Yapay zeka 170 milyon iş yaratırken 92 milyon kişinin yerini alacak

Chris Skinner

Dünya Ekonomik Forumu'nun son raporuna göre, önümüzdeki beş yıl içinde yapay zeka alanındaki gelişmeler 170 milyon iş yaratırken, 92 milyon işin yerini alacak. Asıl soru şu: Hangi işler?

Bunların hepsi yapay zeka odaklı veri analizi, ağ oluşturma, siber güvenlik ve teknolojik okuryazarlığa odaklanıyor. Aynı şekilde robotların ve otonom sistemlerin yükselişi gibi diğer gelişen teknolojiler de programlama uzmanlığına ve otomatik teknolojilere uyum sağlamaya yönelik artan talebi vurguluyor.

Sektörler genelinde, işverenler rekabetçi kalabilmek için, bu gelişen sistemlerle entegre olacak ve işbirliği yapacak temel teknolojik yeterliliklere sahip yetenekler aramak zorundadır. Bu arada, bir dükkanda çalışmak veya kamyon şoförü olmak gibi eski işler ortadan kalkıyor.

Ancak daha da önemlisi, yapay zeka işlemleri işletmelerin yüzde 86'sını dönüştürecek ve finansal hizmetler en önemli hedeflerden biri olacak. Ama hangi dönüşüm?

Uygulamalara, API'lere ve yapay zekaya dayalı dijital banka iş modelimi DeFAI (Merkezi Olmayan Finansal Yapay Zeka) yapısıyla tamamlayan Deployyyer'in bu makalesinde çok iyi ifade edilmiş.

Yani, dağıtık defterlere ve veri analitiğine dayalı bir arka ofisimiz var ve Agentic AI ve API'lerden yararlanan bir orta ofis aracılığıyla ön ofis “Nesnelerin İnterneti”ne bağlanıyoruz. Bu, ön ofis uygulamalarının orta ofis API'lerine bağlanarak arka ofis yapay zekasına bağlandığı ve yapay zekanın her yerde olduğu yönündeki orijinal iddiamı destekliyor.

Yine de böyle bir şey ve evet, bu oldukça dönüşümsel.

Bu nedenle önde gelen bankalar yapay zekaya büyük yatırımlar yapıyor, çünkü verimliliği büyük ölçüde artırma ve maliyeti düşürme fırsatları sunuyor. İki örnek verelim: JPMorgan ve Bank of America.

JPMorgan'ın Baş Veri ve Analitik Sorumlusu Teresa Heitsenrether, bankanın yapay zeka stratejisini denetliyor. Geçtiğimiz günlerde The Wall Street Journal'a bir röportaj verdi ve yapay zekanın 300.000 çalışanının çalışma merkezinde olacak şekilde nasıl geliştirildiğini anlattı. Bunu yapmak için bir LLM (Large Language Model)* araç paketine sahipler ve Teresa ile yapılan röportajın okunması şiddetle tavsiye ediliyor. Örneğin, burada sadece bir fragman var:

Yapay zekanın banka genelinde somut verimlilik artışları sağladığını görüyor musunuz?

Henüz çok erken. Öncelikle aracı insanların ellerine vermek ve onların soru sorup yanıt alabilmelerini sağlamak istiyoruz. Bu zaten fikirleri, inovasyonu ve bazı üretkenlikleri ortaya çıkarmaya başlıyor.

İkinci aşama, modelleri alıp JPMorgan'ın içine yerleştirmeye başladığınız yerdir: politikalarımız, prosedürlerimiz, müşteriler hakkında bildiklerimiz. Artık modelin bize özgü bilgiler üzerinde çalışmasını sağlayabilirsiniz.

Üçüncü ufuk ise, ki henüz o noktada değiliz, modellerin daha fazla muhakeme yapabilmesidir. Modeller şöyle düşünme şansına sahip olurlar: Tamam, bana sorduğunuz sorunun karmaşıklığına bağlı olarak, bir insanın yaklaşacağı şekilde düşünmeme izin verin. Modelin ihtiyaç duyduğu kaynakları bulmasını sağlar. Belki internete ya da JPMorgan'ın veri tabanlarının dışındaki bir sisteme gidecektir. Bir yatırım bankacılığı analistinin veya müşteri hizmetleri personelinin iş akışını etkili bir şekilde alabilir ve modellere işlerini yapmak için atacakları adımları öğretebilirsiniz.

Modellerin çalışmasını kontrol etmek için her zaman döngüde bir insan olacak. Bu aşamada bu işlerin otonom olmasına izin vereceğimizi sanmıyorum.

Yapay zekanın JPMorgan'ı müşteri brifing materyallerinin hazırlanmasından yasal belgelerin analizine; çağrı merkezi operasyonlarının geliştirilmesinden yatırım bankacılığı analizinin desteklenmesine kadar nasıl dönüştüreceğini özetlediği bu röportajdan gerçekten keyif aldım.

Bankanın teknolojiye yaklaşık 17 milyar dolar harcadığını ve bunun yaklaşık 5 milyar dolarının akıllı zekaya gittiğini düşünürsek, bu dönüşümsel bir adım.

Benzer şekilde Bank of America da bu yıl 12 milyar dolarlık teknoloji bütçesinin üçte biri olan 4 milyar dolarlık yatırım yapıyor çünkü 2018'de tanıttıkları müşteri hizmetlerine yönelik yapay zekalı sohbet robotu Erica'dan çok şey öğrendiler. O zamandan beri bunun üzerine inşa ettiler ve iş birimlerinde aşağıdaki kazanımları gördüklerini söylüyorlar:

- Müşteriye yönelik Erica üzerine inşa edilen dahili bir yapay zeka sohbet robotu olan Erica for Employees, BofA'nın 213.000 çalışanının yüzde 90'ından fazlası tarafından kullanılıyor. Bu sayede BT destek çağrıları yüzde 50'den fazla azaldı.

- Üretken yapay zeka tabanlı bir kodlama asistanı kullanan Bank of America geliştiricileri yüzde 20 verimlilik artışı elde etti

- Çalışanlar, ticari müşteri toplantıları için materyal hazırlamak üzere yapay zeka kullanarak yılda on binlerce saat tasarruf ediyor ve bu saatleri müşteri katılımına yönlendiriyor.

- Müşteri hizmetleri temsilcileri, müşterilerle daha kişiselleştirilmiş bir etkileşim sağlamak için bir yapay zeka aracı kullanarak çağrı işleme sürelerini kısaltıyor.

- Satış ve ticaret ekipleri, BofA araştırmalarını ve piyasa yorumlarını “daha hızlı ve verimli bir şekilde” aramak ve özetlemek için dahili olarak geliştirilen üretken bir yapay zeka platformu kullanıyor.

JPMorgan ve İngiltere Merkez Bankası arasında yapılan bu etkileyici röportajın da gösterdiği gibi, bu dersler merkez bankaları için de geçerlidir. JP Morgan'ın Veri Varlıkları ve Alfa Grubu Başkanı Eloise Goulder ve İngiltere Merkez Bankası Baş Veri Sorumlusu James Benford.

James'in 1800'lerde para arzını belirlemek için Banka'nın çatısındaki rüzgar gülünün nasıl kullanıldığına ilişkin anekdotu özellikle hoşuma gitti. James bunu 200 yıl önce bilginin gerçek zamanlı kullanımı olarak nitelendirdi, ancak günümüzde bu çok daha sofistike bir hale geldi.

Bankada makine öğrenimini en az on yıldır kullanıyoruz ve aslında birçok farklı uygulama geliştirdik. Verilerdeki hataları tespit etmek ve verilerin yüksek kalitede olduğundan emin olmak için veri toplama çalışmalarımızda temel bir uygulama var ve bu kritik öneme sahip. Makine öğrenimini, ekonominin ne durumda olduğunu belirlemek ve finansal piyasa fiyatlarında meydana gelecek hareketleri tahmin etmeye yardımcı olmak için de kullanabilirsiniz. Bu bizim için büyük bir kullanım alanı. Makine öğrenimi teknikleri riski ölçmek, nicelleştirmek için harika. Bazı durumlarda eski ve yeniyi harmanlamayı da başardık. İşsizlik ve enflasyon arasındaki ilişkiyi gösteren Philips eğrisinin eğimini tahmin eden bir sinir ağı uygulaması var ve bu eğriyi tahmin etmek oldukça zor.

Sonuç olarak, eğer yenilikçi yapay zekaya yatırım yapmıyorsanız, ne yapıyorsunuz?

* LLM'ler çok sayıda parametreye sahip dil modelleridir ve çok miktarda metin üzerinde kendi kendine denetimli öğrenme ile eğitilirler.