Are Artificial Intelligence and Machine Learning Shaping a New Risk Management Approach?
Notice bibliographique
Résumé
Digital revolution is influencing many economic sectors and for a few years banking sector is under a great transformation mainly due to the development and the use of new technologies. The most recent ones are artificial intelligence (AI) with the recourse to advanced algorithms. The main banking services, their offer, but above all, the customer relations have been significantly influenced by the this. The recourse to new channels, the monitoring of risks and the controls of frauds are only some of the applications of machine learning (ML). To manage the increase in financial and non-financial risks AI and ML seem to give a great help to banks. The survey conducted from December 2022 to May 2023 with a sample of Italian banks of different size, shows the level of awareness in the recourse to these technologies. Moreover, it aims to assess the maturity and the future perspectives in the adoption of AI in the financial system. The analysis is divided into different investigation areas that show how banks can mitigate the risks involved with the implementation of AI and how it affects the risk management process. The paper covers the gap in literature where AI and ML are mainly considered as separate tools to face specific banking projects; and Italian banks, even if with differences due to the size, are aware of the relevance of these new technologies. The research is a contribute to the discussion about the application of AI and ML in a holistic dimension.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».