当涉及金融服务（银行，金融服务和保险）领域的人工智能（AI）时，印度是全球领导者。根据公认的公司最近的一些调查，超过30％的印度公司一直试图或计划最大化AI的价值。印度的金融科技，银行业和软件领域处于最前沿，利用AI来执行客户界面和服务，信用风险评估，流程和控制效率以及自动化和欺诈检测等任务。数字的采用极高，印度可以夸耀采用最高的金融科技。根据一项调查，采用率为87％，而全球平均水平为64％。世界上约有46％的银行数字交易发生在印度，这反映了该国强大的数字基础。
政府的支持和监管鼓励。印度储备银行（RBI）在银行业中的数字和AI采用中都发挥了重要作用。在政策制定者和监管机构的支持下，该国已在几个卓越中心建立了创新和技能枢纽。印度AI任务和Digital India Bhashini等举措正在支持土著AI模型和语言技术，进一步加强了金融服务中AI创新和可访问性的生态系统。监管机构在算法交易，机器人顾问和数字贷款等领域中构成了指南和法规。 《数字个人数据保护（DPDP）法》为BFSI中的AI部署建立了全面的数据保护要求。
本文在AI兴奋的背景下，研究了在任何BFSI组成部分中采用AI的方法。它检查了建立强大的治理框架的必需品和参数，以及对公司在公司中AI应用的线性和结构化增长所必需的关键要素。还讨论了一些不希望后果的陷阱和风险管理。
为了帮助BFSI公司确定AI用例并推动更广泛和更深入的采用，公司可以遵循这些结构化步骤。第一个关键步骤是将计划与业务目标（示例收入，增长，降低风险，客户体验等）保持一致，然后创建一个框架来衡量入围用例的影响。根据英格兰银行（BOE）和金融行为管理局在2024年发布的一份调查报告，用例从内部流程的优化到网络安全和欺诈检测。该调查还观察到，BFSI部门的所有受访者中有三分之一部署了第三方实施。由于基础设施的增长，包括软件工程机构，孵化中心以及大量的企业家编码者和解决方案开发人员，因此接受了第三方实施的比例在印度的BFSI领域较高。
关于BOE调查定义的应用程序的重要性，基于定量尺寸的措施，包括曝光，书籍或市场价值，用例服务或涵盖的客户数量很明显。此外，与该模型的目的有关的定性因素及其对于告知业务决策并考虑对公司偿付能力和财务业绩的潜在影响的相对重要性。在受访者报告的用例总数中，有62％的物质性为低重要性，22％为中等，而16％则为高。低和中型物质用例最常见在操作和信息技术（IT）中，而高性分用案例在一般保险，风险和合规性以及零售银行业务中很常见。
在印度环境中进行分析时，可以揭示计划采用低材料用例的计划，以证明一些早期的胜利，或者公司将重点放在其他基础设施块上，包括建筑数据基础。可能的不利因素是，低重要性用例更多地在操作和IT区域。
现在让我们研究框架的第三个重要方面，治理和问责制的框架。 BOE调查涵盖了受访公司使用的各种方法的治理框架范围。最常用的框架，特定于人工智能的过程或过程是让负责人或对AI框架负责的人。此因素紧随其后，使用基于原则，准则或最佳实践和数据治理的AI框架进行了第二种方法。关于数据管理，被告公司认为这是治理的关键。然而，主要问题是，对数据伦理，偏见可靠性以及真实性和公平性负责的数据科学团队有过度依赖。在这种方法中，公司倾向于使用用于内部消费的内部数据库，而不是用于客户和分销合作伙伴。
采用AI的合理治理的最后一个关键要素是公司对自己或第三方模型的评估。评估的治理框架中的各个方面包括业务需求，评估特定类型的模型对业务目标的适当方式。在印度BFSI公司的情况下，使用了复杂性测试，其中一些是内置在现有过程中的，其中一些是AI特定的。 AI特异性测试包括考虑方法论，数据，代码复杂性，互操作性，参数计数和使用频率。数据的复杂性也是一个核心因素，尤其是在涉及大型和多维或多模型数据集的情况下。在全球公司中观察到的一个非常有趣的方面是对其运营中实施的AI技术的理解。据信，许多公司对所使用的AI技术有部分了解，并且少数公司几乎完全理解，这是一个重大弱点的基本，需要在一段时间内解决，以加强治理和AI的采用。
总之，要使AI采用更深入，更广泛，结构化方法是一个重要因素。这需要一个强大而动态的框架来批判性地检查用例的重要性以及一种从低重要性到高影响用例迁移的战略方法，以及使人对框架和用例负责的治理框架。公司必须解决对用例或技术的部分理解，这些方面是通过创造意识并逐渐使企业对用例负责的责任。
