Effect of Adopting AI to Explore Big Data on Personally Identifiable Information (PII) for Financial and Economic Data Transformation
Notice bibliographique
Résumé
The integration of Artificial Intelligence (AI) into big data analytics represents a pivotal shift in the management of Personally Identifiable Information (PII) within the financial sector. This study was prompted by the increasing reliance on AI for handling sensitive financial data and the consequent rise in data security concerns, exemplified by the 2019 Capital One data breach which compromised the PII of over 100 million individuals, highlighting the vulnerabilities inherent in digital data storage and management systems. Aiming to critically evaluate the effects of adopting AI in exploring big data on PII within the financial and economic sectors, the study focused on assessing how AI can transform data management processes, enhance data security, ensure compliance with regulatory requirements, and maintain data integrity. Employing a quantitative research methodology, data was gathered from 532 professionals in the financial sector through surveys distributed via LinkedIn. The hypotheses were tested using multiple regression analysis. The study's findings revealed that the adoption of AI in managing big data significantly enhances the security and privacy of PII in the financial sector. However, it also increases the risk of sophisticated cyber-attacks such as adversarial attacks and data poisoning. Significantly, financial institutions that integrate AI into their data management systems demonstrate higher compliance with data protection regulations, and AI-driven cybersecurity strategies were found to markedly improve the performance of cybersecurity systems in the sector. Based on these insights, the study recommends best practices and guidelines for financial institutions to effectively integrate AI into their data management systems. These include prioritizing data security and privacy, ensuring regulatory compliance, investing in AI-driven cybersecurity, and managing the inherent risks of AI integration. The study advocates for a balanced approach in AI adoption, emphasizing the need for robust security measures, continuous monitoring, and adapting to the evolving regulatory and technological landscape.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».