Viktige punkter

Kunstig intelligens (AI) tar av

• Den generelle adopsjonen av AI i alle bransjer spådde global inntektsøkning på $ 12,5 billioner i 2017 og $ 47 billioner i 2020 med en CAGR på 55,1% fra 2016 til 2020.
• Bransjene som vil investere mest i disse teknologiene vil være bank og detaljhandel, etterfulgt av helsetjenester og produksjon.
• Økonomer utpeker General Purpose Technologies (* GPT *) som de som er viktige nok til å stimulere vedvarende økonomisk vekst og samfunnsfremgang. For eksempel er strøm en * GPT *. En fersk artikkel i Business Review fra Harvard University utpeker AI som den viktigste * GPT * i vår tid.

Risikostyring

• PayPal har vært i stand til å øke sikkerheten ved å dra nytte av teknologi for dyp læring. PayPal-svindel er relativt lavt med 0,32% overskudd , et tall som er mye bedre enn 1,32% gjennomsnittet som handelsmenn kan se.
• Mens en lineær modell kan konsumere 20-30 variabler kan dyp læringsteknologi sende tusenvis av datapunkter.

AI-handel

• I mange år har kapitalforvaltningsselskaper stolt på datamaskiner for handel. Om 9% av alle fondene , som administrerer $ 197 billioner, er avhengige av store statistiske modeller bygget av dataforskere.
• Imidlertid er disse modellene ofte statisk De krever menneskelig inngripen, og de har ikke den samme produktiviteten når markedet endres. Av denne grunn er gårdene det vandrer, i økende grad, mot sanne modeller av kunstig intelligens som analyserer store datamengder og og de fortsetter å forbedre seg selv.
• I 2000 var den amerikanske operasjonsbanken Goldman Sachs ved hovedkontoret i New York ga arbeid til 600 forretningsmenn. I dag har du to aksjehandlere med maskiner som tar seg av resten.

Robo-rådgivende

• For investorer kan * robo-råd * gi opptil 70% kostnadsbesparelser på visse tjenester.
• Noen etablerte verdipapirforetak kjøper fra eksisterende * robo-rådgivere *, for eksempel Invescos oppkjøp av Jemstep Y Blackrocks kjøp av FutureAdvisor . Andre lager sine egne * robo-rådgivere *, som FidelityGo og Schwab Intelligent Advisory.
• 77% av Wealth Management-klientene stoler på deres økonomiske rådgivere, og 81% indikerer at ansikt til ansikt er viktig.

Forsikringsabonnement og krav

• EN informerer om PWC spår at AI vil ha automatisert en betydelig mengde forsikring innen 2020, spesielt i modne markeder der data er tilgjengelig.
• I en 2013-studie i Oxford AI analyserte mer enn 700 yrker for å avgjøre hvilke som var mest utsatt for databehandling, forsikringsforsikringene ble inkludert i de fem mest utsatte.
• Underwriting kan dra nytte av ikke bare maskinlæring, men også generell teknologi, samt dyplæring i ansiktsanalyseteknologi.

Generell teknologi er et begrep som økonomer beholde for teknologier som stimulerer vedvarende økonomisk vekst og samfunnsmessige fremskritt, og derved revolusjonerer driften til husholdninger og selskaper. Et utvalg av teknologi for generell bruk er elektrisitet. Strømmen som genereres et mangfold av produkter og sektorer, inkludert kjøleskap, vaskemaskiner, tog og selvfølgelig datamaskiner. Ankomsten av elektrisitet forvandlet verden radikalt.

En fersk artikkel i Harvard Business Review utpekt kunstig intelligens (AI) som den viktigste allmennteknologien i vår tid . Vi er kjent med kraften i AI. Det manifesterer seg i form av en robot beseire en verdenskjent sjakkspiller . En bil som kan parallellpark alene . Enheter som de svarer med morgendagens vær når vi spør. Men mye av vår kontakt med - og forståelse av - AI dreier seg om produkter som påvirker hverdagen vår som forbrukere. På organisasjonsnivå er det et bredere spørsmål om hvordan AI vil påvirke bransjer og spesifikt hvordan finansielle tjenester vil utnytte AI.

Den følgende artikkelen vil definere kunstig intelligens, sfæren til dens relaterte teknologier, størrelsen på den globale AI-industrien og anvendelsene av kunstig intelligens i finans. Dette stykket er ikke ment å gi en normativ vurdering av utviklingen av AI; snarere vil det fokusere på hvordan AI påvirker økonomien.

Kunstig intelligens: Hva er AI?

Kunstig intelligens er [et område for databehandling] (https://www.techopedia.com/definition/190/artificial-intelligence-ai) fokusert på å skape intelligente maskiner som fungerer som mennesker. AI-datamaskiner er det designet for å utføre menneskelige funksjoner inkludert læring, beslutningstaking, planlegging og talegjenkjenning.

Kunstig intelligens muliggjør maskiner kontinuerlig forbedre ytelsen din uten at mennesker gir reseptbelagte instruksjoner om hvordan de skal gjøre det. Dette er viktig av et par grunner. For det første vet mennesker mer enn vi er i stand til å forstå. Det vil si at mennesker er i stand til å gjenkjenne et ansikt eller utføre en intelligent strategi i et sjakkspill. Men før den avanserte teknologien for kunstig intelligens, betydde menneskers manglende evne til å formulere vår egen kunnskap at vi ikke kunne automatisere mange oppgaver. For det andre er AI-teknologi overmenneskelig i sin utførelse, og fungerer raskere og oftere enn mennesker.

Kunstig intelligens

Kunstig intelligens omfatter mange muligheter og teknologier. Konsulentfirmaet PWC forsterkes det faktum at AI ikke er 'et monolitisk område'. Det omfatter en rekke ting som alle legger til vår forestilling om hva det betyr å være 'smart'. Nedenfor er noen av de mest populære områdene av AI:

• Maskinlæring er en dataanalysemetode som automatisere den analytiske bygningsmodellen . Ved hjelp av algoritmer som iterativt lærer av data, lar maskinlæring datamaskiner finne skjulte ideer uten å være eksplisitt programmert hvor de skal lete.
• Dyp læring er en delmengde av maskinlæring . Det har gjort det lettere å gjenkjenne objekter i bilder, videomerking, aktivitetsgjenkjenning og har avansert oppfatning (inkludert lyd og tale). For eksempel har * DeepFace * Facebooks deep learning-app vært trent til å gjenkjenne mennesker på bilder . Mange trekker sammenligningen mellom teknologi for dyp læring og biologi, men eksperter er generelt enige om at mens som er inspirert av den menneskelige hjerne, ikke nødvendigvis støpt i sitt bilde .
• Naturlig språkprosess er et dataprograms evne til å forstå menneskelig tale i virkeligheten. Forskning og utvikling er Endring mot systemer som er i stand til å samhandle med mennesker gjennom dialog, ikke bare reagere på stiliserte forespørsler.
• Tingenes internett (IoT) er dedikert til ideen om at et bredt spekter av enheter, inkludert apparater, kjøretøy og bygninger, kan kobles sammen. For eksempel, hvis alarmen din går klokka 07.00, kan den overfør informasjonen automatisk til kaffetrakteren din å begynne å lage kaffe. Generelle formål teknologier som fungerer som sensorer når de også brukes er en del av denne bredere trenden .

Selvfølgelig er denne listen ikke uttømmende. Se et bredere utvalg av AI-temaer og teknologier nedenfor.

Kunstig intelligens markedsstørrelse

Den nevnte [artikkelen i Harvard Business Review spår at “effekten av AI vil forstørres i løpet av det neste tiåret, da produksjon, detaljhandel, transport, økonomi, helsetjenester, jus, reklame, forsikring, underholdning, utdanning og praktisk talt enhver annen industri, forvandler sine grunnleggende prosesser og forretningsmodeller å ta fordelen med maskinlæring. Flaskehalsen ligger i ledelsen, anvendelsen og fantasien til virksomheten. '

Med utbredt bruk av AI i alle bransjer er det [spådd] (http://www.idc.com/getdoc.jsp?containerId=prUS41878616) å drive global inntekt på $ 12,5 billioner i 2017 og $ 47 billioner i 2020, med en sammensatt årlig vekstrate (CAGR) på 55,1% fra 2016 til 2020. Spesifikt er næringene som vil investere mest i teknologi bank og detaljhandel, etterfulgt av helseindustrien og industrien. Til sammen utgjør disse fire bransjene mer enn halvparten av den globale AI-inntekten i 2016, og sektorene: bank og detaljhandel vil levere nesten 1,5 billioner.

I alle bransjer, høyere AI-investeringer i 2017 De vil være innen områder som automatiserte kundeserviceagenter, automatisert trusselinformasjon og svindelanalyse (se bokstaven nedenfor). I følge Jessica Goepfert , programleder ved IDC , selskap av markedsundersøkelser , “Kortsiktige muligheter for kognitive systemer er i bransjer som bank, verdipapirer og investering og produksjon. I disse segmentene finner vi mange ustrukturerte data, et ønske om å utnytte innsikten fra denne informasjonen, og en åpenhet for innovative teknologier. ' Den neste delen av denne artikkelen tar for seg de forskjellige brukssakene for kunstig intelligens i finansnæringen.

Nåværende og fremtidige anvendelser av kunstig intelligens i økonomi

Kunstig intelligens kan føre til driftseffektivitet i områder som spenner fra risikostyring og handel, til forsikring og krav. Mens noen applikasjoner er mer relevante for spesifikke sektorer innen finansielle tjenester, kan andre utnyttes på en generell måte.

Risikostyring

Kunstig intelligens har vist seg å være uvurderlig når det gjelder sikkerhet og svindeloppdagelse. Tradisjonelle metoder for oppdagelse av svindel inkluderer datamaskiner som analyserer strukturerte data mot et sett med regler. For eksempel kan et bestemt betalingsselskap sette en terskel for bankoverføringer til $ 15 000, slik at enhver transaksjon utover dette beløpet vil bli flagget for videre etterforskning. Imidlertid produserer denne typen test mange falske positive og krever mye ekstra innsats. Kanskje, og enda mer betydelig, svindlere med nettkriminalitet endre taktikk ofte . På grunn av dette må de mest effektive systemene kontinuerlig bli smartere.

Med avanserte læringsalgoritmer som for eksempel dyp læring, kan nye funksjoner legges til systemet for dynamisk innstilling. I følge Samir Hans , konsulentdirektør for Deloitte Transactions and Business Analytics LLP, “Med kognitiv analyse kan svindeloppdagelsesmodeller være mer robuste og nøyaktige. Hvis et kognitivt system fjerner noe som det fastslår er mulig svindel, og et menneske bestemmer at det ikke er svindel på grunn av X, Y og Z, lærer datamaskinen av disse menneskelige oppfatningene, og neste gang vil den ikke sende deg en lignende påvisning. Teamet blir smartere. '

PayPals suksess med kunstig intelligens og oppdagelse av svindel

Ta for eksempel PayPal, betalingsgiganten og dens avanserte svindelprotokoller. På grunn av omfanget og synligheten, PayPal “ han har et stort mål på ryggen . ' Den behandlet 235 milliarder dollar i 2015 av fire millioner transaksjoner for sine 170 millioner kunder. Imidlertid har PayPal vært i stand til å øke sikkerheten ved å utnytte dyp læringsteknologi. Faktisk er PayPal-svindel relativt lavt med en 0,32% av omsetningen , et mye bedre beløp enn 1,32% som handelsmenn normalt ser.

Tidligere brukte PayPal enkle, lineære modeller. I dag trekker algoritmene ut data fra kundens kjøpshistorikk og gjennomgangsmønstre for sannsynlig svindel lagret i sine voksende databaser. Mens en lineær modell kan konsumere 20-30 variabler , deep learning technology kan sortere tusenvis av datapunkter. Disse forbedrede mulighetene hjelper PayPal med å skille uskyldige transaksjoner fra mistenkelige. I følge Hui Wang , Senior Director of Global Risk Sciences hos PayPal, “Det vi liker med mer moderne og avansert maskinlæring er dens evne til å konsumere mer data, håndtere lag og lag med abstraksjon, og være i stand til å 'se' ting [...] som til og med mennesker vesener er ikke i stand til å se '

Handel med kunstig intelligens

Overgang fra menneskeskapte modeller til ekte AI

I mange år har kapitalforvaltningsselskaper stolt på datamaskiner for å håndtere handel. Rundt 1360 hedgefond, representerer 9% av alle fondene De er avhengige av store statistiske modeller bygget av dataforskere som ofte har doktorgrad i matematikk (også kjent som 'quantum'). Imidlertid bruker disse modellene bare historiske data, det er de ofte statisk De krever menneskelig inngripen, og de presterer ikke like godt når markedet endres. Følgelig er midlene migrere til sanne modeller av kunstig intelligens mer og mer, som ikke bare kan analysere store datamengder, men også fortsette å forbedre seg selv.

Disse nye teknologiene bruker komplekse teknikker, inkludert dyp læring, en form for maskinlæring som kalles Bayesiske nettverk , Y Evolusjonær databehandling , som er inspirert av genetikk. AI-handelsprogramvare kan absorbere store mengder data for å lære om verden og komme med spådommer om finansmarkedet. Å forstå verdens trender Disse kan konsumere alt fra bøker, tweets, nyhetsrapporter, økonomiske data, inntjeningstall og internasjonal pengepolitikk til scener fra Saturday Night Live.

For å avklare er det ovennevnte forskjellig fra høyfrekvent handel ( HFT ), som gjør det mulig for handelsmenn å utføre millioner av bestillinger og skanne flere markeder på få sekunder, og svare på muligheter på måter mennesker de kan bare ikke . De AI-drevne plattformene diskutert ovenfor ser etter de beste langsiktige handelsplanene, og maskiner - ikke mennesker - dikterer strategien.

Noen av disse AI-handelssystemene er utviklet av oppstart. For eksempel i Hong Kong Aidiya er et fullt autonomt hedgefond som driver all sin aksjehandel ved hjelp av kunstig intelligens (AI). 'Hvis vi alle dør', sier medstifter Ben Goertzel , 'Ville fortsette å operere.' Tradisjonelle institusjoner er også interessert i AI-handelsteknologi. I 2014 Goldman Sachs ledet finansieringsrunden i serie A og begynte å installere en AI handelsplattform kalt Kensho. For serie B de Kensho I tillegg til S&P Global deltok også de seks største Wall Street-bankene (Goldman Sachs, JPMorgan Chase, Bank of America, Merrill Lynch, Morgan Stanley, Citigroup og Wells Fargo).

Sammenligning av forretningsresultater

En nylig studie av investeringsforskningsfirma Eurekahedge sporet resultatene til 23 hedgefond ved bruk av AI fra 2010-2016, der de kunne se at de overgikk resultatene fra mer tradisjonelle kvanteanalytikere og generelle hedgefond.

Implikasjoner for handelsmenn og kvanteanalytikere

Det vil være interessant å se hvordan AI vil påvirke det kommersielle arbeidsmarkedet. Effekten av den er allerede tydelig i noen av de største bankinstitusjonene. I 2000, Goldman Sachs amerikanske rentekontor ved hovedkontoret i New York jobb 600 handelsmenn som kjøper og selger aksjer. I dag har han to aksjehandlere med maskiner som gjør resten av jobben. Daniel Nadler, Konsernsjef de Kensho, declara , 'Om 10 år vil Goldman Sachs være betydelig mindre når det gjelder lønn enn det er i dag.' Og når det gjelder kvanteanalytikere, kan de legge merke til at deres ferdigheter er mindre etterspurt hos investeringsforvaltningsselskaper.

For tiden, omtrent en tredjedel av kandidatene av de viktigste forretningsprogrammene mates av økonomi. Hvor vil det beste talentet i nasjonen gå? Mark Minevich, seniorrådgiver for United States Competitiveness Council, mener det 'Noen av disse smarte menneskene vil gå videre til tekniske oppstart, eller bidra til å utvikle flere kunstige intelligensplattformer, eller autonome biler, eller energiteknologi [...] New York kan konkurrere med Silicon Valley om teknologi.'

Robo-Advisory

Hva er en Robo-rådgiver og hvordan det fungerer?

Roborådgivere er digitale plattformer som tilbyr algoritmebaserte, automatiserte økonomiske planleggingstjenester med minimalt menneskelig tilsyn. Mens menneskelige økonomiledere har brukt automatisk porteføljetildeling siden tidlig på 2000-tallet, måtte investorer ansette rådgivere for å dra nytte av teknologien. I dag, robo-rådgivere la kundene få direkte tilgang til tjenesten. I motsetning til deres menneskelige kolleger, robo-rådgivere overvåke markeder non-stop og er tilgjengelig 24/7 . Roborådgivere kan tilby investorer opp til en 70% i kostnadsbesparelser og vanligvis krever de ikke et minimum for å delta.

I dag, robo-rådgivere kan hjelpe til med mer repeterende oppgaver som å åpne kontoer og overføre eiendeler. Prosessen involverer vanligvis klienter som svarer på enkle spørreskjemaer om risikoappetitt eller likviditetsfaktorer, som robo-rådgivere så oversettes de til investeringslogikk. Mesteparten av robo-rådgivere Nåværende selskaper har som mål å tilordne sine kunder til administrerte ETF-porteføljer basert på deres preferanser. Det forventes evner i fremtiden bli mer avanserte tilbud som automatisk endring av aktiva og utvidet dekning gjennom alternative aktivaklasser som eiendom.

Robo-rådgivende Det kan ha stor innvirkning på næringslivets økonomi og formuesforvaltning. Mens forvaltningskapitalen ( AUM ) strøm av robo-rådgiver enkelt representerer 10 billioner dollar av de 4 billioner i formuesforvaltningsindustrien (mindre enn 1% av alle forvaltede kontoaktiva), en [Business Insider-studie] (http://www.businessinsider.com/the-robo-advising-report -market-prognosess- nøkkel-vekst-drivere-og-hvordan-automatisert-kapital-forvaltning-vil-endre-rådgivende-industri-2016-6) anslår at dette tallet vil øke til 10% i 2020. Dette tilsvarer rundt $ 8 billioner i forvaltningskapital ( AUM ).

Adopsjon av bransjen Robo-rådgivning

Bransjeaktører har brukt forskjellige tilnærminger til robo-råd . Små formuesforvaltningsselskaper legger til algoritmiske komponenter for å automatisere investeringsforvaltningen, redusere kostnader / avgifter og konkurrere med robo-rådgivere . På den annen side kjøper etablerte verdipapirforetak fra robo-rådgivere eksisterende, for eksempel Invescos oppkjøp av Jemstep eller lage dine egne løsninger robo-rådgiver , som FidelityGo og Schwab Intelligent Advisory.

Robo-rådgivere vs. Finansrådgivere: Vil mennesker erstattes?

Den generelle enigheten blant eksperter er at mennesker vil fortsette å være uunnværlige. Den menneskelige berøringen vil forbli kritisk, ettersom rådgivere fortsatt må berolige klienter i tøffe økonomiske tider og overtale dem med nyttige løsninger. En studie utført av konsulentfirmaet Accenture avslørte at 77% av formuesforvaltningsklientene stoler på deres økonomiske rådgivere, mens 81% indikerer at ansikt til ansikt-samhandling er viktig. For kunder med komplekse investeringsbeslutninger, hybrid rådgivningsmodell , som kobler datastyrte tjenester med menneskelige rådgivere, vinner terreng.

Mens finansielle rådgivere vil forbli sentrale, finansielle rådgivere robo-rådgivere kan forårsake endringer i jobbansvaret ditt . Ved å administrere gjentatte oppgaver kan investeringsforvaltere påta seg ansvaret til en datavitenskapsmann eller ingeniør, for eksempel å vedlikeholde systemet. Mennesker kan også fokusere mer på å bygge relasjoner med kunder og forklare beslutningene som maskinen har tatt.

Kunstig intelligens i forsikringsforsikring og krav

Forsikring avhenger av saldoen på risiko mellom grupper av mennesker ; forsikringsselskaper grupperer lignende mennesker, og noen vil trenge betalinger, mens andre ikke vil. Bransjen er avhengig av risikovurdering; forsikringsselskaper er ikke fremmede for dataanalyse. Likevel, AI kan utvides mengden data som er analysert, samt måtene den kan brukes på, noe som resulterer i mer nøyaktige priser og andre driftseffektiviteter.

Oppstart er i forkant når det gjelder å drive bransjen fremover. I følge Henrik Naujoks , en partner i Bain & Co, “Oppstart viser hva som er mulig og hva som kan gjøres. Mange sittende ledere ser det - de får det ikke, men de vil engasjere seg. ' Investorer har også holdt seg til denne trenden (se nedenfor). I 2016 var AI det et av de mest populære temaene for investering i forsikringsteknologi.

Kunstig intelligens og forsikringsforsikring

EN informerer om PWC spår at AI vil automatisere en betydelig mengde forsikring innen 2020, spesielt i modne markeder der data er tilgjengelig. For tiden er et forsikringsselskap ved hjelp av dataprogramvare og aktuarmodeller, vurderer risiko og eksponeringer av potensielle kunder, hvor mye dekning de skal få, og hvor mye de skal belastes. På kort sikt kan AI bidra til å automatisere store tegningsvolumer for bil-, bolig-, forretnings-, livs- og gruppeforsikring. Fremover vil AI forbedre modelleringen, og fremheve viktige hensyn for mennesker som har ansvaret for beslutningstaking, som ellers ville ha gått ubemerket hen. Det er også forutsagt at avansert AI vil tillate personlig forsikringsforsikring av selskap eller individ, med tanke på unik oppførsel og omstendigheter.

Forbedret forsikringsforsikring kan ikke bare utnytte maskinlæring for datautvinning, men også bærbar teknologi og dyplærende ansiktsanalysatorer. For eksempel, Lapetus , et nytt selskap, ønsker å bruke selfies til forutsi levealder nøyaktig . I sin foreslåtte modell vil klienter sende e-postportrettene sine, som skal skanne og analysere datamaskiner - analysere tusenvis av ansiktsregioner. Analysen vil vurdere alt fra grunnleggende demografi til hvor raskt personen blir eldre, kroppsmasseindeksen og om de røyker. Også teknologi generelt kan gjøre forsikringsforsikringsprosessen mer samarbeidende. I stedet for å stole på lange medisinske gjennomganger og kompliserte kontraktprosesser, kan teppeteknologier gjøre det gi informasjon i sanntid i helse og oppførsel til forsikrede.

Disse typer nyanserte risikoanalyser i sanntid tillater ikke bare en mer nøyaktig beregning av kundeprisene, men også tidlig oppdagelse av helserisiko og en mulighet for forsikringsselskaper å invester i forebygging . I stedet for til slutt å betale for kostbare pasientbehandlinger, kan forsikringsselskaper proaktivt prøve å redusere sannsynligheten for skade og tilhørende kostnader. I en Oxford-studie i 2013 Ved å analysere mer enn 700 yrker for å avgjøre hvilke som var mest utsatt for datamatisering, ble forsikringsselskaper inkludert i de fem mest utsatte. Selv når AI ikke erstatter en garantist, kan AI-automatisering endre et forsikringsselskaps ansvar. AI kan frigjøre abonnentens tid for større merverdi, for eksempel evaluering og prising i mindre datarike fremvoksende markeder, noe som gir mer innsikt i risikostyring og produktutvikling.

Kunstig intelligens og forsikringskrav

Forsikringskrav er formelle betalingsanmodninger sendt til forsikringsselskapene. Forsikringsselskaper gjennomgår deretter gyldighetskravet og betaler den forsikrede når den er godkjent. Slik kan kunstig intelligens forbedre prosessen :

Forbedret nøyaktighet av kundedata. Kravprosessen er ganske manuell - menneskelige agenter registrerer manuelt kundeinformasjon og hendelsesdetaljer. I følge en Experian rapport , kan datakvaliteten lide: ufullstendige data utgjør 55% av datafeilene, mens typografiske feil utgjør 32%. AI kan forbedre nøyaktigheten ved å redusere manuell inngang. I tillegg krever skadeprosesser ofte at forsikringsagenter må matche kundeinformasjon mot mange databaser. AI kan brukes til gjør dette mer effektivt.

Raskere betalingsanbefalinger. I følge en studie om tilfredshet av eiendom av J.D. Power & Associates, tidspunktet for den langsomme søkssyklusen er en av de største bidragsyterne til misnøye hos kundene. AI det kan hjelpe for å redusere responstid ved først å validere policyen, deretter foreta avgjørelser om krav og om betaling skal automatiseres eller ikke. Dette er fordi AI har evnen til å analysere ikke bare strukturerte data, men også ustrukturerte data som håndskrevne skjemaer og sertifikater.

Siste refleksjoner

Noen futurister de har kranglet at verden nærmer seg et tippepunkt, myntet ' singularitet , ”Hvor maskinintelligens vil overgå menneskelig intelligens. Kjente teknologer og forskere, inkludert Bill Gates og Stephen Hawking, har advart om dette punktet. Elon Musk har også populært utsatt , 'AI er en grunnleggende eksistensiell risiko for menneskelig sivilisasjon, og jeg tror ikke folk forstår det helt.'

Når AI fortsetter å spre seg i vårt personlige og profesjonelle liv, vil mange problemer fortsette å oppstå. Dette inkluderer potensialet for feil, en generell følelse av mistillit til maskiner og bekymringer om jobbutskifting. Det ville være en feil å ignorere denne frykten. Imidlertid er samfunnet allerede på et raskt spor til en AI-drevet verden. I denne nye verden kan det være mer produktivt å fokusere på hvordan maskiner og mennesker bedre kan eksistere sammen. Det vil være viktig for beslutningstakere å være forsiktige, slik at nye teknologier kan utvikles mens de overvåker og minimerer deres negative konsekvenser. Utviklere og designere burde også øke menneskers evne til å forstå AI-systemer, og dermed bygge tillit og øke tilfredsheten med AI-applikasjoner. Alle vil ha en rolle å spille.

Som Haruhiko Kuroda nevnte, Sysselmannen i Bank of Japan På en AI- og Financial Services-konferanse i 2017, “Det er viktig at vi konstruktivt vurderer de ønskelige måtene som mennesker og AI utfyller hverandre, i stedet for å konfrontere hverandre. For eksempel er menneskelig skjønn ikke helt fri for eksisterende paradigmer og er noen ganger forsømmelig med endringer. AI kunne justere vår skjevhet gjennom nøytral analyse og finne på samme måte nye sammenhenger mellom et mylder av data, mens mennesker kunne kompensere for AIs svakhet med deres intuisjon, sunn fornuft og fantasi. '