AIని నిజమైన ఉపయోగంలోకి తీసుకురావడానికి ప్రయత్నిస్తున్న బ్యాంకుల కోసం, ఏదైనా మోడల్కు శిక్షణ ఇవ్వడానికి ముందు చాలా కష్టతరమైన ప్రశ్నలు తరచుగా వస్తాయి. డేటాను పూర్తిగా ఉపయోగించవచ్చా? ఎక్కడ నిల్వ చేయడానికి అనుమతి ఉంది? సిస్టమ్ ప్రత్యక్షం అయిన తర్వాత ఎవరు బాధ్యత వహిస్తారు? స్టాండర్డ్ చార్టర్డ్లో, ఈ గోప్యత-ఆధారిత ప్రశ్నలు ఇప్పుడు AI సిస్టమ్లు ఎలా నిర్మించబడతాయో మరియు బ్యాంక్లో అమలు చేయబడే విధానాన్ని రూపొందిస్తాయి.
అనేక అధికార పరిధిలో పనిచేస్తున్న ప్రపంచ బ్యాంకుల కోసం, ఈ ముందస్తు నిర్ణయాలు చాలా అరుదుగా సూటిగా ఉంటాయి. గోప్యతా నియమాలు మార్కెట్ను బట్టి విభిన్నంగా ఉంటాయి మరియు అదే AI వ్యవస్థ ఎక్కడ అమలు చేయబడుతుందో బట్టి చాలా భిన్నమైన పరిమితులను ఎదుర్కొంటుంది. స్టాండర్డ్ చార్టర్డ్లో, సంస్థలో AI సిస్టమ్లు ఎలా రూపొందించబడాలి, ఆమోదించబడతాయి మరియు పర్యవేక్షించబడతాయి అనేదానిని రూపొందించడంలో ఇది గోప్యతా బృందాలను మరింత చురుకైన పాత్రలోకి నెట్టివేసింది.
“డేటా గోప్యతా విధులు చాలా AI నిబంధనలకు ప్రారంభ బిందువుగా మారాయి” అని స్టాండర్డ్ చార్టర్డ్లో AI ఎనేబుల్మెంట్ గ్లోబల్ హెడ్ డేవిడ్ హార్డూన్ చెప్పారు. ఆచరణలో, అంటే గోప్యతా అవసరాలు AI సిస్టమ్లలో ఉపయోగించబడే డేటా రకాన్ని రూపొందిస్తాయి, ఆ సిస్టమ్లు ఎంత పారదర్శకంగా ఉండాలి మరియు అవి ప్రత్యక్షంగా ఉన్నప్పుడు అవి ఎలా పర్యవేక్షించబడతాయి.
AI ఎలా నడుస్తుందో గోప్యత రూపొందించడం
బ్యాంక్ ఇప్పటికే ప్రత్యక్ష వాతావరణంలో AI సిస్టమ్లను అమలు చేస్తోంది. పైలట్ల నుండి మార్పు అనేది ఆచరణాత్మకమైన సవాళ్లను తెస్తుంది, వీటిని ముందుగా తక్కువ అంచనా వేయవచ్చు. చిన్న ట్రయల్స్లో, డేటా మూలాధారాలు పరిమితం చేయబడ్డాయి మరియు బాగా అర్థం చేసుకోబడతాయి. ఉత్పత్తిలో, AI వ్యవస్థలు తరచుగా అనేక అప్స్ట్రీమ్ ప్లాట్ఫారమ్ల నుండి డేటాను లాగుతాయి, ఒక్కొక్కటి దాని స్వంత నిర్మాణం మరియు నాణ్యత సమస్యలతో ఉంటాయి. “కలిగి ఉన్న పైలట్ నుండి ప్రత్యక్ష కార్యకలాపాలకు మారినప్పుడు, బహుళ అప్స్ట్రీమ్ సిస్టమ్లు మరియు సంభావ్య స్కీమా తేడాలతో డేటా నాణ్యతను నిర్ధారించడం మరింత సవాలుగా మారుతుంది” అని హార్డూన్ చెప్పారు.
గోప్యతా నియమాలు మరిన్ని పరిమితులను జోడించాయి. కొన్ని సందర్భాల్లో, మోడల్లకు శిక్షణ ఇవ్వడానికి నిజమైన కస్టమర్ డేటా ఉపయోగించబడదు. బదులుగా, జట్లు అనామక డేటాపై ఆధారపడవచ్చు, ఇది సిస్టమ్లు ఎంత త్వరగా అభివృద్ధి చెందుతాయి లేదా అవి ఎంత బాగా పని చేస్తాయి. ప్రత్యక్ష విస్తరణలు కూడా చాలా పెద్ద స్థాయిలో పనిచేస్తాయి, నియంత్రణలలో ఏవైనా ఖాళీల ప్రభావం పెరుగుతుంది. హార్డూన్ చెప్పినట్లుగా, “బాధ్యత మరియు క్లయింట్-కేంద్రీకృత AI స్వీకరణలో భాగంగా, డేటా ప్రాసెసింగ్ స్కోప్ విస్తరిస్తున్నందున మేము సరసత, నీతి, జవాబుదారీతనం మరియు పారదర్శకత సూత్రాలకు కట్టుబడి ఉండటానికి ప్రాధాన్యతనిస్తాము.”
AI ఎక్కడ పని చేస్తుందో భౌగోళికం మరియు నియంత్రణ నిర్ణయిస్తాయి
AI వ్యవస్థలు నిర్మించబడిన మరియు అమలు చేయబడిన చోట కూడా భౌగోళికం ద్వారా ఆకృతి చేయబడుతుంది. డేటా రక్షణ చట్టాలు ప్రాంతాల వారీగా మారుతూ ఉంటాయి మరియు కొన్ని దేశాలు డేటాను ఎక్కడ నిల్వ చేయాలి మరియు దానిని ఎవరు యాక్సెస్ చేయవచ్చు అనే దానిపై కఠినమైన నిబంధనలను విధిస్తారు. స్టాండర్డ్ చార్టర్డ్ AIని ఎలా అమలు చేస్తుందో, ముఖ్యంగా క్లయింట్ లేదా వ్యక్తిగతంగా గుర్తించదగిన సమాచారంపై ఆధారపడే సిస్టమ్ల కోసం ఈ అవసరాలు ప్రత్యక్ష పాత్ర పోషిస్తాయి.
“వేర్వేరు మార్కెట్లు మరియు ప్రాంతాలలో పనిచేసేటప్పుడు డేటా సార్వభౌమాధికారం తరచుగా కీలకంగా పరిగణించబడుతుంది” అని హార్డూన్ చెప్పారు. డేటా స్థానికీకరణ నియమాలు ఉన్న మార్కెట్లలో, AI సిస్టమ్లను స్థానికంగా అమలు చేయాల్సి ఉంటుంది లేదా సున్నితమైన డేటా సరిహద్దులను దాటకుండా రూపొందించాలి. ఇతర సందర్భాల్లో, సరైన నియంత్రణలు అందుబాటులో ఉంటే షేర్డ్ ప్లాట్ఫారమ్లను ఉపయోగించవచ్చు. ఇది గ్లోబల్ మరియు మార్కెట్-నిర్దిష్ట AI విస్తరణల మిశ్రమానికి దారి తీస్తుంది, ఇది ఒక్క సాంకేతిక ప్రాధాన్యత లేకుండా స్థానిక నియంత్రణ ద్వారా రూపొందించబడింది.
కేంద్రీకృత AI ప్లాట్ఫారమ్లు మరియు స్థానిక పరిష్కారాల గురించి నిర్ణయాలలో అదే ట్రేడ్-ఆఫ్లు కనిపిస్తాయి. పెద్ద సంస్థలు తరచుగా నకిలీని తగ్గించడానికి మార్కెట్లలో మోడల్లు, సాధనాలు మరియు పర్యవేక్షణను పంచుకోవడం లక్ష్యంగా పెట్టుకుంటాయి. గోప్యతా చట్టాలు ఎల్లప్పుడూ ఈ విధానాన్ని నిరోధించవు. “సాధారణంగా, గోప్యతా నిబంధనలు స్పష్టంగా డేటా బదిలీని నిషేధించవు, కానీ తగిన నియంత్రణలు అమలులో ఉండాలని ఆశిస్తున్నాయి” అని హార్డూన్ చెప్పారు.
పరిమితులు ఉన్నాయి: కొన్ని డేటా సరిహద్దుల్లో కదలదు మరియు డేటా సేకరించిన దేశం దాటి కొన్ని గోప్యతా చట్టాలు వర్తిస్తాయి. కేంద్ర ప్లాట్ఫారమ్ ఏయే మార్కెట్లకు సేవలను అందించగలదో మరియు స్థానిక వ్యవస్థలు ఎక్కడ అవసరమో వివరాలు పరిమితం చేయగలవు. బ్యాంకుల కోసం, ఇది తరచుగా లేయర్డ్ సెటప్కు దారి తీస్తుంది, భాగస్వామ్య ఫౌండేషన్లతో కలిపి స్థానికీకరించిన AI వినియోగ సందర్భాలు నియంత్రణను డిమాండ్ చేస్తాయి.
మానవ పర్యవేక్షణ కేంద్రంగా ఉంటుంది
AI నిర్ణయం తీసుకోవడంలో మరింత పొందుపరచబడినందున, వివరణాత్మకత మరియు సమ్మతి చుట్టూ ప్రశ్నలు నివారించడం కష్టం. ఆటోమేషన్ ప్రక్రియలను వేగవంతం చేయవచ్చు, కానీ ఇది బాధ్యతను తీసివేయదు. “పారదర్శకత మరియు వివరణాత్మకత మునుపటి కంటే చాలా కీలకంగా మారాయి” అని హార్డూన్ చెప్పారు. బాహ్య విక్రేతలతో పని చేస్తున్నప్పుడు కూడా, జవాబుదారీతనం అంతర్గతంగానే ఉంటుంది. ఇది AI సిస్టమ్స్లో మానవ పర్యవేక్షణ అవసరాన్ని బలపరిచింది, ప్రత్యేకించి ఫలితాలు కస్టమర్లను లేదా నియంత్రణ బాధ్యతలను ప్రభావితం చేస్తాయి.
ప్రజలు కూడా సాంకేతికత కంటే గోప్యతా ప్రమాదంలో పెద్ద పాత్ర పోషిస్తారు. ప్రక్రియలు మరియు నియంత్రణలు బాగా రూపొందించబడతాయి, కానీ సిబ్బంది డేటాను ఎలా అర్థం చేసుకుంటారు మరియు ఎలా నిర్వహిస్తారనే దానిపై ఆధారపడి ఉంటాయి. “గోప్యతా నియంత్రణలను అమలు చేసే విషయంలో ప్రజలు చాలా ముఖ్యమైన అంశంగా ఉంటారు” అని హార్డూన్ చెప్పారు. స్టాండర్డ్ చార్టర్డ్లో, ఇది శిక్షణ మరియు అవగాహనపై దృష్టి సారించింది, కాబట్టి బృందాలకు ఏ డేటాను ఉపయోగించవచ్చు, దానిని ఎలా నిర్వహించాలి మరియు సరిహద్దులు ఎక్కడ ఉన్నాయో తెలుసుకుంటారు.
పెరుగుతున్న రెగ్యులేటరీ పరిశీలనలో AIని స్కేలింగ్ చేయడం వలన గోప్యత మరియు పాలనను ఆచరణలో సులభంగా వర్తింపజేయడం అవసరం. బ్యాంకు అనుసరిస్తున్న ఒక విధానం ప్రామాణీకరణ. ముందుగా ఆమోదించబడిన టెంప్లేట్లు, ఆర్కిటెక్చర్లు మరియు డేటా వర్గీకరణలను సృష్టించడం ద్వారా, బృందాలు నియంత్రణలను దాటవేయకుండా వేగంగా కదలగలవు. “ప్రామాణికీకరణ మరియు పునర్వినియోగం ముఖ్యమైనవి” అని హార్డూన్ వివరించాడు. డేటా రెసిడెన్సీ, నిలుపుదల మరియు యాక్సెస్ చుట్టూ ఉన్న నియమాలను క్రోడీకరించడం సంక్లిష్ట అవసరాలను AI ప్రాజెక్ట్లలో తిరిగి ఉపయోగించగల స్పష్టమైన భాగాలుగా మార్చడంలో సహాయపడుతుంది.
మరిన్ని సంస్థలు AIని రోజువారీ కార్యకలాపాలకు తరలిస్తున్నందున, గోప్యత అనేది కేవలం సమ్మతి అడ్డంకి కాదు. ఇది AI వ్యవస్థలు ఎలా నిర్మించబడ్డాయి, అవి ఎక్కడ నడుస్తున్నాయి మరియు అవి ఎంత నమ్మకాన్ని సంపాదించగలవు అనేదానిని రూపొందిస్తుంది. బ్యాంకింగ్లో, ఆ మార్పు ఇప్పటికే AI ఆచరణలో ఎలా ఉంటుందో ప్రభావితం చేస్తోంది – మరియు దాని పరిమితులు ఎక్కడ సెట్ చేయబడ్డాయి.
(ఫోటో కార్పొరేట్ స్థానాలు)
ఇవి కూడా చూడండి: సిటీ యొక్క 4,000 మంది వ్యక్తుల అంతర్గత AI రోల్అవుట్ వెనుక నిశ్శబ్ద పని
పరిశ్రమ ప్రముఖుల నుండి AI మరియు పెద్ద డేటా గురించి మరింత తెలుసుకోవాలనుకుంటున్నారా? తనిఖీ చేయండి AI & బిగ్ డేటా ఎక్స్పో ఆమ్స్టర్డామ్, కాలిఫోర్నియా మరియు లండన్లో జరుగుతున్నాయి. సమగ్ర కార్యక్రమం ఇందులో భాగమే టెక్ఎక్స్ మరియు ఇతర ప్రముఖ సాంకేతిక ఈవెంట్లతో కలిసి ఉంది, క్లిక్ చేయండి ఇక్కడ మరింత సమాచారం కోసం.
AI వార్తలు ఆధారితం టెక్ఫోర్జ్ మీడియా. రాబోయే ఇతర ఎంటర్ప్రైజ్ టెక్నాలజీ ఈవెంట్లు మరియు వెబ్నార్లను అన్వేషించండి ఇక్కడ.
