligence & Learning Automation (FILA), är en ny AI-plattform som effektiviserar processer som kontraktsanalys (i enlighet med DORA), CSRD- och ESG-rapportering och periodisk rapportering för förvaltare.
Tidigare har vi gått igenom kraven på spårbarhet, kompatibilitet, användarvänlighet och flexibilitet för att kunna implementera generativ AI på ett effektivt sätt. Idag tittar vi på behovet av tillförlitlighet i svaren.
Behov 5/5: Tillförlitlighet
En av de vanligast förekommande frågorna vi möts av i kontakt med kunder är: “Hur kan vi lita på resultatet?”.
När arbetsuppgifter ökar i komplexitet och regulatorisk kravställning intensifieras blir vikten av tillförlitlighet i svaren markant. Men vad innebär egentligen det att lita på ett svar? Vad ställer det för krav på ett AI-system? Tillsammans med våra kunder har vi utvecklat Hybridity för att bli en plattform att lita på.
Robusta system: nyckeln till förtroende
För Hybridity är robusthet nyckeln till tillförlitliga svar. Robusthet bygger primärt på tre aspekter av systemet:
- Identifiering av korrekt data
För att dra en parallell till forskningsvärlden utgör det teoretiska och empiriska underlaget en förutsättning för analysen. Forskning byggd på irrelevant eller otillräckligt underlag accepteras inte.
På samma sätt behöver ett AI-system konstrueras så att den effektivt identifierar korrekt information, ur ett större dataunderlag, för att besvara den specifika frågan eller utföra den specifika uppgiften.
På Hybridity satsar stort vi på att bygga ett så kallat RAG system, detta system gör korrekt information tillgänglig för AI-motorn vid rätt tillfälle. Tack vare dessa satsningar har vi nu uppnått en industriledande tillförlitlighet i de svar som systemet genererar. - Resonemang kring data
- Ett gediget teoretiskt ramverk och empiriskt dataunderlag säkerställer i inte per automatik en bra analys. Det krävs också ett kreativt, ifrågasättande och utforskande resonerande från forskarteamet. På samma sätt fungerar en AI.
Med hjälp av avancerade algoritmer och agentstrukturer kan vi konfigurera systemet att tolka och besvara frågan korrekt. - Detta har vi åstadkommit genom att implementera ett system som imiterar hur vi människor tänker.
För att svara på en svår fråga krävs omgångar av eftertanke. Vi gör ett första utkast och itererar sedan på det, vi hittar hålen i argumentationen och jobbar sedan för att täppa till dem med ytterligare efterforskning. Vi visar kanske vårt utkast för en kollega – som faktagranskar och kritiserar vårt arbete. Om det är en riktigt svår fråga kanske vi ber flera experter om svar och ser om vi får samma svar från samtliga. I liknande strukturer jobbar Hybriditys system för att ta fram fram sina svar. - Repeterbarhet
För ett system att bli robust ställer det krav på ett systematiskt återkommande mönster i hur den tacklar en uppgift från en gång till en annan. Även en trasig klocka visar rätt två gånger om dagen - men med ett robust system går klockan rätt dygnet runt.
På Hybridity har vi arbetat hårt för att utveckla vårt system i riktningen mot en trovärdig robusthet. Vi är stolta över det system vi hittintills byggt, the “Hybridity AI Engine”, men samtidigt ödmjuka inför de utmaningar som ännu kvarstår tekniken och branschen i stort.
Sammanfattning
Vi byggt en plattform som bygger på avancerad forskning och utveckling inom AI. En plattform att lita på, vare sig det handlar om att generera ett svar på en ESG-relaterad fråga ur ett stort datamaterial – eller bedöma regelefterlevnad av ett avtal gentemot DORA.
Genom vårt robusta system kan våra användare utnyttja Generativ AI för komplexa och regulatoriskt krävande arbetsflöden. Med teknikens ständiga framsteg fortsätter utvecklingen av vårt AI-system, som undan för undan kommer kunna underlätta fler resurskrävande arbetsflöden i branschen.
