人工智能和机器学习在金融功能中的未来（英译中）附下载
《人工智能专题：人工智能和机器学习在金融功能中的未来（英译中）》。
（报告出品方：FSN）
报告共计：15页
执行摘要
在财务功能中部署AI和机器学习有相当大的热情，但这与对技能开发和学习的承诺并不匹配。例如，71%的金融专业人士认为他们将在本世纪末使用这些先进技术，但只有11% 的人接受了超过一天的相关培训，不到1% 的人认为自己是专家。
这项研究强调了成功实现A1和机器学习的现实例子的短缺，许多财务功能严重依赖供应商的软件演示来阐明这些技术的潜力。总体而言，74%的财务专业人员没有任何A 和机器学习经验。
尽管存在这些缺点，但大约 13%的金融专业人士表示他们正在试用人工智能应用程序，大约7%的人目前正在实施这项技术。4%正在使用该技术。但这些低水平表明，自2019年 FSN 上一次测量吸收以来，几乎没有取得什么进展。人工智能和机器学习的热门应用似乎是应付账款流程，并且越来越多地计划预算和预测。“记录到报告"流程也通过自动对账而受益，尽管任务管理和协作在财务职能的优先级列表中很低。
流程效率和吞吐量被视为投资最富有成果的领域，这就是为什么“订单到现金"和“购买到付款"等大批量交易流程似乎受到青睐的原因。但洞察力的速度仍然很重要，这就是为什么人们对人工智能和机器学习在计划、预算和预测中的应用越来越感兴趣。投资很少受到成本和员工减少的激励。
部署的障碍在很大程度上与该技术在实践中的真实示例的稀缺有关。63%的受访者认为这是一个主要的绊脚石。对可用的软件解决方案也普遍缺乏了解。即使在财务职能部门接触过解决方案的地方，一个普遍表达的担忧(50%)是技术解决方案缺乏透明度，例如，关键算法的配置方式以及财务职能部门如何灵活调整它们。大多数财务部门表示，他们将在未来更加依赖I职能，因为他们正在努力掌握所需的技术和技能。
人工智能和机器学习部署的领导力取决于数据驱动最多的金融组织。与仅部分数据驱动的组织相比，他们提供一天培训的可能性要高出三倍。该研究还考虑了数据平台对部署这些新技术的便利性的影响。有令人信服的证据表明，投资于强大且可扩展的数据平台的组织非常适合利用A1和机器学习。事实上，研究证实，他们部署这些技术的可能性是他们的两倍。
组织的规模也是部署人工智能和机器学习的兴趣和成功的重要决定因素。与 FSN 早期的研究一样 ， 中等规模的组织有被甩在后面的风险。处于中间似乎包含了世 界上最糟糕的情况 ， 例如缺乏小型组织的敏捷性 ， 没有既定的流程和 大型组织的资源。最大的组织拥有优势。 19% 的大型组织 (他们说他们是数据驱动的) 和 18% 的小型组织 (他们说他们是数据驱动的) 已经部署了这些应用程序 ， 而中型组织只有 9% 。
金融难题
在过去的几年中，人们对人工智能和机器学习等先进技术的兴趣已经加快。 FSN 上半年的研究2022年的报告证实，71%的金融专业人士认为他们将在本世纪末使用人工智能和机器学习。尽管有这种值得注意的乐观情绪，但只有4%的人声称现在已经使用了人工智能和机器学习，还有 26%的人表示，到2030年要么无法实现，要么他们根本不需要这种能力
与在财务功能中提供 A 和机器学习能力的可行性有关的关键问题之一是先决条件技能的可用性。确实，财务功能存在深刻的技能差距，71%的财务功能寄希望于增加数据科学人数，以在2030年前实现其目标。
这项研究揭示了现代金融功能中技能赤字的真实程度。令人惊讶的是，61%的金融专业人士没有接受过机器学习和人工智能方面的培训，18%的人声称自己是自学的。只有 11%的人接受了一天以上的培训，剩下10%的人接受了一天或更少的培训。
是什么推动了 AI 和 ML 投资 ?
人工智能和机器学习在几乎所有领域和应用中都具有全球适用性，但金融职能部门的吸引力明显较慢。自动化、洞察力、竞争优势、流程效率和速度都是A投资的驱动力。但是，在面临不断增加的数据量，合规性压力和员工人数限制的财务职能中，正在寻求提高流程效率和吞吐量。70%的财务专业人员将此视为第一要务，紧随其后的是减少平凡和人工密集型工作的相关目标(67%)。毫不奇怪，提高洞察力的速度接近三分之一(65%)，这与在规划预算和预测应用中利用人工智能和机器学习的明显兴趣一致。
有趣的是， 人工智能并没有被防御性地用于节省成本或减少总人数。相反，它似乎被视为一种补充技术， 有助于消除流程效率低下，并减轻交易处理的负担，例如大批量对账和风险管理。
那么，收养的障碍是什么 ?
在财务职能中采用人工智能的最显著障碍是缺乏成功的真实例子。63% 的受访者强调这是一个主要的绊脚石。对可用的软件解决方案也普遍缺乏了解(62%) 。综合起来， 这两个因素代表了进步的重大阻碍。
即使在人工智能已经实施的地方，如何在金融环境中利用和应用它并不总是显而易见的。在许多实现中，人工智能仍然是一个"黑匣子"，54%的受访者抱怨人工智能模型并不总是可以完全解释的。在许多情况下，人工智能是作为一组算法应用的，但目前尚不清楚算法是如何开发的，以及如何调整算法以满足不同的环境。大约一半的受访者表示，会计用户无法灵活使用A模型是一个严重的障碍。
财务职能所需的确切技能目前也不清楚，可能反映了人工智能实施的不同方法。例如，一些软件供应商已经走上了在其应用程序中嵌入A功能的道路，而另一些软件供应商已经部署了外部机器学习功能。此外，一些软件公司提供构建A应用程序所需的所有资源，而另一些软件公司则努力建立更遥远的关系，鼓励金融专业人士开发 A功能。
他们自己。围绕哪种部署模式存在这种程度的怀疑t追求，财务职能很难决定他们应该在内部开发哪些技能和资源，以及应该在外部开发多少。
四分之三的财务职能部门认为，要成功部署A应用程序，需要进行重大的组织变革。79%的人认为需要对 A 计划进行明确的领导和所有权，同样比例的人(78%) 希望与T部门加强协作，以获得所需的技能和支持。随着数据架构和数据源变得更加复杂和复杂，这些发现与过去几年中T部门更多地参与财务功能的明显转变相吻合。
财务职能也在努力应对可能的需求，以支持具有全新技能的AI计划，例如数据工程和数据科学。77%的人希望在财务职能中发展数据科学技能，76%的人希望看到数据工程技能驻留在财务职能中。
谁会成功 ?
这项研究试图了解哪些组织最有可能在财务职能中成功实施人工智能和机器学习。这项研究调查了声称是数据驱动的组织的行为，以及那些通过部署可扩展数据平台来奠定基分础的组织的行为。最后，这项研究着眼于组织规模对人工智能部署的影响。
研究发现，那些声称自己完全是数据驱动的组织，更专注于专业的A培训。32%的组织表示，他们提供至少一天的培训，几乎是仅部分数据驱动的组织的三倍。此外，调查结果表明，在利用数据方面处于领先地位的组织对培训最开放。因此，类似比例的人认为他们的机器学习知识和 A原理是有能力的。这导致36%的数据驱动型组织在一定程度上在财务职能中部署了 A和机器学习。大多数。的投资已经进入记录报告过程(18%)，其次是计划预算和预测(11%)和购买支付(11%)。
与以前的 FSN 调查一样，它是中型组织，拥有1,00 至 1,000 名员工，难以保持趋势。例如，中型组织的财务专业人员最不可能接受超过一天的机器学习和人工智能培训。事实上，它是投资人工智能培训的最小组织(17%)，甚至超过了最大的组织(13%)。但当涉及到 AI 的部署时，它是最大的组织(超过1000名员工)。
有边缘。19%的大型组织声称是数据驱动的，18%的小型组织 (员工少于 1000人 )部署了这些应用程序，而中型组织中只有9%。中型组织已经超过了初创阶段，它们似乎在争夺资源和技能，并经常通过使用技术在创新和市场差异化的竞争中落在后面。
另外 ，该研究着眼于数据平台对利用 A和机器学习技术的能力的影响。在所有方面，拥有可扩展的数据平台 ，例如现代 ERP 或 CPM 平台是为AI计划提供基础的重要因素。那些投资于可扩展数据平台的组织更有可能胜任人工智能和机器学习技术， 并且部署这些技术的可能性是没有强大数据平台的组织的两倍。
因此 ，似乎是数据驱动的， 并能够向一个强大和可扩展的数据平台倾斜是实现这些重要技术的能力的重要先决条件。中型组织仍然有被甩在后面的危险。
报告共计：15页