Marisela Ordez가 번역한 이 문서의 버전 범용 기술 경제학자들이 장기간의 경제 성장과 사회 발전을 촉진하여 가계와 기업의 운영에 혁명을 일으키는 기술에 대한 용어입니다. 샘플 범용 기술은 전기입니다. 전기는 냉장고, 세탁기, 기차, 그리고 물론 컴퓨터를 포함한 다양한 제품과 부문을 탄생시켰습니다. 전기의 출현은 세상을 근본적으로 변화시켰습니다.
최근 Harvard Business Review 기사 인공 지능(AI)을 우리 시대의 가장 중요한 범용 기술로 지정 . 우리는 AI의 힘에 대해 잘 알고 있습니다. 세계적으로 유명한 체스 선수를 쓰러뜨리는 로봇의 모습으로 나타난다. 평행주차를 할 수 있는 자동차. 우리가 물으면 내일의 날씨로 응답하는 장치. 그러나 AI에 대한 우리의 접촉 및 이해의 대부분은 소비자로서의 일상 생활에 영향을 미치는 제품을 중심으로 이루어집니다. 조직 수준에서는 AI가 산업을 어떻게 혁신할 것인지, 특히 금융 서비스에서 AI를 활용하는 방법에 대한 더 큰 질문이 있습니다.
다음 기사에서는 인공 지능, 관련 기술의 영역, 전체 인공 지능 산업의 규모, 금융에서의 인공 지능 응용에 대해 정의합니다. 이 글은 AI 개발에 대한 규범적 판단을 제공하기 위한 것이 아닙니다. 오히려 AI가 금융을 어떻게 파괴하고 있는지에 초점을 맞출 것입니다.
인공 지능은 인간처럼 기능하는 지능형 기계를 만드는 데 중점을 둔 컴퓨터 과학의 한 분야입니다. AI 컴퓨터는 학습, 의사 결정, 계획 및 음성 인식을 포함한 인간의 기능을 수행하도록 설계되었습니다.
인공 지능을 사용하면 사람이 수행 방법에 대한 규범적인 지침을 제공하지 않고도 기계가 성능을 지속적으로 개선할 수 있습니다. 이것은 몇 가지 이유로 중요합니다. 첫째, 인간은 우리가 말할 수 있는 것보다 더 많이 알고 있습니다. 즉, 인간은 체스 게임에서 얼굴을 인식하거나 현명한 전략을 실행할 수 있습니다. 그러나 고급 인공 지능 기술 이전에는 인간의 지식 표현 능력이 부족하여 많은 작업을 자동화할 수 없었습니다. 둘째, AI 기술은 실행에 있어 초인적이며 인간보다 더 빠르고 자주 더 정확하게 작동합니다.
인공 지능에는 다양한 기능과 기술이 포함됩니다. 컨설팅 회사 PWC는 AI가 "단일한 주제 영역이 아닙니다. 여기에는 '지능적'이라는 것이 무엇을 의미하는지에 대한 우리의 개념을 모두 추가하는 여러 가지 요소가 포함됩니다." 다음은 AI에서 가장 인기 있는 몇 가지 영역입니다.
물론 이 목록은 포괄적이지 않습니다. 보다 광범위한 인공 지능 주제 및 기술은 아래를 참조하십시오.
앞서 언급한 Harvard Business Review 기사에서는 "제조, 소매, 운송, 금융, 의료, 법률, 광고, 보험, 엔터테인먼트, 교육 및 거의 모든 다른 산업이 AI의 영향이 향후 10년 동안 확대될 것으로 예측합니다. 머신 러닝을 활용하기 위한 핵심 프로세스 및 비즈니스 모델 병목 현상은 관리, 구현 및 비즈니스 상상력에 있습니다.”
산업 전반에 걸친 AI의 광범위한 채택은 2016년부터 2020년까지 55.1%의 CAGR(연간 복합 성장률)로 2017년 125억 달러, 2020년 470억 달러의 글로벌 매출을 견인할 것으로 예상됩니다. 특히, 가장 많이 투자할 산업은 기술은 은행과 소매, 의료 및 제조가 그 뒤를 잇습니다. 전체적으로 이 4개 산업은 2016년에 전 세계 AI 수익의 절반 이상을 차지할 것이며 은행 및 소매 부문은 각각 거의 15억 달러를 제공할 것입니다.
산업 전반에 걸쳐 2017년 가장 큰 AI 투자는 자동화된 고객 서비스 에이전트, 자동화된 위협 인텔리전스 및 사기 분석과 같은 영역에 있을 것입니다(아래 차트 참조). 시장 조사 기관 IDC의 프로그램 이사인 Jessica Goepfert에 따르면, “인지 시스템의 단기적 기회는 은행, 증권 및 투자, 제조와 같은 산업에 있습니다. 이 부문에서 우리는 풍부한 비정형 데이터, 이 정보에서 얻은 통찰력을 활용하려는 열망, 혁신적인 기술에 대한 개방성을 발견했습니다.” 이 기사의 다음 섹션에서는 금융 서비스 산업에서 인공 지능의 다양한 사용 사례를 탐구할 것입니다.
금융 분야의 인공 지능은 위험 관리 및 거래에서 인수 및 청구에 이르기까지 다양한 영역에서 운영 효율성을 높일 수 있습니다. 일부 응용 프로그램은 금융 서비스 내의 특정 부문과 더 관련이 있지만 다른 응용 프로그램은 전반적으로 활용될 수 있습니다.
인공 지능은 보안 및 사기 탐지와 관련하여 매우 중요한 것으로 입증되었습니다. 기존의 사기 탐지 방법에는 일련의 규칙에 따라 구조화된 데이터를 분석하는 컴퓨터가 포함됩니다. 예를 들어, 특정 결제 회사는 은행 송금 임계값을 $15,000로 설정하여 해당 금액을 초과하는 모든 거래가 추가 조사를 위해 플래그가 지정되도록 할 수 있습니다. 그러나 이러한 유형의 분석은 많은 오탐을 생성하고 많은 추가 노력이 필요합니다. 아마도 훨씬 더 중요한 것은 사이버 범죄 사기꾼이 전술을 자주 바꾼다는 것입니다. 따라서 가장 효과적인 시스템은 지속적으로 더 스마트해져야 합니다.
딥 러닝과 같은 고급 학습 알고리즘을 사용하면 동적 조정을 위해 시스템에 새로운 기능을 추가할 수 있습니다. Deloitte Transactions and Business Analytics LLP의 고문인 Samir Hans에 따르면, “인지 분석을 통해 사기 탐지 모델은 더욱 강력하고 정확해질 수 있습니다. 인지 시스템이 잠재적인 사기로 판단하는 것을 실행하고 인간이 X, Y, Z 때문에 사기가 아니라고 결정하면 컴퓨터는 이러한 인간의 통찰력으로부터 학습하고 다음에 유사한 탐지를 사용자 방식으로 보내지 않을 것입니다. . 컴퓨터가 점점 더 똑똑해지고 있습니다.”
결제 대기업 PayPal과 고급 사기 프로토콜을 예로 들어 보겠습니다. 규모와 가시성으로 인해 PayPal은 "거대한 목표를 가지고 있습니다." 2015년에는 1억 7,000만 고객이 400만 건의 거래에서 2,350억 달러를 처리했습니다. 그러나 PayPal은 딥 러닝 기술을 활용하여 보안을 강화할 수 있었습니다. 실제로 PayPal의 사기는 매출의 0.32%로 상대적으로 낮습니다. 이는 판매자가 보는 평균 1.32%보다 훨씬 높은 수치입니다.
과거에 PayPal은 단순한 선형 모델을 사용했습니다. 오늘날 이 알고리즘은 고객의 구매 내역에서 데이터를 마이닝하고 증가하는 데이터베이스에 저장된 사기 가능성 패턴을 검토합니다. 선형 모델은 20-30개의 변수를 사용할 수 있지만 딥 러닝 기술은 수천 개의 데이터 포인트를 명령할 수 있습니다. 이러한 향상된 기능을 통해 PayPal은 무고한 거래와 의심스러운 거래를 구별할 수 있습니다. PayPal의 글로벌 위험 과학 수석 이사인 Hui Wang에 따르면, “우리가 보다 현대적인 고급 기계 학습에서 즐기는 것은 훨씬 더 많은 데이터를 소비하고, 추상화 계층과 계층을 처리하고, 사물을 '볼' 수 있다는 것입니다. [… ] 인간도 볼 수 없을 수도 있습니다.”
수년 동안 투자 관리 회사는 거래를 하기 위해 컴퓨터에 의존해 왔습니다. 전체 펀드의 9%를 차지하는 약 1,360개의 헤지 펀드는 종종 수학 박사 학위(또는 "퀀트"라고도 함)를 보유한 데이터 과학자가 구축한 대규모 통계 모델에 의존합니다. 그러나 이러한 모델은 과거 데이터만 활용하고, 종종 정적이며, 사람의 개입이 필요하며, 시장이 변할 때 제대로 작동하지 않습니다. 결과적으로 펀드는 대량의 데이터를 분석할 수 있을 뿐만 아니라 또한 분석할 수 있는 진정한 인공 지능 모델로 점점 더 많이 이동하고 있습니다. 계속해서 자신을 개선하십시오.
이러한 새로운 기술은 딥 러닝, 베이지안 네트워크라고 하는 기계 학습의 한 형태, 유전학에서 영감을 받은 진화 계산을 포함한 복잡한 기술을 활용합니다. AI 거래 소프트웨어는 엄청난 양의 데이터를 흡수하여 세상에 대해 배우고 금융 시장에 대해 예측할 수 있습니다. 글로벌 트렌드를 이해하기 위해 책, 트윗, 뉴스 보고서, 재무 데이터, 수입 수치, 국제 통화 정책에서 새터데이 나이트 라이브 스케치에 이르기까지 모든 것을 소비할 수 있습니다.
분명히 말해서, 위의 내용은 거래자가 수백만 개의 주문을 실행하고 몇 초 만에 여러 시장을 스캔하여 인간이 할 수 없는 방식으로 기회에 대응할 수 있는 고주파 거래(HFT)와 다릅니다. 위에서 논의한 AI 기반 플랫폼은 장기적으로 최고의 거래를 추구하며 인간이 아닌 기계가 전략을 결정합니다.
이러한 AI 거래 시스템 중 일부는 스타트업이 개발했습니다. 예를 들어, 홍콩에 본사를 둔 Aidiya는 인공 지능(AI)을 사용하여 모든 주식 거래를 수행하는 완전 자율적 헤지 펀드입니다. 공동 설립자인 Ben Goertzel은 "우리 모두가 죽으면 계속 거래될 것"이라고 말했습니다. 기존 기관도 AI 거래 기술에 관심이 있습니다. 2014년 Goldman Sachs는 시리즈 A 자금 조달 라운드를 주도하고 Kensho라는 AI 거래 플랫폼을 설치하기 시작했습니다. Kensho의 Series B 라운드에는 S&P Global 외에도 월스트리트의 6대 은행(Goldman Sachs, JPorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup, Wells Fargo)도 참여했습니다.
투자 리서치 회사인 Eurekahedge에서 수행한 최근 연구에 따르면 2010년부터 2016년까지 AI를 활용한 23개의 헤지 펀드의 성과를 추적한 결과 기존 퀀트 및 일반화된 헤지 펀드가 관리하는 펀드보다 우수한 성과를 보였습니다.
AI가 무역 노동 시장에 어떤 영향을 미칠지 관찰하는 것은 흥미로울 것입니다. 그 효과는 이미 일부 주요 은행 기관에서 명백합니다. 2000년에 Goldman Sach의 뉴욕 본사에 있는 미국 현금 주식 거래 데스크에는 600명의 트레이더가 주식을 사고파고 있었습니다. 오늘날에는 두 명의 주식 거래자가 있으며 나머지는 기계가 처리합니다. Kensho의 CEO인 Daniel Nadler는 "10년 안에 Goldman Sachs는 현재보다 인원수가 훨씬 줄어들 것"이라고 말했습니다. 그리고 퀀트의 경우 자신의 기술이 투자 관리 회사에서 덜 요구된다는 것을 알 수 있습니다.
현재 상위 비즈니스 프로그램 졸업생의 약 3분의 1이 금융 분야에 진출하고 있습니다. 국내 최고의 인재들은 어디로 이동할까요? 미국 경쟁력 위원회(U.S. Council on Competitiveness)의 수석 고문인 Mark Minevich는 "이 똑똑한 사람들 중 일부는 기술 스타트업으로 이동하거나 더 많은 AI 플랫폼, 자율주행차 또는 에너지 기술을 개발하는 데 도움이 될 것입니다. [...] 뉴욕은 실리콘과 경쟁할 수 있습니다. 기술의 계곡.”
로보어드바이저는 최소한의 인간 감독으로 자동화된 알고리즘 기반 재무 계획 서비스를 제공하는 디지털 플랫폼입니다. 인적 재무 관리자는 2000년대 초부터 자동화된 포트폴리오 할당을 활용해 왔지만 투자자는 이 기술의 혜택을 받기 위해 고문을 고용해야 했습니다. 오늘날 로보어드바이저는 고객이 서비스에 직접 액세스할 수 있도록 합니다. 인간과 달리 로보어드바이저는 시장을 논스톱으로 모니터링하며 연중무휴 24시간 이용 가능합니다. Robo-advisors는 또한 투자자에게 최대 70%의 비용 절감을 제공할 수 있으며 일반적으로 최소 참여 금액을 낮추거나 전혀 요구하지 않습니다.
오늘날 로보어드바이저는 계좌 개설 및 자산 이전과 같은 보다 반복적인 작업을 도울 수 있습니다. 이 프로세스에는 일반적으로 고객이 위험 선호도 또는 유동성 요인에 대한 간단한 질문에 응답하는 과정이 포함되며, 로보어드바이저는 이를 투자 논리로 변환합니다. 현재 로보어드바이저의 대다수는 고객의 선호도에 따라 관리되는 ETF 포트폴리오에 고객을 할당하는 것을 목표로 합니다. 미래의 기능은 부동산과 같은 대체 자산 클래스 전반에 걸쳐 자동 자산 이동 및 확대된 적용 범위와 같은 보다 발전된 오퍼링으로 진화할 것으로 예상됩니다.
로보어드바이저는 개인 금융 및 자산 관리 분야에 큰 영향을 미칠 수 있습니다. 현재 로보어드바이저의 총 관리 자산(AUM)은 자산 관리 산업의 4조 달러(전체 관리 계정 자산의 1% 미만) 중 100억 달러에 불과하지만 Business Insider 연구에 따르면 이 수치는 2020년까지 10%로 증가할 것으로 예상됩니다. 이는 AUM 약 8조 달러에 해당합니다.
업계 관계자는 로보어드바이저에 다양한 접근 방식을 채택했습니다. 소규모 자산 관리 회사는 투자 관리를 자동화하고 비용/수수료를 줄이며 로보어드바이저와 경쟁하기 위해 알고리즘 구성 요소를 추가하고 있습니다. 반면, 기존 투자 회사는 Invesco의 Jemstep 인수와 같은 기존 로보 어드바이저를 구매하거나 FidelityGo 및 Schwab의 Intelligent Advisory와 같은 자체 로보 어드바이저 솔루션을 만들고 있습니다.
전문가들 사이의 일반적인 합의는 인간이 필수 불가결한 상태로 남아 있을 것이라는 것입니다. 고문은 어려운 재정적 시기에 고객을 안심시키고 유용한 솔루션으로 설득해야 하기 때문에 인간의 손길은 여전히 중요합니다. 컨설팅 회사 Accenture에서 수행한 연구에 따르면 자산 관리 고객의 77%는 재무 고문을 신뢰하고 81%는 대면 상호 작용이 중요하다고 나타냅니다. 복잡한 투자 결정을 내리는 고객을 위해 컴퓨터 서비스와 인적 자문을 결합한 하이브리드 자문 모델이 인기를 얻고 있습니다.
재정 고문은 계속 중심적인 역할을 하게 되지만 로보어드바이저는 직무에 변화를 일으킬 수 있습니다. AI가 반복 작업을 관리하면 투자 관리자는 시스템 유지 관리와 같은 데이터 과학자 또는 엔지니어의 책임을 맡을 수 있습니다. 인간은 또한 클라이언트 관계 구축 및 기계가 내린 결정을 설명하는 데 더 집중할 수 있습니다.
보험은 사람들 사이의 위험 균형에 의존합니다. 보험사는 유사한 사람들을 그룹화하고 어떤 사람들은 지불금을 요구하지만 다른 사람들은 그렇지 않습니다. 업계는 위험 평가를 중심으로 구축되었습니다. 보험 회사는 데이터 분석에 익숙하지 않습니다. 그러나 AI는 분석된 데이터의 양과 활용 방법을 확장할 수 있으므로 보다 정확한 가격 책정 및 기타 운영 효율성을 얻을 수 있습니다.
스타트업은 산업 발전의 최전선에 있습니다. Bain &Co의 파트너인 Henrik Naujoks에 따르면 “스타트업은 가능한 것과 할 수 있는 것을 보여주고 있습니다. 많은 현직 임원들이 그것을 보고 있습니다. 그들은 그것을 정말로 이해하지 못하지만 참여하고 싶어합니다.” 투자자들도 이러한 추세를 포착했습니다(아래 참조). 2016년 AI는 보험 기술 투자에서 가장 인기 있는 주제 중 하나였습니다.
PWC 보고서는 AI가 2020년까지 특히 데이터가 있는 성숙한 시장에서 상당한 양의 보험 인수를 자동화할 것이라고 예측합니다. 현재, 보험업자는 컴퓨터 소프트웨어와 보험 계리 모델의 도움을 받아 잠재 고객의 위험과 노출, 그들이 받아야 하는 보장 범위, 그리고 그에 대해 얼마를 청구해야 하는지를 평가합니다. 단기적으로 AI는 자동차, 주택, 상업, 생명 및 단체 보험에서 대량의 보험 인수를 자동화하는 데 도움이 될 수 있습니다. 미래에 AI는 모델링을 향상시켜 인간의 의사 결정권자들이 주목하지 않았을 수도 있는 주요 고려 사항을 강조할 것입니다. 또한 첨단 AI는 고유한 행동과 상황을 고려하여 기업 또는 개인별로 개인화된 인수를 가능하게 할 것으로 예측됩니다.
향상된 언더라이팅은 데이터 마이닝을 위한 머신 러닝뿐만 아니라 웨어러블 기술 및 딥 러닝 안면 분석기를 활용할 수 있습니다. 예를 들어, 신생 기업인 Lapetus는 셀카를 활용하여 기대 수명을 정확하게 예측하려고 합니다. 제안된 모델에서 고객은 자신의 사진을 이메일로 보내면 컴퓨터가 이를 스캔하고 분석하여 수천 개의 얼굴 영역을 분석합니다. 분석은 기본 인구 통계에서 사람이 얼마나 빨리 노화되는지, 체질량 지수, 흡연 여부에 이르기까지 모든 것을 고려합니다. 또한 웨어러블 기술은 인수 프로세스를 보다 협력적으로 만들 수 있습니다. 웨어러블은 긴 건강 검진과 복잡한 계약 프로세스에 의존하는 대신 보험 계약자의 건강과 행동에 대한 실시간 통찰력을 제공할 수 있습니다. 분명히 금융 분야의 머신 러닝은 이미 진화하고 있습니다.
이러한 유형의 미묘한 실시간 위험 분석은 보다 정확한 고객 가격 책정을 가능하게 할 뿐만 아니라 건강 위험을 조기에 감지하고 보험 회사가 예방에 투자할 수 있는 기회를 제공합니다. 결국 보험 회사는 환자에 대한 값비싼 치료 비용을 지불하는 대신 손상 가능성 및 관련 비용을 줄이기 위해 사전에 노력할 수 있습니다.
2013년 옥스포드 연구에서 700개 이상의 직업을 분석하여 어떤 직업이 컴퓨터화에 가장 취약한지를 결정한 결과, 보험 보험사는 가장 취약한 상위 5위 안에 포함되었습니다. AI가 보험업자를 완전히 대체하지 못하는 경우에도 AI 자동화는 보험업자의 책임을 바꿀 수 있습니다. AI는 데이터가 덜 풍부한 신흥 시장에서 위험 평가 및 가격 책정과 같은 더 높은 부가가치를 위해 보험업자의 시간을 확보하여 더 많은 위험 관리 및 제품 개발 피드백을 제공할 수 있습니다.
보험 청구는 보험 회사에 보내는 공식적인 지불 요청입니다. 그런 다음 보험 회사는 청구의 유효성을 검토하고 승인되면 피보험자에게 지불합니다. 인공 지능이 프로세스를 향상시키는 방법은 다음과 같습니다.
고객 데이터 정확성이 향상되었습니다. 청구 프로세스는 상당히 수동입니다. 상담원은 고객 정보와 사고 세부 정보를 수동으로 기록합니다. Experian 보고서에 따르면 데이터 품질이 저하될 수 있습니다. 불완전한 데이터가 데이터 오류의 55%를 차지하고 오타가 32%를 차지합니다. AI는 수동 입력을 줄여 정확도를 높일 수 있습니다. 또한 클레임 프로세스에서는 보험 대리인이 고객 정보를 수많은 데이터베이스와 일치시켜야 하는 경우가 많습니다. AI를 사용하여 이를 보다 효율적으로 수행할 수 있습니다.
더 빠른 지급 권장 사항 J.D. Power &Associates의 자산 클레임 만족도 연구에 따르면 느린 클레임 주기 시간은 고객 불만의 가장 큰 원인 중 하나입니다. AI는 먼저 정책을 검증한 다음 청구 및 지불 자동화 여부를 결정하여 처리 시간을 줄이는 데 도움이 될 수 있습니다. AI는 정형 데이터뿐만 아니라 수기, 증명서 등 비정형 데이터도 분석할 수 있기 때문이다.
은행은 챗봇으로 알려진 고객 대면 가상 비서로 큰 베팅을 하고 있습니다. 초기 버전의 챗봇은 지출 한도 및 최근 거래에 대한 기본적인 질문에만 답할 수 있지만 향후 버전은 소비자를 위해 결제하고 예산을 추적할 수 있는 풀 서비스 가상 비서가 될 예정입니다. 고객과의 관계는 상당한 비용 절감으로 이어질 수 있지만 인간 상호 작용은 의심할 여지 없이 단순한 숫자 계산보다 더 복잡합니다. 비평가들은 어려운 재정적 결정과 상황에 대처할 때 인간이 필요할 수 있는 챗봇의 공감과 이해 부족을 지적합니다. 이 기술에서 자연어 처리의 AI 기술은 개인화 된 고객의 관심사와 바람을 처리하고 응답하는 데 필수적입니다.
2016년 10월 Bank of America와 MasterCard는 각각 챗봇인 Erica와 Kai를 공개했습니다. 이를 통해 고객은 Amazon Echo 타워의 Facebook Messenger를 통해 계정에 대해 질문하고, 거래를 시작하고, 조언을 받을 수 있습니다.
Capital One은 또한 "One"의 아나그램인 "Eno"라는 자체 챗봇을 출시했습니다. Eno를 사용하면 고객이 텍스트 기반 언어를 사용하여 은행과 채팅하여 청구서를 지불하고 계좌 정보를 검색할 수 있습니다. Barclays도 이에 동참하고 있습니다. Bank of America의 디지털 뱅킹 책임자인 Michelle Moore는 Bank of America의 새로운 챗봇에 대해 설명하면서 "2년, 3년 또는 4년 후 은행 업무는 어떻게 될까요? 이렇게 됩니다.”
금융 서비스에서 인공 지능의 완전한 영향을 볼 수 있습니다. 일부 미래학자들은 세계가 "특이점(singularity)"이라고 하는 티핑 포인트에 빠르게 접근하고 있다고 주장해 왔습니다. 즉, 기계 지능이 인간 지능을 능가할 것입니다. 빌 게이츠와 스티븐 호킹을 비롯한 유명한 기술자와 과학자들은 이 점에 대해 경고했습니다. Elon Musk는 "AI는 인간 문명에 대한 근본적인 실존적 위험이며 사람들이 그것을 완전히 이해하지 못한다고 생각합니다."라고 촉구한 것으로 유명합니다.
AI가 우리의 개인 및 직업 생활을 계속해서 확산함에 따라 많은 문제가 계속해서 나타날 것입니다. 여기에는 실수 가능성, 기계에 대한 전반적인 불신감, 일자리 대체에 대한 우려 등이 포함됩니다. 이러한 두려움을 무시하는 것은 실수일 것입니다. 그럼에도 불구하고 사회는 이미 AI가 주도하는 세상으로 가는 길을 가속화하고 있습니다. 이 새로운 세계에서 기계와 인간이 가장 잘 공존할 수 있는 방법에 초점을 맞추는 것이 가장 생산적일 수 있습니다. 정책입안자들은 새로운 기술이 개발되는 동안 부정적인 결과를 모니터링하고 최소화하면서 신중한 태도를 유지하는 것이 중요합니다. 또한 개발자와 디자이너는 AI 시스템을 이해하는 인간의 능력을 향상시켜 AI 애플리케이션에 대한 신뢰를 구축하고 만족도를 높여야 합니다. 각자 맡은 역할이 있을 것입니다.
구로다 하루히코 일본 은행 총재는 2017년 AI 및 금융 서비스 컨퍼런스에서 연설하면서 “인간과 AI가 서로 대립하기보다는 보완하는 바람직한 방식을 건설적으로 고려하는 것이 중요합니다. 예를 들어 인간의 판단은 기존의 패러다임에서 완전히 자유롭지 못하여 변화에 소홀할 때가 있다. 이와 관련하여 AI는 무수히 많은 [sic] 데이터 간의 새로운 상관 관계를 중립적으로 분석하고 찾아냄으로써 우리의 편견을 조정할 수 있습니다. 한편 인간은 직관, 상식, 상상력으로 AI의 약점을 보완할 수 있습니다.”