En İyi 25 Üretken Yapay Zeka Finans Kullanım Alanı

Finansal hizmet firmaları için on yıl boyunca danışmanlık yaptım. Gördüğüm her AI uygulaması aynı deseni izledi: Sunumlarda etkileyici görünen ancak üretimde takılıp kalan pilot projeler.

Bu değişiyor. Bankalar artık üretken AI'yı büyük ölçüde devreye alıyor ve sonuçlar ölçülebilir. İşte doğrulayabileceğiniz uygulamalara dayanarak, gerçekten işe yarayanlar.

• Finansal hizmet firmaları için
• Finansal olmayan firmalardaki finans birimleri için
• Bankacılık için, üretken AI kullanım alanlarını inceleyin..

Finansal olmayan firmalardaki finans fonksiyonları

1-Muhasebe fonksiyonlarının otomasyonu

Özel dönüştürücü modeller, finans birimlerinin denetim vehesaplar ödenir gibi fonksiyonları otomatikleştirmesine yardımcı olur; bunlar arasında fatura yakalama ve işleme de bulunur. Derin öğrenme fonksiyonlarıyla, muhasebe konusunda özelleştirilmiş GPT modelleri, çoğu muhasebe görevinde yüksek otomasyon oranlarına ulaşabilir.

Finansal hizmet firmaları

2-Konuşan finans

Üretken AI modelleri, insan benzeri dil kalıplarını anlamak ve üretmek üzere eğitildikleri için daha doğal, bağlamsal olarak ilgili yanıtlar üretebilir. Sonuç olarak, üretken AI; kullanıcılarla daha doğru, ilgi çekici ve nüanslı etkileşimler sağlayarak finansal konuşan AI sistemlerinin ve chatbot'ların performansını ve kullanıcı deneyimini önemli ölçüde artırabilir.

Konuşan finans, müşterilere şunları sağlar:

• İyileştirilmiş müşteri desteği
• Kişiselleştirilmiş finansal tavsiye
• Ödeme bildirimleri
• Yatırım özetleri veya kredi başvuruları gibi belge oluşturma.

Örneğin, Morgan Stanley, şirketin iç araştırma ve verilerini bir bilgi kaynağı olarak kullanarak finansal danışmanları desteklemek için OpenAI destekli chatbot'lar kullanır.

Konuşan finans hakkında daha fazlası için, finansal hizmetler sektöründe konuşan AI kullanım alanlarına dair makalemize göz atabilirsiniz. Konuşan AI'nın müşteri hizmetleri operasyonlarını nasıl geliştirebileceğini keşfetmek için, müşteri hizmetleri için konuşan AI'ya adanmış makalemize bakın.

3-Başvuru sahiplerine uygun reddetme açıklamaları oluşturma

AI, özellikle kredi karar verme süreçlerinde bankacılık sektöründe önemli bir rol oynar. Bankaların ve finansal kurumların müşterilerin kredi değerliliğini değerlendirmesine, uygun kredi limitlerini belirlemesine ve riske dayalı kredi fiyatlandırması yapmasına yardımcı olur.

Yine de, hem karar vericilerin hem de kredi başvuru sahiplerinin, güveni artırmak ve gelecekteki başvurular için müşteri farkındalığını iyileştirmek için, başvuru reddetme nedenleri gibi AI tabanlı kararların net açıklamalarına ihtiyacı vardır.

Bir koşullu üretken rekabetçi ağ (GAN), bir tür üretken AI, kullanıcı dostu reddetme açıklamaları oluşturmak için kullanıldı. Reddetme nedenlerini basitten karmaşığa hiyerarşik olarak düzenleyerek, başvuru sahipleri için daha anlaşılır açıklamalar oluşturmak için iki seviyeli koşullandırma kullanılır (Şekil 3).

Senaryo oluşturma gerçek yaşam örneği

Bir durum çalışmasında, yatırımcı ilişkileri ekibi, şirketin üç aylık finansal sonuçlarına güçlü bir piyasa tepkisi bekliyor ve kazanç çağrısı için kapsamlı bir senaryo ve potansiyel yatırımcı sorularını hazırlaması gerekiyor.²

Bir analist, mevcut ve önceki çeyreklere ait finansal verileri bir elektronik tabloya aktarır ve bir üretken AI aracını kullanır. AI, ilgili yorumlar oluşturmak için geçmiş kazanç çağrılarından bağlam ve belirli içgörülerle beslenir.

AI aracı, muhtemel yatırımcı sorularını ve yanıtlarını içeren bir kazanç çağrısı senaryosu oluşturur. Analist, bu içeriği bir Word belgesine biçimlendirir, önemli yatırımcı sorularını vurgular ve yönetici incelemesi ve CFO'nun hazırlığı için hazırlar.

Arka ofis

4-Eski Sistemler İçin Kod Modernizasyonu

Bankalar hala 1970'lerden ve 80'lerden kalma COBOL ile yazılmış yazılımları çalıştırıyor. COBOL bilen geliştirici bulmak neredeyse imkansız, ancak bu yazılımlar kritik işlemleri yönetiyor ve kapatılamaz.

Üretken AI modelleri şunları yapabilir:

• COBOL, Fortran veya diğer eski dillerde eski kodu okuyabilir
• Python veya Java gibi modern dillere dönüştürebilir
• Aynı iş mantığını korurken performansı artırabilir
• Kodun aslında ne yaptığını açıklayan dokümantasyon oluşturabilir

Goldman Sachs, üretken AI'nın artık uygulama geliştirme ve geliştirme çabalarının merkezinde olduğunu doğruladı. Bir bankanın geliştiricileri, AI tarafından oluşturulan kodu doğrulayarak, dağıtımdan önce hataları yakalıyor, ancak AI ağır işi yapıyor.

Teknoloji maliyetleri, tipik bir bankanın giderlerinin yaklaşık %10'unu oluşturur. Geliştirmeyi hızlandırmak ve bakım maliyetlerini azaltmak doğrudan kârlılığı artırır.³

5-Uygulama modernizasyonu

Bankalar, eski yazılımlara güvenmekten kaçınmayı amaçlıyor ve sürekli olarak modernizasyon çabalarına yatırım yapıyor. Kurumsal GenAI modelleri, eski yazılım dillerinden modern dillere kodu dönüştürebilir, geliştiricilerin yeni yazılımı doğrulamasını sağlar ve önemli zaman tasarrufu sağlar.

Goldman Sachs çalışanları, üretken AI'nın uygulama geliştirme ve geliştirmenin güçlü bir yönü olduğunu doğruluyor.⁴

6-Otomatik Belge Oluşturma

Bankalar günlük olarak binlerce belge üretir: yatırım özetleri, kredi başvuruları, müşteri raporları ve düzenleyici başvurular. Bu belgeler şablonlardan çekilir, ancak bunları özelleştirmek zaman alır.

Üretken AI artık bunu yönetir:

• Basit istemlerden profesyonel belgeler oluşturur
• Çoklu sistemlerden ilgili verileri çeker
• Belge türüne ve alıcıya göre uygun biçimlendirme uygular
• Düzenleyici gereksinimlerle tutarlılığı sağlar

7-Finansal Tahmin ve Analiz

Üretken AI, karmaşık desenleri ve ilişkileri yakalamak için tarihsel finansal verilerden öğrenerek tahminleri iyileştirir. Belirli bankalar ve ekonomik bağlamlar için doğru şekilde ince ayar yapıldığında, bu modeller şunlar hakkında tahminler yapar:

• Varlık fiyat hareketleri
• Faiz oranı yörüngeleri
• Kredi temerrüt olasılıkları
• Piyasa oynaklığı
• Ekonomik gösterge trendleri

Anahtar ifade: "doğru şekilde ince ayar yapılmış". Hazır modeller halüsinasyon görür ve var olmayan desenlere dayalı olarak kendinden emin tahminler yapar. AI tahmininde başarılı olan bankalar, modelleri kendi özel verileri üzerinde eğitmeye ve çıktıları uzman yargısına karşı doğrulamaya büyük yatırım yapar.

8- Piyasa tahminleri

Büyük veri hacimlerini analiz ederek, üretken AI, hisse senedi fiyatları, faiz oranları ve ekonomik göstergeler dahil olmak üzere finansal tahminlerin doğruluğunu artırabilir.

Gerçek yaşam örneği

Bir Asya finansal kurumu, 2.000 analist ve kullanıcıya istemden rapora işlevsellik sağlamak için bir PoC çalıştırıyor.⁵

9-Finansal rapor oluşturma

Otomatik raporlama

Üretken AI, mevcut verilere dayanarak iyi yapılandırılmış, tutarlı ve bilgilendirici finansal raporlar otomatik olarak oluşturabilir. Bu raporlar şunları içerebilir:

• Bilançolar
• Gelir tabloları
• Nakit akışı tabloları

Bu otomasyon, raporlama sürecini basitleştirir, manuel çabayı azaltır ve tutarlılık, doğruluk ve zamanında rapor teslimini sağlar.

10- Senaryo tabanlı raporlama

AI, farklı düzenleyici senaryoları simüle edebilir ve finansal kurumların çeşitli koşullar altında tüm gerekli gereksinimlere uyum sağlamasına yardımcı olmak için raporlar oluşturabilir.

AI metin oluşturma kullanım alanlarını ve gerçek yaşam örneklerini öğrenin.

11-Dolandırıcılık tespiti

Üretken AI, dolandırıcı işlemlerin veya faaliyetlerin sentetik örneklerini oluşturarak finansal alanda dolandırıcılık tespiti için kullanılabilir. Bu oluşturulan örnekler, finansal verilerde meşru ve dolandırıcı desenleri tanımak ve ayırt etmek için makine öğrenimi algoritmalarını eğitmeye ve geliştirmeye yardımcı olabilir.

Dolandırıcılık desenlerine dair geliştirilmiş anlayış, bu modellerin şüpheli faaliyetleri daha doğru ve etkili bir şekilde tanımlamasını sağlar, bu da daha hızlı dolandırıcılık tespiti ve önlemeye yol açar. Üretken AI'yı dolandırıcılık tespit sistemlerine entegre ederek, finansal kurumlar şunları yapabilir:

• Operasyonlarının genel güvenliğini ve bütünlüğünü iyileştirmek
• Dolandırıcılık nedeniyle kayıpları en aza indirmek
• Tüketici güvenini korumak

Üretken AI yasal uygulamalarının dolandırıcı faaliyetlere karşı eylemler almasına nasıl yardımcı olabileceğini keşfedin.

Gerçek yaşam örneği

Mastercard, dolandırıcıların çalıntı ödeme kartı verilerini istismar etmesiyle, dolandırıcı işlemleri tespit etmek için daha hızlı ve daha doğru bir yola ihtiyaç duydu. Üretken AI kullanarak Mastercard, milyonlarca satıcı arasındaki işlem verilerini taradı, kartların tehlikeye girmesini tahmin etti ve tespit etti, bankaların bunları daha hızlı engellemesine ve dolandırıcılığı önlemesine yardımcı oldu.

Sonuçlar:

• Tehlikeye girmiş kartların tespit oranını iki katına çıkardı.
• Dolandırıcılık tespitinde yanlış pozitifleri %200'e kadar azalttı.
• Satıcı dolandırıcılık tespit hızını %300 artırdı.

12-Düzenleyici taleplerine yanıt verme

Yüksek derecede düzenlenmiş sektör oyuncuları olarak, bankalar düzenleyicilerden düzenli talepler alır.

Gerçek yaşam örneği

Bankalar, düzenleyicilerden gelen basit ve daha az kritik sorgulara yanıt vermek için LLM'leri kullanıp kullanamayacaklarını görmek için PoC'ler çalıştırıyor. ⁶

13-Portföy yönetimi

Dinamik portföy yönetimi

Üretken AI'nın bir başka finansal uygulaması portföy optimizasyonu olabilir. Tarihsel finansal verileri analiz ederek ve çeşitli yatırım senaryoları oluşturarak, üretken AI modelleri varlık yöneticilerinin ve yatırımcıların, şu faktörleri dikkate alarak optimal varlık ve servet yönetimini belirlemelerine yardımcı olabilir:

• Risk toleransı
• Beklenen getiriler
• Yatırım ufukları.

14-Özelleştirilmiş endeksler

Bu modeller, portföy performansına potansiyel etkileri daha iyi anlamak için farklı piyasa koşullarını, ekonomik ortamları ve olayları simüle edebilir. Bu, finansal profesyonellerin yatırım stratejilerini geliştirmesine ve ince ayar yapmasına, risk-ayarlanmış getirileri optimize etmesine ve portföylerini yönetme konusunda daha bilinçli kararlar vermesine olanak tanır. Bu, nihayetinde müşterileri veya kurumları için daha iyi finansal sonuçlara yol açar.

15-Risk yönetimi

Stres testi

Üretken AI, tarihsel verilerde gerçekleşmemiş aşırı piyasa koşullarını simüle edebilir, böylece finansal kurumların nadir ancak yüksek etkili olaylara daha iyi hazırlanmasını sağlar.

16-Kredi riski modellemesi

AI modelleri, kredi riski modellerinin sağlamlığını test etmek için sentetik borçlu profilleri oluşturabilir, kredi puanlama ve temerrüt tahminlerinin doğruluğunu artırabilir.

17-Anomali tespiti

Üretken AI modelleri, işlemlerin normal desenlerini anlamak ve aykırı değerleri veya anomalileri temsil eden veri noktaları oluşturmak üzere eğitilebilir. Bu, potansiyel dolandırıcı faaliyetleri veya para aklama gösterebilecek alışılmadık işlem desenlerini tanımlamaya yardımcı olur.

18-Eğitim için sentetik veri

Gerçek dolandırıcı işlemler nadir olduğundan, üretken AI, daha iyi tespit algoritmalarını eğitmeye yardımcı olmak için dolandırıcı faaliyetin sentetik örneklerini oluşturabilir.

19-Sentetik veri oluşturma

Müşteri finansal verileri, GDPR, CCPA ve diğer gizlilik yasaları kapsamında mülkiyet ve düzenlenmiştir. Bu sorunlar yaratır:

• Model eğitimi için üçüncü taraf satıcılarla veri paylaşamazsınız
• Üretim verilerini geliştirme/test ortamlarında kullanamazsınız
• Gizlilik ihlalleri riski olmadan araştırma yapamazsınız

Sentetik veri şunları sağlar:

• Müşteri bilgilerini ifşa etmeden makine öğrenimi modellerini eğitmek
• Gerçekçi veri hacimleriyle sistemleri stres testi yapmak
• Çeşitli müşteri segmentlerinde modelleri doğrulamak
• Entegrasyon testi için ortaklarla veri paylaşmak

Sentetik müşterilerin gerçekçi kredi skorları, işlem desenleri, gelir seviyeleri ve finansal davranışları vardır, ancak gerçek insanlar değillerdir, bu nedenle gizlilik ihlalleri gerçekleşmez.

Müşteri bilgileri finans ekipleri için mülkiyet verisi olduğundan, kullanımı ve düzenlemesi için zorluklar oluşturur. Üretken AI, finansal kurumlar tarafından GDPR ve CCPA gibi gizlilik düzenlemelerine uygun sentetik veri oluşturmak için kullanılabilir.

Sentetik veri oluşturma gerçek yaşam örneği

Morgan Stanley, veri güvenliğini koruyarak ve hataları en aza indirerek, gelişmiş AI araçları aracılığıyla servet yönetimi operasyonlarını optimize etme ve danışman-müşteri etkileşimlerini geliştirme zorluğuyla karşı karşıya kaldı.

Veri sentezleme için bir üretken AI platformu uygulamak üzere OpenAI ile ortaklık kurdular. Aracı 900 danışmanla pilot olarak test ettiler ve daha geniş bir yayılım planladılar.

AI aracı, danışmanların büyük veri hacimlerini verimli bir şekilde işleme yeteneğini geliştirdi. Morgan Stanley, AI hataları ve veri güvenliği sorunları gibi riskleri ele alırken platformu ölçeklendiriyor.⁷

20-Algoritmik ticaret ve yatırım stratejileri

21-Senaryo analizi

Bu modeller, tüccarların ve portföy yöneticilerinin farklı koşullar altında potansiyel riskleri ve getirileri anlamalarına yardımcı olmak için çeşitli piyasa senaryolarını simüle edebilir.

Dimension Market Research'a göre, ticarette üretken AI için küresel pazarın boyutu 2024'e kadar 208,3 milyon ABD Doları ve 2033'e kadar 1.705,1 milyon ABD Doları olması bekleniyor. 2024'te pazarın yıllık bileşik büyüme oranında (CAGR) %26,3 büyümesi bekleniyor.⁸

22-Ürün geliştirme

Özelleştirilmiş yatırım portföyleri

Üretken AI, bireysel yatırımcı profillerini, tercihlerini ve finansal hedefleri analiz ederek kişiselleştirilmiş yatırım portföyleri oluşturabilir. Bu, özellikle robo-danışmanlar ve servet yönetimi platformları için yararlıdır.

Özelleştirilmiş sigorta ürünleri

AI, bireysel risk profillerine dayalı olarak kişiselleştirilmiş sigorta ürünleri oluşturabilir, farklı müşteriler için benzersiz koşullar ve fiyatlandırma yapıları oluşturabilir.

23-Sigortalama ve fiyatlandırma

Dinamik fiyatlandırma modelleri

Üretken AI, sigortacıların ve kredi verenlerin yeni veriler, piyasa koşulları ve bireysel müşteri davranışlarına göre gerçek zamanlı olarak ayarlanan dinamik fiyatlandırma modelleri geliştirmesine yardımcı olabilir.

Risk değerlendirmesi

AI, sigorta altı yazanların potansiyel sonuçları değerlendirmesine ve uygun primler veya faiz oranları belirlemesine yardımcı olmak için farklı risk senaryoları oluşturabilir.

Ortak uygulamalar

24-Finansal soru cevaplama

İnsan dil kalıplarını anlama yeteneğinden ve tutarlı, bağlamsal olarak ilgili yanıtlar oluşturma yeteneğinden yararlanarak, üretken AI, kullanıcılar tarafından sorulan finansal sorulara doğru ve detaylı yanıtlar verebilir.

Bu modeller, şu konular dahil olmak üzere geniş bir yelpazedeki finansal sorgulara uygun bilgilerle yanıt vermek için finansal bilgi büyük veri setleri üzerinde eğitilebilir:

• Muhasebe ilkeleri
• Finansal oranlar
• Hisse senedi analizi
• Düzenleyici uyum

Örneğin, BloombergGPT, diğer üretken modellere kıyasla bazı finansla ilgili sorulara doğru yanıt verebilir.

İşiniz için ChatGPT'yi nasıl kullanacağınızı öğrenin.

25-Duygu analizi

Duygu analizi, NLP içindeki bir yaklaşım, metinleri, görselleri veya videoları negatif, pozitif veya nötr duygusal tonlara kategorize eder. Müşterilerin duyguları ve görüşleri hakkında içgörüler kazanarak, şirketler bu bulgulara dayanarak hizmetlerini veya ürünlerini geliştirmek için stratejiler geliştirebilir.

Finansal kurumlar, sosyal medya gönderileri, haber makaleleri, iletişim merkezi etkileşimleri veya diğer kaynaklar aracılığıyla marka itibarlarını ve müşteri memnuniyetlerini ölçmek için duygu analizinden yararlanabilir.

Örneğin, Bloomberg, duygu analizi, haber sınıflandırması ve bazı diğer finansal görevleri yapabilen ve başarıyla testleri geçen, finans için ince ayar yapılmış üretken modeli BloombergGPT'yi duyurdu.

Daha fazlasını öğrenmek için hisse senedi piyasası duygu analizi hakkındaki makalemize göz atın.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Finans sektöründe üretken AI zorlukları ve bunları aşmak için ipuçları

• Veri doğruluğu : Avrupa Merkez Bankası'nın belirttiği gibi, "AI veri işleme ve üretimini büyük ölçüde artırmasına rağmen, önemli veri kalitesi sorunlarına yatkın olabilir." Temel modelleri eğitmek için kullanılan önyargılı ve hatalı verilerin, daha fazla hata içeren çıktı üretme ihtimali vardır. Temel modellere veri beslerken, veri kalitesi ve doğruluğu kritik faktörlerdir.¹¹
• Modellerde Önyargı: AI modelleri, eğitim verilerinden önyargıları miras alabilir, bu da kredi puanlama veya yatırım tavsiyeleri gibi alanlarda haksız veya önyargılı kararlara yol açabilir.
  • Böyle AI önyargısını tespit etmek için, işletmeler sorumlu AI platformu benimseyebilir.
• Sınırlı genelleştirme: İşletmeler, ya hazır büyük dil modellerine güvenebilir ya da kullanım durumları için ince ayar LLM'ler yapabilir. Hazır modeller, doğru ince ayar yapılmadan, belirli, son derece uzmanlaşmış finansal bağlamlarda iyi performans göstermeyebilir, bu da hatalı veya alakasız çıktılara yol açabilir.
  • LLM'lerinizi daha iyi oluşturmak, test etmek, izlemek ve ince ayar yapmak için LLMOps araçlarını benimseyin.
• Halüsinasyonlar: Üretken AI, finansal alanda kararların hassas verilere dayandığı için, yanlış veya uydurma bilgiler üretebilir, bu da kötü yatırım tavsiyesine veya düzenleyici ihlallere yol açabilir.
  • Bu sorunu aşmak ve model doğruluğunu sağlamak için LLM güvenlik araçlarını ve çıkarımsal AI'yı uygulayın.
• Düzenlemeler: Finansal sektör yüksek derecede düzenlenmiştir ve AI, şeffaflık, hesap verebilirlik ve veri kullanımı konusunda katı standartlara uymalıdır, bu da gelişen yasal çerçevelere uyum sağlamayı zorlaştıran zorluklar yaratır.
  • AI yönetişim araçlarını dağıtın ve AI envanteri oluşturarak AI uyumunu sağlayın.
• Veri Güvenliği: Finansal veriler hassastır ve AI sistemlerinin bunları güvenli bir şekilde işlemesini, ihlalleri veya kötüye kullanımı önlemesini sağlamak, müşteri güvenini korumak ve düzenleyici cezalardan kaçınmak için kritiktir.¹²

10 büyük LLM riskini ve etkilerini keşfedin.

Üretken AI'ya harcamalar ve piyasa beklentileri

Kurumsal üretken AI yardımıyla üretilen finansal simülasyonlar ve tahminler, ticaret, portföy yönetimi ve finansal piyasalar için faydalıdır. Zaman tasarrufu, büyük veri setleri ve hesaplama gücü dahil olmak üzere birçok avantajına rağmen, arızalanabilir ve hassas verileri ifşa edebilir, güvenlik riskleri oluşturabilir. Bu zorluklar özellikle finans süreçlerini ve genel finans fonksiyonunu etkileyebilir.

• 2030 yılına kadar, bankacılık sektörünün üretken yapay zeka (AI) üzerine 84,99 milyar ABD doları harcaması ve %55,55'lik dikkat çekici bir yıllık bileşik büyüme oranıyla büyümesi bekleniyor.¹³

• J.P. Morgan'ın bu yıl üretken AI'ya 17 milyar dolar yatırım yapması, 2023'teki 15,5 milyar dolara göre %10 artışla bekleniyor. AI ve makine öğrenimi konusunda deneyimli profesyoneller, çeşitli iş dikeylerinde uygulamalar bulmak için bir görev gücü üzerinde çalışıyor.¹⁵
• McKinsey Global Institute (MGI)'ye göre, bankacılık sektöründe Gen AI kullanımı, yıllık 200 milyar dolardan 340 milyar dolara kadar değer katkısı veya toplam sektör gelirlerinin %2,8 ila %4,7'si ile sonuçlanabilir. Bu değer katkısı, öncelikle artan verimlilikten kaynaklanacaktır.¹⁶

Finansal sektörde otomasyon hakkında ek içgörüler için, Bankacılık ve Finansal Hizmetlerde Akıllı Otomasyon hakkındaki makalemizi keşfedin.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{En İyi 25 Üretken Yapay Zeka Finans Kullanım Alanı}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/generative-ai-finance}},
  note   = {AIMultiple. Erişim tarihi: 5 Temmuz 2026}
}

Referans Linkleri

1.

Generating User-Friendly Explanations for Loan Denials Using Generative Adversarial Networks.

2.

Generative AI in the Finance Function of the Future.

3.

What Generative AI Means For Banking

Forbes

4.

Goldman Sachs Deploys Its First Generative AI Tool Across the Firm - WSJ

The Wall Street Journal

5.

What Generative AI Means For Banking

Forbes

6.

What Generative AI Means For Banking

Forbes

7.

Case Study: Adoption of Generative AI in Wealth Management at Morgan Stanley - AIX | AI Expert Network

AIX

8.

Generative AI in Trading Market Is Expected To Reach a Revenue Of USD 1,705.1 Mn By 2033, at 26.3% CAGR | DMR.

9.

BloombergGPT: A Large Language Model for Finance

10.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

11.

The rise of artificial intelligence: benefits and risks for financial stability

12.

The Rise of Generative AI | J.P. Morgan Research

J.P. Morgan

13.

Banking sector gen AI spending worldwide 2023, with forecasts to 2030..

14.

Estimated value of the banking sector’s generative artificial intelligence (AI) spending worldwide in 2023, with forecasts from 2024 to 2030 (in billion U.S. dollars)

15.

Can investment management harness the power of AI? | J.P. Morgan Asset Management

16.

The future of AI in banking | McKinsey

McKinsey & Company

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. Cem'in çalışmaları, Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sena Sezer

Sektör Analisti

Takip Et

Sena, AIMultiple'da sektör analisti olarak çalışmaktadır. Boğaziçi Üniversitesi'nden lisans derecesini almıştır.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder