வங்கிக் துறையில் AI உண்மையில் எங்கு வேலை செய்கிறது: நீங்கள் நினைக்கும் இடத்தில் இல்லை

அனைவரும் AI மூலம் நிதியியலை விரைவுபடுத்த விரும்புகிறார்கள். "இந்த செயல்முறையைத் தானியங்குபடுத்த ஒரு மொழி மாதிரியைப் பயன்படுத்துவோம்" என்று எப்போதும் கேட்பீர்கள். ஆனால் ஒழுங்குமுறைப்படுத்தப்பட்ட கடன் வழங்கலில் நீங்கள் எதையாவது உருவாக்கினால், அந்த உள்ளுணர்வு உங்களைத் தவறான பாதைக்கு அழைத்துச் செல்லும்.

இன்று—ஜூலை 4, 2026—அதிக எண்ணிக்கையிலான குழுக்கள் தங்கள் நிதி பணிப்பாய்வுகளில் AI-ஐச் சேர்க்க முனையும் நிலையில், சற்றுத் தள்ளிநின்று யோசிப்பது நல்லது: AI உண்மையில் எங்கு அமைந்திருக்க வேண்டும்? குறிப்பாக மொழி மாதிரிதான் நிகழ்ச்சியின் முதன்மைப் பங்கைக் கொண்டிருக்க வேண்டும் என்று நீங்கள் கருதிக்கொண்டிருந்தால், இதற்கான பதில் உங்களை ஆச்சரியப்படுத்தக்கூடும்.

உண்மையான கடன் வழங்கும் பணிப்பாய்வுகளின் சமீபத்திய பகுப்பாய்வின்படி, முன்பு 2 முதல் 3 வாரங்கள் வரை எடுத்துக்கொண்டு 40 பக்க ஆவணத்தை உருவாக்கிய ஒரு செயல்முறையைத்தான் நிறுவனங்கள் AI மூலம் தானியங்குபடுத்த விரும்புகின்றன. ஆனால் பெரும்பாலான குழுக்கள் தவறவிடும் விஷயம் இதுதான்: அவர்கள் முதலில் மொழி மாதிரியைத் தேர்ந்தெடுக்கிறார்கள். நடைமுறையில், மொழி மாதிரி என்பது கடைசி மற்றும் மிகச்சிறிய பைப்லைனின் பகுதியாகும். கடினமான பகுதிகள் அதற்கு முன்பே வருகின்றன.

உண்மையான தடங்கல்கள்

நீங்கள் உண்மையில் ஒரு கடன் பணிப்பாய்வை வரைபடமாக்கும்போது, பணி கணிக்கக்கூடிய நிலைகளாகப் பிரிகிறது. பெரும்பாலான சிக்கல்கள் உரையை வரைவதில் இல்லை—அதற்கு முன் வரும் அனைத்திலும் உள்ளன.

கடினமான பகுதிகள் இவைதான்:

• சீரில்லாத ஆவணங்களை நம்பகத்தன்மையுடன் உட்கிரகிப்பது. நிதி ஆவணங்கள் அனைத்து வடிவங்களிலும் வருகின்றன: PDF-கள், மின்னஞ்சல்கள், பட ஸ்கேன்கள், சில சமயங்களில் கையால் எழுதப்பட்ட குறிப்புகள். தகவல்களை இழக்காமல் அவையிலிருந்து தரவைப் பிரித்தெடுப்பது மிகவும் கடினமானது.
• தரவை ஒரு முதன்மை (canonical) மாதிரியாகப் பிரித்தெடுத்தல். ஒரு ஆவணத்தைப் பகுப்பாய்வு செய்தவுடன், அதன் உள்ளடக்கங்களை உங்கள் அமைப்பு புரிந்து கொள்ளும் ஒரு நிலையான அமைப்பிற்குள் பொருத்த வேண்டும். குறிப்பாக ஆவணங்கள் சீரற்ற கலைச்சொற்களைப் பயன்படுத்தும்போது, அந்த மேப்பிங் செயல்முறை எளிதானதல்ல.
• தரவைச் சரிபார்த்தல் மற்றும் குறுக்கு ஒப்பீடு செய்தல். நிதித் துல்லியம் என்பது எண்கள் சரியாகக் கூட்டப்படுகின்றனவா, தேதிகள் அர்த்தமுள்ளதாக இருக்கின்றனவா, முரண்பட்ட தகவல்கள் கொடியிடப்படுகின்றனவா என்பதைப் பார்ப்பதாகும். இது மிகவும் சிரமமானது.
• உண்மையான நிதி கணக்கீடுகளைச் செய்தல். வட்டி, கட்டணங்கள், விகிதங்கள், இணக்க வரம்புகள்—இவை துல்லியமாகக் கணக்கிடப்பட வேண்டும். தவறான இடத்தில் முழுமையாக்கப்பட்ட (rounded) ஒரு எண், கடன் முடிவையே கெடுத்துவிடும்.

மாதிரிகள் அல்ல, ஏன் குறியீடு (Code) பணத்தைக் கையாள்கிறது

இதோ மிக முக்கியமான புரிதல்: நிதி கணக்கீடுகள் தீர்மானகரமான குறியீட்டில் (deterministic code) செய்யப்பட வேண்டும், ஒருபோதும் மொழி மாதிரியால் செய்யப்படக்கூடாது. ஒரு மாதிரி அமைதியாக ஒரு எண்ணைத் தவறாக முழுமையாக்கலாம், ஒரு சூத்திரத்தைச் சீரற்ற முறையில் பயன்படுத்தலாம் அல்லது நம்பத்தகுந்ததாகத் தோன்றும் ஆனால் ஒழுங்குமுறையை மீறும் ஒரு முடிவை எடுக்கலாம்.

நன்றாக வடிவமைக்கப்பட்ட அமைப்பில் செயல்பாடுகளின் வரிசை:

1. குறியீடு உட்கிரகித்து சரிபார்க்கிறது. தீர்மானகரமான மென்பொருள் தரவு பகுப்பாய்வு, பிரித்தெடுத்தல் மற்றும் சரிபார்த்தல் ஆகியவற்றைக் கையாள்கிறது.
2. குறியீடு கணக்கீடுகளைச் செய்கிறது. அனைத்து நிதி கணக்கீடுகளும் நீங்கள் தணிக்கை செய்து சோதிக்கக்கூடிய குறியீட்டிலேயே நடக்கும்.
3. ஒரு LLM உரை நடையை வரைவு செய்கிறது. எண்கள் துல்லியமானவுடன், மாதிரி கடன் சுருக்கம், அபாய விளக்கம் அல்லது வாடிக்கையாளருக்கான விளக்கத்தை எழுதுகிறது.
4. ஒரு மனிதர் அபாய முடிவுக்குப் பொறுப்பேற்கிறார். உண்மையான பொறுப்புள்ள ஒருவர் வெளியீட்டை மதிப்பாய்வு செய்து இறுதி முடிவை எடுக்கிறார்.

அந்த வரிசைமுறை ஒரு வரம்பு அல்ல—OSFI E-21 போன்ற நிதி ஒழுங்குமுறைகளின் கீழ், அனுமதிக்கப்பட்ட ஒரே வடிவமைப்பு இதுவே ஆகும். ஒழுங்குமுறை அமைப்புகள் ஒரு AI மாதிரி முடிவுக்குப் பொறுப்பேற்க அனுமதிப்பதில்லை; ஒரு மனிதர் மட்டுமே செய்ய வேண்டும்.

10% விதி

வங்கித்துறையில் AI மூலம் உண்மையில் வெற்றி பெறும் குழுக்கள் மிகப்பெரிய மாதிரியைப் பயன்படுத்துபவை அல்ல. பிரச்சினையின் எந்த 10%-ஐ மாதிரி கையாள வேண்டும் என்பதை அறிந்தவர்களே அவர்கள்.

உங்கள் பணிப்பாய்வு ஆவண உட்கிரகிப்பு, தரவு பிரித்தெடுத்தல், சரிபார்த்தல், கணக்கீடு மற்றும் அறிக்கையிடல் என்றால், மொழி மாதிரி அநேகமாக அறிக்கையிடல் பகுதியை மட்டுமே கையாளும். உங்கள் ஆவணங்கள் மிகவும் மாறுபட்டதாக இருந்து, மாதிரி வடிவங்களைக் கற்றுக்கொள்ள முடியும் என்றால் ஒருவேளை தரவு பிரித்தெடுக்கும் பகுதியையும் செய்யக்கூடும். ஆனால் முக்கியமான பாதைகளான சரிபார்த்தல் மற்றும் கணக்கீடு—அவை குறியீட்டிலேயே இருக்கும்.

இது ஒரு கட்டுப்பாடு போலத் தோன்றலாம், ஆனால் இது உண்மையில் ஒரு மிகப்பெரிய திறனாகும். இந்த எல்லையைப் புரிந்துகொண்ட ஒரு குழு தனது முயற்சியைக் கடினமான உள்கட்டமைப்பு பணிகளில் செலவிடுகிறது: வலுவான ஆவண பைப்லைன்களை உருவாக்குதல், தூய்மையான தரவு மாதிரிகளை வடிவமைத்தல், நிதி கணக்கீடுகளுக்கான சோதனைகளை எழுதுதல். இறுதியில், LLM வெளியீட்டை மேலும் வாசிக்கக்கூடியதாகவும் இயல்பானதாகவும் மாற்றுகிறது.

எல்லையைப் புரிந்து கொள்ளாத ஒரு குழு மாதிரியையே அனைத்தையும் செய்ய முயற்சிக்கிறது, அது தவறுகள் செய்வதைப் பார்க்கிறது, இறுதியில் குறியீட்டிலேயே மீண்டும் கட்டியெழுப்புகிறது—பொதுவாக ஒரு நெருக்கடியான காலக்கெடுவில், பொதுவாக ஒரு தவறு தயாரிப்பு நிலைக்குச் சென்ற பிறகு.

இது இப்போது ஏன் முக்கியமானது

2026-இல் AI விளம்பர ஆரவாரம் தொடர்வதால், எல்லாவற்றையும் "AI-மயம்" ஆக்குவதற்கான அழுத்தம் உண்மையானது. போட்டியாளர்கள் AI அம்சங்களை விளம்பரப்படுத்துகிறார்கள். நிர்வாகிகள் விரைவான தீர்வை விரும்புகிறார்கள். ஆனால் நிதியியலில், மெதுவாகவும் சரியாகவும் இருப்பதை விட விரைவாகவும் தவறாகவும் இருப்பது மிக மோசமானது.

வெற்றிபெறும் உத்தி என்பது AI-ஐப் பயன்படுத்தி வேகமாகச் செல்வது அல்ல—உங்கள் பணிப்பாய்வில் AI உண்மையில் எதற்கு நல்லது என்பதைத் தெளிவுபடுத்துவதும், மற்ற அனைத்தையும் சரியாகச் செய்வதுமே ஆகும். அதாவது மொழி மாதிரியில் முதலீடு செய்வதற்குச் சமமாக (அல்லது அதற்கு மேலாக) தரவு உள்கட்டமைப்பு, சரிபார்த்தல் மற்றும் இணக்கம் ஆகியவற்றில் முதலீடு செய்வது என்பதாகும்.

முடிவுரை

நிதியியலில் AI-ன் ஈர்ப்பு புரிந்துகொள்ளக்கூடியது: 3 வாரச் செயல்முறையை மணிக்கணக்காகக் குறைப்பதைக் கற்பனை செய்து பாருங்கள். ஆனால் யதார்த்தமான நலைவாய்ப்பு என்பது AI உண்மையில் எங்கு உதவுகிறது மற்றும் deterministic code எங்கு தேவைப்படுகிறது என்பதைப் புரிந்து கொள்வதிலிருந்தே வருகிறது. உரை நடையை வரைவதற்கும் சீரில்லாத உள்ளீட்டில் வடிவங்களைக் கண்டறிவதற்கும் மொழி மாதிரி சக்தி வாய்ந்தது. மற்ற எல்லாவற்றிற்கும்—குறிப்பாகக் கணக்கீடுகள் மற்றும் இணக்கத்திற்கு—இது ஒரு மிகப்பெரிய அமைப்பில் ஒரு சிறிய குறிப்பு மட்டுமே.

நன்மைகள்

• துல்லியம் பாதுகாக்கப்படுகிறது. கணக்கீடுகளை deterministic code-இல் வைத்திருப்பது என்றால் நிதி முடிவுகள் LLM அதிர்ஷ்டத்தைச் சார்ந்திருக்காது.
• ஒழுங்குமுறை இணக்கம் உள்ளமைக்கப்பட்டுள்ளது. OSFI E-21 மற்றும் அதுபோன்ற கட்டமைப்புகளுக்கு மனிதப் பொறுப்புரிமை தேவை; இந்த வடிவமைப்பு அந்தத் தேவையைப் பூர்த்தி செய்கிறது.
• உண்மையான சிக்கல்கள் தீர்க்கப்படுகின்றன. தரவு உட்கிரகிப்பு மற்றும் சரிபார்த்தல் ஆகியவை கடினமானவை; பொறியியல் முயற்சியை அங்கு திருப்புவது உண்மையான தடங்கலைச் சரிசெய்கிறது.
• LLM வெளியீடு உயர்தரமானது. மாதிரி உரை நடையை மட்டுமே கையாளும் போது, அதன் வெளியீட்டைச் சோதிப்பது, மதிப்பாய்வு செய்வது மற்றும் தணிக்கை செய்வது எளிது.
• அமைப்புகளைப் பிழைதிருத்தம் (debug) செய்வது எளிது. குறியீடு மற்றும் மாதிரிக்கு இடையே தெளிவான எல்லைகளைக் கொண்ட பைப்லைனில் ஏதேனும் முறியும்போது சிக்கலைத் தீர்ப்பது எளிது.

குறைபாடுகள்

• கட்டமைப்பு ஒழுக்கம் தேவை. மாதிரிகளைத் தொடக்கம் முதல் முடிவு வரை பயன்படுத்தப் பழகிய குழுக்கள் தங்கள் சிந்தனையை மாற்றியமைக்க வேண்டும்.
• அதிக சிக்கலான பைப்லைன்கள். பொறுப்புகளைப் பிரிப்பது என்பது உருவாக்க, ஒருங்கிணைக்க மற்றும் பராமரிக்க கூடுதல் கூறுகளைக் குறிக்கிறது.
• இன்னமும் துறைசார் நிபுணத்துவம் தேவைப்படுகிறது. முழு பணிப்பாய்வையும் ஒரு ML குழுவிடம் ஒப்படைக்க முடியாது; நிதித் துறை அறிவும் அத்தியாவசியமானது.
• "முழுமையாகத் தானியங்கி" அல்ல. ஒரு மனிதர் இன்னமும் இறுதி முடிவை மதிப்பாய்வு செய்கிறார்—மனித மதிப்பாய்வாளரை உங்களால் அகற்ற முடியாது.
• LLM "வேலையைச் செய்வதாக"த் தெரியவில்லை. மாதிரி ஒரு பெரிய அமைப்பின் சிறிய பகுதியாக உணர்கிறது, தலைமைப்பொறுப்பில் உள்ளவர்கள் AI-தான் முக்கிய நிகழ்வு என்று எதிர்பார்த்தால் இதை ஏற்றுக்கொள்வது கடினமாக இருக்கலாம்.

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி சார்ந்த நோக்கத்திற்கானது மற்றும் DEV Community பதிவிலிருந்து பெறப்பட்ட பகுப்பாய்வைச் சுருக்குகிறது. பயன்பாட்டிற்கு முன் எடுத்துக்காட்டுகளில் உள்ள ஏதேனும் ஒதுக்கிட மதிப்புகள் (placeholder values) உண்மையான, சரிபார்க்கப்பட்ட தகவல்களால் மாற்றப்பட வேண்டும். நிதி அமைப்புகளை வடிவமைப்பதற்கு முன் வாசகர்கள் OSFI E-21, ஒழுங்குமுறைத் தேவைகள் மற்றும் கடன் வழங்கும் இணக்கம் பற்றிய கூற்றுகளை அதிகாரப்பூர்வ ஒழுங்குமுறை ஆதாரங்களுக்கு எதிராகச் சரிபார்த்து, சட்ட மற்றும் இணக்க நிபுணர்களுடன் கலந்தாலோசிக்க வேண்டும். நிதி கணக்கீடுகள் மற்றும் இணக்கம் ஆகியவை பரிசோதனைக்கான பகுதிகள் அல்ல; எப்போதும் தகுதியான நிபுணர்களுடன் இணைந்து பணியாற்றுங்கள்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• OSFI E-21 என்றால் என்ன, கடன் வழங்குவதில் AI-க்கு இது ஏன் முக்கியமானது?
• நிதித் தரவிற்கான ஆவண உட்கிரகிப்பு பைப்லைனை எவ்வாறு வடிவமைப்பது?
• கடன் வழங்கும் பணிப்பாய்வில் தரவு சரிபார்ப்பு படிகள் யாவை?
• மொழி மாதிரிகளால் நிதி கணக்கீடுகளைத் துல்லியமாகக் கையாள முடியுமா?
• சில குழுக்கள் குறியீட்டிற்குப் பதிலாகக் கணக்கீடுகளுக்கு AI-ஐ ஏன் பயன்படுத்த முயற்சிக்கின்றன?
• கடன் வழங்கும் பணிப்பாய்வில் எவ்வளவு பகுதியை LLM கையாள வேண்டும்?
• தரவை ஒரு "முதன்மை மாதிரிக்கு" (canonical model) பிரித்தெடுப்பது என்றால் என்ன?
• நிதி ஆவணங்களில் உள்ள முரண்பட்ட தகவல்களை எவ்வாறு ஒப்பீடு செய்து சரிசெய்வது?

டேக்குகள்

#banking #ai #finance #lending #automation #fintech #regulation #LLM