Abstracto

Machine Learning 2018: gestión de riesgos a medida que avanza en la implementación de tecnologías emergentes de IA, RPA y ML - Anu Kukar-KPMG

Anu Kukar

¡Ayuda! Mi bot no me escucha: ¿Puede un bot ser inseguro? ¿Será un bot resistente? ¿Será un bot representativo? Independientemente de si está eligiendo el proceso comercial, realizando una prueba de concepto o dirigiendo hacia RPA, ¿diría que está cometiendo el error GRRC más conocido? Por lo general, todos deben crear un grupo de trabajo que garantice que se gestionen los riesgos del proyecto. Luego está el reconocimiento de los nuevos riesgos que surgen de RPA, por ejemplo, riesgos de reputación, influencia en los empleados, mayor riesgo digital, seguridad y protección, etc. Esto generalmente se considera un aspecto importante del caso comercial y la ejecución del proyecto. La gestión de riesgos durante el cambio, por ejemplo, el uso de RPA adoptado, a menudo puede provocar que se ignoren o se pasen por alto componentes del riesgo y la consistencia de la estructura del ejecutivo. Imagine que está implementando su extensión de RPA y se olvida de asegurarse de que su Plan de Continuidad Comercial (BCP) refleje el cambio en el personal y los requisitos para respaldar a sus bots que no se han implementado. La creación y el área de su fuerza laboral no han cambiado, al igual que las necesidades de su negocio. O, por otro lado, tome los acuerdos comerciales o de colusiones vitales que ha celebrado para transmitir este proyecto y ayudar a la empresa a cumplir con su estrategia, sus objetivos y ajustar las necesidades de sus clientes. ¿Ha informado al controlador si es un proveedor de materiales? ¿No debería decir algo sobre los planes de juego del contrato, los SLA, la seguridad digital y cómo se verificarán para garantizar que los riesgos reputacionales, operativos, vitales y de consistencia se gestionen adecuadamente? Evaluar el impacto y ejecutar cambios en todas las partes afectadas del sistema de gestión de riesgos y consistencia puede ahorrar un montón de dolores de cabeza no deseados, tanto a nivel financiero como no financiero. El componente de buena gestión y gestión de oportunidades comerciales a menudo se descuida, se deja más allá del punto de no retorno o el equipo se agota por los tres segmentos mencionados: (1) Gestión de riesgos del proyecto, (2) Identificación de nuevos riesgos y (3) Gestión de riesgos durante el cambio. Lo que es similar, si no la parte básica, de GRRC en la ejecución de RPA se ve en cada una de las etapas: selección del procedimiento, confirmación de la idea, piloto, uso y posterior ejecución. Escuche, vea y aprenda enfoques prácticos para incorporar y considerar GRRC en la fase importante de su viaje de RPA y asegúrese de que su robot esté en sintonía con usted. Entre las instituciones financieras (IF), el término "inteligencia artificial" (IA) ya no es solo una palabra de moda. La IA se ha convertido en una herramienta importante con casos de uso en una variedad de contextos de servicios financieros. En este informe, exploramos el estado actual de la IA en riesgo y cumplimiento, examinando varios temas clave: • La madurez general de las herramientas de IA. • Cómo se ve la madurez de la IA en diferentes contextos (por ejemplo, en diferentes tipos de institución).• Las formas en que se utilizan las herramientas de IA en toda la cadena de valor de riesgo y cumplimiento. En este informe, sostenemos que el nivel de madurez del uso de la IA varía considerablemente entre las instituciones financieras, tanto por tipo como a nivel de línea de negocio. Con pocas excepciones, constatamos que la industria financiera todavía está tratando de "ponerse al día" en términos de IA. Para muchas empresas, la fase experimental de IA está en curso, y todavía están surgiendo casos de uso prácticos. Incluso en las muchas instituciones más grandes con más experiencia en IA, es probable que los proyectos actuales sean los primeros en los que la IA se esté implementando a escala y en una amplia gama de casos de uso en silos organizacionales. La aplicación de herramientas de IA también varía considerablemente según el caso de uso. Por ejemplo, la IA está relativamente extendida en el área de gestión de datos, donde herramientas específicas (como el aprendizaje automático [ML], el procesamiento del lenguaje natural [NLP] y el análisis de gráficos [GA]) han demostrado ser particularmente adecuadas para ciertas aplicaciones. Sin embargo, para aprovechar los proyectos basados ??en datos de manera eficaz, las instituciones deben tener acceso a las fuentes adecuadas de datos y la experiencia adecuada para gestionarlos.

Biografía:

Anu Kukar trabaja en KPMG, Australia