AI in risk management: An analytical comparison between the U.S. and Nigerian banking sectors
Notice bibliographique
Résumé
This paper presents a comprehensive review of the application and impact of Artificial Intelligence (AI) in risk management within the banking sectors of the United States and Nigeria, emphasizing a comparative analysis. The objective is to assess how AI technologies are adopted and implemented in risk management practices across these diverse banking environments, identifying the benefits achieved and the challenges faced. The review synthesizes existing literature, including case studies, industry reports, and academic research, to outline the current state of AI in risk management. It delves into various risk types such as credit, market, operational, and compliance risks, exploring the specific AI tools and techniques employed to address these risks in each country. Key findings suggest that U.S. banks have a more mature implementation of AI in risk management, characterized by the adoption of advanced analytics, machine learning models, and natural language processing for enhanced decision-making, fraud detection, and compliance monitoring. In contrast, the Nigerian banking sector is at a nascent stage of AI adoption, with efforts hampered by challenges like inadequate technological infrastructure, regulatory hurdles, and a lack of skilled professionals in AI. Despite these differences, the paper identifies a strong interest and potential for growth in AI applications within the Nigerian banking sector, spurred by an increasing recognition of AI's value in enhancing competitiveness and meeting regulatory demands. Conclusively, the review underscores the critical role of supportive regulatory policies, investment in technological infrastructure, and capacity building in human capital as pivotal elements for fostering the effective integration of AI in risk management. The comparative analysis reveals both the disparities and potential areas of collaboration between the U.S. and Nigerian banking sectors, advocating for a global dialogue on best practices and strategies for AI adoption in risk management.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».