2024 生成式 AI Copilots 指南 ： 关于务业如如何最大化利用生成式人工智能能

生成 AI 副驾驶指南 企业如何最大限度地利用生成式AI Introduction 在本指南中，我们将讨论生成式AI协作者（generative AI copilots），这一术语已成为工作场所使用生成式AI的代名词。 生成式AI助手无处不在。在一年的时间里，人工智能已经在工作场所变得普遍。根据一些估计，金融服务领域的AI市场价值将达到 到 2030 年 857 亿美元。然而 ， 市场很难预测 ； 今年 ， 预计金融机构将花费$56 billion这仅为专家达成一致的唯一观点：人工智能将长期存在，它是自互联网以来对我们工作方式的最大变革，将人工智能系统融入企业运营将是早晚的问题。 为了帮助您评估副驾驶员可以介绍您的组织的机会 ， 我们将带您完成 ： •你应该问的问题•你应该进行的研究•使用 Gen AI 的含义•期待什么 如果金融服务组织能够有效地利用生成式AI副驾，可以将生产力提高多达70%，得益于AI生成的摘要、推荐行动以及一致的报告结构带来的巨大效率提升。本指南旨在帮助您的组织实现这一目标。 AI 是最大的如何改组我们工作以来互联网。 通过以下方式提高生产力up to 70%有一个生成 AI 副驾驶 什么是生成式 AI 副驾驶 ？ 生成式AI副驾是一种基于生成式AI的助手。它通过搜索文本、整理和总结信息以及撰写报告等方式帮助用户完成各种任务。 •许多插件可用由于公开可用的生成式AI副驾的工作方式，企业在商业应用上存在局限性。大多数组织需要一种专门针对其特定应用场景的副驾，并且需要使用相关的大型语言模型（LLMs）进行训练，还能够“无缝集成”到现有解决方案中。 在与文本和数字合作的同时，生成式AI副驾可以根据文本提示生成图像、在多种编程语言中生成代码，并在网络上搜索相关文章（这些文章甚至可以被摘要并包含在报告中）。 有了所有这些能力 ， 很容易看出在商业世界中 ， 生成 AI 副驾驶正在从 “可选的 ” 转变为“ 必不可少的 ”它们是有效的 ， 推动效率 ， 并导致提高团队和部门的生产力。 使用生成 AI 副驾驶很容易 ， 原因有很多 ： •它的对话界面正如与聊天机器人一样，用户将问题输入文本字段，副驾会使用易于查询和提问的自然语言回复相关信息。 在金融服务领域 ， 银行预计将花费到2024 年 ， 生成 AI 为 56 亿. 让我们详细了解一下这个行业的一个生成式AI示例——Sensa Copilot，该工具专门帮助金融犯罪调查员。 •它搜索并生成文本- 生成式AI副驾可以与您现有的软件互动，使其使用变得更加简单。例如，在处理大量数据时，副驾可以迅速提取相关信息并完成所需计算，这比以往手动打开电子表格进行计算的时间要短得多。不仅能够进行计算，它还可以总结其工作内容，并在必要时解释其工作原理。 Note: 在整个文档中 ：'生成 AI 副标题'or'副驾驶'指任何生成 AI 副驾驶'Sensa Copilot'指 SymphonyAI 在 Sensa 调查中心内的副驾驶能力 什么是 Sensa Copilot ？ 生成式AI将这些信息总结为易于理解的自然语言叙述，解释了为何触发警报以及组织面临的何种风险类型。调查人员通过直观的聊天窗口与Sensa Copilot互动，并可使用生成的叙述填充案件日志和报告，以便轻松向监管机构解释——调查遵循一致的过程，报告采用明确无误、精确的语言撰写，每一步均可追溯审计。 TheSensa Copilot是的一部分森萨调查中心，提供一套适用于所有金融犯罪调查需求的企业级单一解决方案，该方案由生成式AI驱动。不受检测方式限制，Sensa调查 hub 可配置于任何应用场景、业务单元或资产类别。它提供了统一的实体为中心的风险视图，并能使调查效率提升70%。重要的是，该解决方案可作为现有技术的增强工具，使组织能够尽快开始使用生成性和预测性AI，而无需立即更换当前的技术。 以这种方式，Sensa Copilot不仅高效，而且有效。它能加速调查进程，但同样重要的是，它能够提升整体的调查质量，包括信息披露。通过使用Sensa Copilot作为AI助手，组织可以确保调查人员采取推荐行动，利用生成的故事查看最相关的信息，审查最可信的网络搜索，并使用生成的报告故事起草一致的报告。 Sensea Copilot 是 Sensea InvestigationHub 的关键组成部分。它利用生成式人工智能技术来采集、总结和分析数据，使反洗钱调查人员能够专注于做出知情决策。它可以查询所有相关来源，包括内部系统、第三方数据以及定制的网络搜索，以收集有关可疑实体活动的信息。 Sensa Copilot 的示例 Sensea调查枢纽旨在帮助金融机构打击金融犯罪，并且Sensea Copilot是其关键组成部分。 情境感知，它理解正在进行哪种调查以及调查者在流程中的位置，并根据之前的可疑活动报告（SARs）调整其响应，以最佳地适应其需求。 Sensa Copilot 从所有可用的数据源获取与调查主题相关的所有相关信息，包括第三方检测引擎和连接到Sensa Investigation Hub的数据源。它利用这些信息为调查人员提供以实体为中心的风险视图，包括总结和关键发现。 Impressively, Sensa Copilot 可以应对几乎所有的风险。从反洗钱（KYC/CDD 问题和制裁筛查）到欺诈事件（包括洗钱和支付欺诈），它帮助调查人员应对组织面临的全部威胁，如下例所示。 Example # 1 - 总结当前的金融犯罪调查 在这个示例中，Sensa Copilot 提供了案件的总结和迄今为止的持续调查情况。这可以在屏幕顶部由AI生成的一段文字中看到，并会随着案件的发展而更新。 示例 # 2 - 汇总和显示调查员的信息 在这个例子中，正在进行一位客户的调查。调查员要求提供客户过去十二个月的所有交易记录。Sensa Copilot 与 Sensa Investigation Hub 合作，以尽可能清晰的方式展示这些信息。 Example # 3 - 总结用于调查的 Web 文章 在这个示例中，调查员要求Sensa Copilot对被调查人员的名字进行网络搜索。如果Copilot找到匹配项，这些链接将提供给调查员。为了增加便利性，Sensa Copilot会总结信息、标注其相关性，并可以保存文章以用于案件叙述。进而，这些信息可以在可疑活动报告（SAR）中使用，但并非强制要求。 Example # 4 - 提供操作列表 在这个例子中，Sensa Copilot通过提供改善案件的建议帮助调查员。从审查交易和收入来源到检查网络结果，这是一种全面的方法来处理金融犯罪调查。 示例 5 - 书签密钥信息 在这个示例中，调查员正在通过Sensa Copilot审查信息，评估迄今为止调查过程中书签标记的响应。任何书签都将添加到如示例#1所示的叙述总结中，并在整个调查过程中可供所有调查员访问——从而防止重复努力。 示例 # 6 - 从收集和整理的信息创建 SAR 在这里，调查员需要将收集的所有信息撰写成叙述性报告。当新的信息浮现时，调查员可以更新报告的叙述以包括这些新信息。Sensa Copilot可在几秒钟内生成完整的草稿文本。 这仅仅是Sensa Copilot在反金融犯罪调查中可以实现的功能之一。即便如此，明显可以看出其在提高金融机构的生产力、效率和有效性方面的优势。 Sensa Copilot 的主要优势 以主体为中心的风险观 Gen AI 驱动的调查 集中和连接来自整个技术生态系统的数据 ， 以获得真正的整体视图。 Sensa Copilot 可使调查速度更快、更一致达 70% 。 检测引擎不可知 实现全面透明 与任何第三方检测系统或数据源无缝集成。 完全可审计的工作流程和卓越的可解释性确保了更高的合规性。 如何充分利用作为 CRO 的生成式 AI 副驾驶 关于SymphonyAI的产品，需要注意的是，金融犯罪调查仍然非常依赖于调查人员。调查人员对所有决策负全责，但Sensa Copilot的存在是为了使这一过程更加简便和有效。尽管如此，在组织内部实施生成式AI copilot时，仍需注意一些相关事项。 最好与潜在供应商（目前可选的不多）运行概念验证（PoC），以更好地了解潜在的数据隐私和安全问题、副驾实施的阶段，以及如何获得内部利益相关者的支持。副驾的安全性和可靠性，以及其对公司文化的影响也是需要调查的重要方面。 让我们依次讨论这些话题。 运行概念证明 引入新的技术到您的组织中是提高生产效率、收入和盈利能力的一大机遇。然而，在技术投入使用前预测其效果可能会非常困难，这就需要进行概念验证（Proof of Concept，简称PoC）。这不仅有助于公司评估技术及其功能，还能让客户和供应商共同合作，找到最适合组织特定需求的最佳方案。通过这种方式，可以及早发现任何潜在挑战。例如，生成式AI副驾可能没有按预期解决某些问题，或者集成过程可能不如预期顺利。 基础设施需要支持，PoCs（Proofof Concept）是衡量客户支持和技术性能预期的最佳指标，直至专业知识和投资回报。 采用演示性案例（Proof of Concept, PoC）的最终理由在于其成本效益高。PoC的实施周期短，无需立即进行全面部署及其相关的高额成本，双方都能从中获益。通过PoC，可以在有效且及时的方式下做出基于实证数据的明智选择。这一步骤对于确保解决方案与业务目标和需求相一致至关重要。 数据隐私和安全问题 在工作环境中使用生成式AI副驾的安全性和隐私影响，尤其是在处理机密信息时，是所有组织的关键关注点。因此，在实施之前了解副驾的具体工作方式至关重要。 模型存在 proprietary 信息泄露的风险，从而使其他用户也能访问这些信息。输入数据、输出结果、模型和训练数据仅对授权内部员工开放，调查期间研究人员仅能访问客户数据。客户数据的使用须符合现有的数据处理政策，第三方数据将仅从遵守如 GDPR 和 CCPA 等法律法规的可靠对手方处收集。会话结束后，数据将从 Sensa Copilot 中清除。 这始于理解生成式AI副驾是如何训练的，所使用的语言学习模型（LLMs）可能有哪些，并确保它能够访问的信息处于一个隔离环境中，该环境无法被没有访问内部私有网络和流程权限的人访问。 在培训方面，Sensa调查枢纽利用了Azure开放AI模型，这些模型基于最优质（“金星”）的人工生成案例进行了训练。客户数据也可以用于训练模型，但仅限于特定的客户。 使用Sensa Copilot，SymphonyAI确保用户输入的数据不会离开客户的自身环境。因此，数据不会外流。 分阶段实施 将生成式AI副驾引入工作环境可能会令人感到压力山大，因此最好在一定时期内逐步推出。这可以让用户逐渐将它的使用融入日常工作，同时也让团队领导有时间评估副驾对公司的影响，而不需要一开始就全面采用。 将新技术整合的常见方法可以按照阶段来考虑。对于Sensa调查枢纽和Sensa副驾而言，这可能大致如下： 规划阶段 向将使用Sensa Investigation Hub的人员呈现该工具，包括突出展示Sensa Copilot。这正是开始思考AI将在企业更广泛的人工智能战略中如何被利用的好机会，理解团队和组织的具体需求，并设定目标。 2系统安装阶段 调整大型语言模型（LLMs）以适应叙述需求，并在必要时修改数据库视图以获取所需数据。这些信息将是Sensa Copilot在生成对调查员的响应时所使用的依据。 入职阶段 提供培训材料和会议，alongside用户的账户详情和平台访问权限。逐步推出可能是按团队分批次进行，并观察用户体验。一个好的起点是为有经验的调查员提供新软件（包括Sensa Copilot）的试用机会。 基于他们的反馈，管理人员可以利用内置的UI工具