دانلود مقاله هوش مصنوعی و یادگیری عمیق: ملاحظاتی برای مؤسسات مالی

چکیده
     هدف – هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) تأثیر به سزایی روی بانکداری (فناوری مالی یا فین تک)، سلامت و بهداشت (فناوری سلامت)، قانون (فناوری مقررات گذاری)، و سایر بخش هایی مثل جمع آوری کمک های مالی برای خیریه (فناوری خیریه) دارند. سرعت نوآوری مرتبط با فناوری و توانایی سیستم های هوش مصنوعی برای فکر کردن درست شبیه به انسان ها (شبیه سازی هوش انسان)، انجام وظایف و کارها به صورت مستقل، توسعه و بسط هوش براساس تجارب خود، و پردازش لایه های اطلاعاتی برای یادگیری بازنمایی های همواره پیچیده از داده ها (ML/DL) به این معناست که ارتقا و پیشرفت در نرخ هایی که در آن ها این فناوری می تواند وظایف پیچیده، فنی، و زمان بر را انجام دهد، مردم، اشیاء، صداها، الگوها و غیره را شناسایی کند، مشکلات را زودتر بررسی کند، و راه حل ها را ارائه نماید، سودهای خیره کننده ای را در شرایط اقتصادی، سیاسی، و اجتماعی فراهم نماید. هدف از انجام این مقاله بررسی دقیق اختراعات و پیدایش های جدید در هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در بستر چالش تطبیق مقرراتی است که مؤسسات مالی در بریتانیا (UK) با آن مواجه می شوند. 
طراحی/ متدولوژی/ رویکرد – موضوع از طریق آنالیز داده ها و ادبیات پژوهشی منتشر شده به صورت داخلی و بین المللی دقیقا بررسی می شود. اولین بخش این مقاله زمینه ی مسائل مقرراتی فعلی، پیدایش موارد جدید در یادگیری عمیق، چگونگی استفاده از هوش مصنوعی توسط مؤسسات مالی در حال حاضر، و اینکه چطور هوش مصنوعی می تواند از فوریه ی 2023 راه حل های تکنولوژیکی بیشتری را برای انطباق با مقررات ارائه دهد را خلاصه می کند. 
یافته ها – نشان داده شده است که مؤسسات مالی بریتانیا می توانند استفاده ی بیشتری از هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق به عنوان بخشی از انبار راه حل هایی داشته باشند که بار مقرراتی را راحت کرده و به سطوح بالایی از موفقیت انطباق با مقررات دست پیدا می کنند. 
اصالت/ ارزش – تا جایی که نویسنده ی این مقاله می داند، این اولین مطالعه ایست که به صورت مشخص به بررسی دقیق این مسئله پرداخته است که چطور هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق کماکان می توانند به موسسات مالی بریتانیا در برآورده کردن چالش تطبیق مقرراتی و فرصت های فراهم شده برای موسسات مالی از طریق فراجهان کمک کنند. 

1-    مقدمه
     هوش مصنوعی (AI)، یادگیری ماشین (ML)، و یادگیری عمیق (DL) درحال تغییر روش کار سازمان ها هستند. نقش نوآوری تکنولوژیکی و توانایی سیستم های هوش مصنوعی برای فکر کردن مثل انسان ها (شبیه سازی هوش انسان)، انجام کارها و وظایف به صورت مستقل، توسعه و بسط هوش براساس تجارب خود، و پردازش لایه های اطلاعاتی برای یادگیری بازنمایی های همواره پیچیده از داده ها (ML/DL) به این معناست که ارتقا و پیشرفت در نرخ هایی که در آن ها این فناوری می تواند وظایف پیچیده، فنی، و زمان بر را انجام دهد، مردم، اشیاء، صداها، الگوها و غیره را شناسایی کند، مشکلات را زودتر بررسی کند، و راه حل ها را ارائه نماید، سودهای خیره کننده ای را در شرایط اقتصادی، سیاسی، و اجتماعی فراهم نماید. لذا، هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق به اصطلاحات رایج و باب روز یا لغات مرسوم در گفتگو تبدیل شده اند که اغلب به عنوان مترادف همدیگر استفاده می شوند، اگرچه هر سه مورد معنای متفاوتی دارند، که پتانسیل آن ها درحال حاضر عمیقا به درون ساختار و اساس سیستم های فناوری نفوذ کرده است زیرا دولت ها، سازمان ها، و حتی قانون گذاران درصدد بهره برداری حداکثری از راه حل های نوآورانه ای هستند که آن ها ارائه می کنند. 
      هدف از انجام این مقاله بررسی دقیق پیدایش ها در هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق در بستر مؤسسات مالی و چالش تطابق با مقرراتی است که در بریتانیا با آن ها مواجه می شوند. این مقاله به بررسی دقیق این مسئله می پردازد که چطور هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق می توانند به عنوان یک ابزار فناوری مقررات گذاری به این سازمان ها در مقابله با آن مسائل کمک کنند. بدین ترتیب، این مسئله بررسی می شود که هوش مصنوعی، یادگیری ماشین، و یادگیری عمیق به عنوان مؤلفه های قابل اعتماد در مجموعه ی مؤسسات مالی در کمک به تطابق با مقررات چه کمکی می توانند بکنند (سنگ و همکاران، 2020). 

5-    نتیجه گیری 
     نهادهای نظارتی و قانون گذاران در صنعت خدمات مالی به صورت فعال با هوش مصنوعی در تعامل و ارتباط هستند، و لذا، مؤسسات نیز باید از پیشرفت های حاصل شده از طریق آن ها، فناوری و تکامل فناوری مقررات گذاری استفاده کنند. همچنین امکان کاهش بیشتر وقوع نقض تبعیت از قانون و بروز جرم با بسط استفاده از یادگیری عمیق وجود دارد، جایی که هوش مصنوعی می تواند به انجام امور تجاری و کسب و کار کمک کند. اگر بخواهیم صادقانه صحبت کنیم، بخش مالی برخلاف بخش های دیگر، بسیاری از نوآوری ها و ابتکارات تحول دیجیتال و مرتبط با فناوری را درک کرده است، مثل خیریه ها، اما خیلی بیشتر از این ها را می توان انجام داد. هوش مصنوعی می تواند به مؤسسات در کاهش هزینه های عملیاتی، ترویج سطوح بیشتری از تبعیت از مقررات و انطباق نظارتی و ایجاد روابط قوی تر براساس اعتماد و اطمینان با ذینفعان کمک کند. بسط ابزارهای تحلیلی و خودکارسازی فرآیندها می تواند به مؤسسات در کاهش ریسک و مبارزه ی موفق با جرائم مالی کمک کند. نهایتا، صنعت خدمات مالی باید تعامل و ارتباط بیشتری با فراجهان داشته باشند به طوریکه بتوانند از فرصت های متعددی که برای تجارب جدید، محصولات و خدمات ارائه می کند نهایت استفاده را ببرند. 

Abstract

     Purpose Artificial intelligence (AI), machine learning (ML) and deep learning (DL) are having a major impact on banking (FinTech), health (HealthTech), law (RegTech) and other sectors such as charitable fundraising (CharityTech). The pace of technological innovation and the ability of AI systems to think like human beings (simulate human intelligence), perform tasks independently, develop intelligence based on its own experiences and process layers of information to learn ever-complex representations of data (ML/DL) means that improvements in the rates at which this technology can undertake complex, technical and time-consuming tasks, identify people, objects, voices, patterns, etc., screen for ‘problems’ earlier, and provide solutions, provide astounding benefit in economic, political and social terms. The purpose of this paper is to explore advents in AI, ML and DL in the context of the regulatory compliance challenge faced by financial institutions in the United Kingdom (UK).

Design/methodology/approach The subject is explored through the analysis of data and domestic and international published literature. The first part of the paper summarises the context of current regulatory issues, the advents in deep learning, how financial institutions are currently using AI, and how AI could provide further technological solutions to regulatory compliance as of February 2023.

Findings It is suggested that UK financial institutions can further utilise AI, ML and DL as part of an armoury of solutions that ease the regulatory burden and achieve high levels of compliance success.

Originality/value To the best of the author’s knowledge, this is the first study to specifically explore how AI, ML and DL can continue to assist UK financial institutions in meeting the regulatory compliance challenge and the opportunities provided for financial institutions by the metaverse.

1. Introduction

     Artificial intelligence (AI), machine learning (ML) and deep learning (DL) are changing the way in which organisations work. The rate of technological innovation and the ability of AI systems to think like human-beings (simulate human intelligence), perform tasks independently, develop intelligence based on its own experiences and process layers of information to learn ever-complex representations of data (ML/DL) means that improvements in the rates at which this technology can undertake complex, technical, tedious and time-consuming tasks, identify people, objects, voices, patterns, etc., screen for “problems” earlier, and provide solutions, provide astounding benefit in economic, political and social terms. Thus, AI, ML and DL have become buzzwords or colloquialisms that are often used synonymously, albeit all three mean different things, the potential of which is now engrained intimately into the fabric of technology systems as governments, organisations and even regulators seek to benefit from the innovative solutions that they offer.

     The purpose of this article is to explore advents in AI, ML and DL in the context of the financial institutions and the regulatory compliance challenge they face in the United Kingdom (UK). This article explores how AI, ML and DL can, as a RegTech tool, assist these organisations in tackling that issue. In so doing, it is investigated what AI, ML and DL can assist with as trustworthy components in the arsenal of financial institutions in assisting regulatory compliance (Singh et al., 2020).

5. Conclusion

     Regulators in the financial services industry are actively engaging with AI, and thus, institutions should also harness the progress made by them, the technology and the RegTech revolution. There is an opportunity to further reduce the occurrence of compliance breaches and crime by expanding the use of DL, where AI can help in the conduct of business. To be fair, the finance sector has grasped many digital and technological transformation initiatives unlike others, such as charities, but a lot more can be done. AI can assist institutions in cutting operational costs, promoting greater levels of regulatory compliance and building stronger relationships based on trust and confidence with stakeholders. Expanding analytical tools and automating processes can assist institutions in reducing risk and successfully fighting financial crime. Finally, the financial services industry needs to further engage with the metaverse so that they can harness the manifold opportunities it offers for new experiences, products and services.

(جهت بزرگ نمایی روی عکس کلیک نمایید)

چکیده
1-    مقدمه
2-    ملاحظات عملی و هزینه ها
2-1 رژیم قانون گذاری کنونی و دستورالعمل ها و استانداردهای صنعت
2-2 لایحه ی جرائم اقتصادی و شفافیت شرکتی
2-3 هزینه ی جرائم مالی
3-    هوش مصنوعی، یادگیری ماشین، یادگیری عمیق
4-    مؤسسات مالی و استفاده ی آن ها از یادگیری عمیق – پیدایش های فعلی و روندهای آتی
4-1 استفاده ی کنونی از یادگیری عمیق در مؤسسات مالی
4-2 فراجهان
5-    نتیجه گیری 
منابع

Abstract
1.    Introduction
2.    Practical considerations and “costs”
2.1    The current legislative regime and industry guidance and standards
2.2    The economic crime and corporate transparency bill
2.3    Cost of financial crime
3.    Artificial intelligence, machine learning and deep learning
4.    Financial institutions and their use of DL – current advents and forthcoming trends
4.1    Current DL use in financial institutions
4.2    The metaverse
5.    Conclusion
References

این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 13 اسلاید و 5 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.

در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 4 صفحه (1150 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.

علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.

بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 20 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.