EY.ai 是安永（Ernst & Young，EY）推出的一个统一的人工智能平台，旨在帮助企业实现AI驱动的业务转型。该平台通过整合全面的生态系统和AI能力，提供以人为中心的解决方案，强调在战略、转型、风险管理、审计和税务等多个领域中实现人与AI的无缝协作。

EY.ai 致力于优化业务性能，丰富客户和员工体验，并解锁新的可持续增长来源。此外，EY.ai 还关注于快速且规模化地将AI技术嵌入到业务流程中，通过EY Fabric技术平台实现这一目标。EY.ai 遵循负责任和道德的AI原则，确保AI的应用能够为所有利益相关者创造价值。

EY的AI技术体系和能力主要包括：

1. EY Fabric平台：这是EY的全球基础技术平台，它整合了先进的AI能力、强大的数据策略、云超级计算器和高效的AI管理。EY Fabric确保负责任和道德的AI使用，并设定了新的行业标准。

2. 技术平台规模：作为EY技术战略的支柱，EY Fabric加速了道德AI解决方案的开发，并增强了客户业务转型的灵活性。它为AI转型的未来建立信心，帮助创造指数级价值，并增强人的潜力。

3. EY技术与AI的整合：EY在其所有服务中嵌入了领先的AI能力，利用EY Fabric的可重用技术和数据资产。页面介绍了一些使AI解决方案成为可能的EY技术产品，例如：

• EY智能工资聊天机器人：使用ChatGPT在Azure OpenAI上回答员工复杂的工资问题。

• EY Canvas AI：汇集了85,000名EY审计专业人员的集体知识，帮助审计团队提供有效的审计策略。

• EY Strategy Edge：一个商业智能平台，结合了生成性AI和EY行业经验，提供战略规划核心的成长、风险和韧性考虑的360度视角。

• EY.ai EYQ：一个安全的大语言模型（LLM），为EY团队提供生成性AI能力，支持从对话AI助手到产品开发的多种用例。

• EY.ai Workforce：结合了IBM WatsonX Orchestrate的AI和自动化以及EY在人力资源转型领域的组织知识，帮助组织创新其人力资源流程。

• 行业认可：EY因其AI解决方案和能力获得了行业领导者的认可，包括2023年机器学习与智能代理AI卓越奖、2023年国际商业奖、2022年AI技术奖等。

  
  

EY在官网上刊发一系列关于人工智能变革理念、AI能力建设、AI合规监管等深度报告和观点文章，本文重点分享其中七篇，推荐阅读：

---

~~~ #1 ~~~

安永：我们的人工智能观



原文链接：
https://www.ey.com/en_us/ai/platform/our-approach

本文为EY关于人工智能建设理念及其AI平台介绍：

1. 全面AI方法：EY强调采用负责任、以人为本的方法来实现AI的潜力，专注于为所有人创造价值。EY.ai平台结合了EY在战略、转型、风险、审计和税务方面的丰富经验，以及领先的技术平台和AI能力，通过跨技术、商业和学术的生态系统，建立信心、创造价值并增强潜力。

2. 建立对AI的信心：在快速变化的环境中，制定AI战略需要平衡的观点。EY通过EY.ai Confidence Index帮助塑造负责任的AI指导原则和框架，整合了围绕AI的伦理、社会和公共政策考虑。

3. 通过全面AI方法创造指数级价值：EY认为，为了在AI时代蓬勃发展，每个企业都需要重新思考其战略和运营，将人置于转型的中心。EY.ai成熟度模型帮助评估企业的AI采用情况，识别增长机会，并提供清晰的市场定位和伦理合规理解。

4. 增强人的潜力以实现非凡成果：EY相信，当AI能力增强人类智能时，其影响可能是非凡的。AI可以帮助创新工作角色，赋予员工新能力，并扩大集体智能。例如，EY智能工资聊天机器人与微软合作开发，旨在高效处理约50%的工资查询，提升客户人力资源团队的支持，从而现代化工资和员工关怀。

5. EY.ai平台：作为一个统一的平台，EY.ai整合了多学科经验、领先的AI能力和全面的生态系统，旨在建立信心、创造价值并增强潜力。

   
   

本文还强调了EY的核心价值观——诚信、尊重和道德，并承诺在AI的设计、部署和治理中采用负责任、以人为本的方法，以实现可持续增长并为更好的工作世界赋予人和社会力量。

---

~~~ #2 ~~~

四步成功实施大型语言模型



原文链接：
https://www.ey.com/en_us/tmt/strategy-consulting/four-steps-for-implementing-a-large-language-model-llm

EY提供了关于成功实施大型语言模型（LLM）的四步指南：


1. 定义LLM的应用场景：企业应首先确定适合使用LLM的具体应用场景，如低级客户支持、内容创作和文档分析。使用预训练的企业级LLM（如OpenAI的GPT-4）可以提高操作效率，简化多云管理、任务监控、故障排除、测试过程自动化和软件开发流程。

2. 评估AI准备情况：企业需要评估其AI和机器学习（ML）的准备程度，包括AI能力、数据和数据实践以及分析能力。这有助于确保企业在投资前已经准备好，并且能够成功实现项目目标。

3. 选择合适的托管架构：选择适合组织特定需求的架构涉及预处理、中间件和后处理三个关键层。这包括处理数据输入、API调用和输出后处理。

4. 评估成本、数据所有权选项和资源：LLM实施方法的选择会影响复杂性和成本，包括数据收集、摄取和清洗、数据科学家的雇佣以及生产中模型的维护。此外，企业需要考虑对专有数据的控制，这可能对产品差异化和特定业务用例至关重要。

   
   

报告还强调了EY-Parthenon在帮助企业制定和实施AI战略方面的作用，以及在实施LLM时考虑的伦理AI实践、数据所有权和合规性的重要性。最后，报告总结了采用全面框架来评估准备情况和潜在问题，可以帮助企业克服实施挑战。

---

~~~ #3 ~~~

转型势在必行：财富和资产管理领域的生成式AI应用



原文链接：
https://www.ey.com/en_us/financial-services/generative-ai-transforming-wealth-and-asset-management

EY提供的关于在财富和资产管理领域实施生成式人工智能（GenAI）转型的报告，内容要点如下：

1. GenAI的应用前景：金融服务组织已经将AI整合到核心运营中，但大型和复杂非结构化信息的用例成熟度仍在发展。GenAI作为AI应用的新宠，承诺在执行非结构化内容的信息搜索、检索和综合任务以及内容生成方面提供卓越性能。

2. GenAI的影响领域：服务运营、销售和营销、法律和风险以及技术是将受到GenAI影响的主要领域。通过优化运营流程和效率改进（包括软件开发）的用例，公司可以实现早期回报，而个性化用户参与和改善客户自助服务体验将带来显著的价值创造。

3. GenAI在财富和资产管理中的机遇：在一项由EY金融服务实践部门于2023年8月进行的调查中，收入超过20亿美元的财富和资产管理公司的高管或董事总经理被要求评估GenAI对他们组织影响最大的三个领域。客户指出了价值链中的用例，其中alpha生成和财务建议位居首位，其次是客户入职、营销和投资运营。后台运营排名第三。

4. 实施GenAI的关键领域：为了成功利用GenAI的价值，组织必须关注以下关键领域：业务启用和运营策略、基础设施和技术、风险和治理、数据、卓越中心（COE）/AI实验室以及人员和培训。

5. GenAI的实施挑战：财富和资产管理公司在高度监管的领域运营，需要谨慎部署这项新技术。他们需要考虑的问题包括组织潜在风险，如过早过广地应用GenAI，以及构建和运营这些解决方案的成本。

6. EY的帮助：EY提供技术前瞻性的金融服务解决方案，帮助客户利用转型的力量。EY的咨询服务采用以人为本、务实、结果导向和伦理的方法来采用AI和智能自动化。

   
   

报告总结指出，尽管许多财富和资产管理公司已经将AI整合到核心运营中，但GenAI的用例成熟度仍在发展。为了在规模上采用GenAI，金融机构需要采取综合的企业范围方法。

---

~~~ #4 ~~~

如何驾驭人工智能监管的全球趋势



原文链接：
https://www.ey.com/en_us/ai/how-to-navigate-global-trends-in-artificial-intelligence-regulation

EY关于全球人工智能监管趋势的报告，主要内容总结如下：

1. AI监管的必要性：随着生成式人工智能的能力加速发展，包括大型语言模型（LLM）在内的AI系统，以及使用实时地理位置数据、面部识别和高级认知处理的系统，已经将AI监管推到了政策制定者的议程前列。

2. 全球AI监管现状：不同国家和地区对AI的监管态度和方法各异。例如，欧洲一些成员国希望放宽警察使用面部识别技术的限制，而欧盟议会则希望在AI法案中施加严格限制。印度最初反对AI监管，但后来宣布计划对AI平台如ChatGPT进行监管。

3. AI的积极影响：AI正在改变多个行业，从金融和制造业到农业和医疗保健，通过提高运营效率和重塑工作性质。AI还帮助政府以更低的成本为公民提供更好的服务。

4. AI的风险：GenAI的风险和意外后果也是真实的。例如，文本生成引擎可能被滥用，语音模仿软件可能足以欺骗银行、工作场所或朋友，聊天机器人可能在测试中作弊，AI平台可能加剧和延续历史偏见，损害个人权利，威胁数据安全，产生错误信息，破坏金融系统，造成全球性混乱。

5. 监管框架：立法者、监管者和标准制定者开始开发框架，以最大化AI对社会的益处，同时减轻其风险。这些框架需要具有弹性、透明度和公平性。

6. 监管趋势：EY分析了八个司法管辖区（加拿大、中国、欧盟、日本、韩国、新加坡、英国和美国）的监管方法，发现了五个统一的领域：核心原则、基于风险的方法、行业通用和特定行业规则、政策一致性、私营部门合作。

7. 政策制定者的考虑因素：在AI政策制定中，需要考虑的因素包括确保监管者具备足够的专业知识，确保政策清晰，以及考虑第三方供应商在AI相关产品和服务中的风险管理政策和合规责任。

8. 公司行动建议：公司领导者应理解AI规则的核心原则，建立强大的治理和风险管理结构，与公共部门官员进行对话以更好地理解不断变化的监管环境。

   
   

报告总结指出，随着GenAI开始改变行业，全球政策制定者正在制定旨在优化技术机会同时减轻风险的立法。

---

~~~ #5 ~~~

如何向人工智能灌输信任的价值？



原文链接：
https://www.ey.com/en_us/digital/how-do-you-teach-ai-the-value-of-trust

本文是关于如何在人工智能中嵌入信任价值的文章，主要观点如下：


1. AI的变革潜力与风险：AI技术的发展迅速，但随之而来的是组织治理和控制的挑战。没有健全的治理和伦理框架，使用AI可能带来严重的运营风险，包括数据技术故障、故意或意外篡改，以及采纳人类偏见等。

2. 建立信任的必要性：组织内部领导者需要对AI系统的可靠性和数据的信任。同时，组织也需要与外部利益相关者建立信任，例如客户、供应商和合作伙伴，他们需要了解与AI互动的情况、使用的数据类型及其目的，并确保AI系统不会未经明确和知情同意收集、保留或披露他们的机密信息。

3. AI治理和伦理标准：为了获得用户（无论是内部还是外部）的接受，AI系统必须是可理解的，即其决策框架可以被解释和验证。同时，AI系统必须在不断演变的威胁面前保持坚决的安全。

4. AI风险评估：报告提出了四个条件来评估AI项目的风险暴露：伦理、社会责任、问责和“可解释性”、可靠性。

5. 全面看待AI风险：为了真正实现和维持对AI的信任，组织必须理解、治理、微调和保护AI系统内嵌的所有组件。这包括数据源、传感器、固件、软件、硬件、用户界面、网络以及人类操作员和用户。

6. 管理风险和建立信任的策略：报告提出了一些领先的策略，包括建立AI伦理委员会、制定AI设计标准、进行AI算法清单和影响评估、使用验证工具、提供意识培训和进行独立审计。

   
   

文末总结指出，AI的潜力巨大，但风险也同样显著。那些从一开始就在AI中嵌入信任原则的组织，更有可能获得AI的最大回报。

---

~~~ #6 ~~~

安永就以道德和负责任的方式开发和使用AI的承诺



原文链接：
https://www.ey.com/en_us/ai/principles-for-ethical-and-responsible-ai

EY承诺遵循伦理和负责任的AI原则，这些原则包括：

1. 问责制：在AI系统的整个生命周期中，对其影响和产生的输出有明确的所有权。

2. 数据保护：在AI系统中使用数据应符合允许的权利，保持商业和个人信息的机密性，并反映伦理规范。

3. 可靠性：AI系统应与利益相关者的期望一致，并持续在期望的精确度和一致性水平上表现。

4. 安全性：AI系统、其输入和输出数据应受到未授权访问的保护，并能抵御腐败和对抗性攻击。

5. 透明度：提供适当级别的披露，以便利益相关者（包括最终用户）能够理解、评估和正确使用AI系统及其输出。

6. 可解释性：提供适当级别的解释，以便人类操作员能够合理理解、质疑和验证AI系统的决策标准和输出。

7. 公平性：评估所有受影响利益相关者的需求，以促进积极和包容的社会影响。

8. 合规性：确保AI系统及其输出的设计、实施和使用符合相关法律、法规和专业标准。

9. 可持续性：在整个AI生命周期中考虑技术影响，以促进物理、社会、经济和地球福祉。

   
   

EY通过其EY.ai平台，结合领先的AI能力和全面的生态系统，致力于建立信心、创造价值和增强潜力。

---

~~~ #7 ~~~

AI在软件测试中的进化如何成为一场革命



原文链接：
https://www.ey.com/en_us/financial-services/ai-in-testing-from-evolution-to-revolution

本文为EY关于人工智能在软件测试中从演变到革命的观点，主要内容概括如下：

1. AI在软件测试中的潜力：AI有潜力从根本上改变软件测试。目前，AI主要用于加速和改进现有流程，使测试人员能够更快、更高效地完成任务。

2. AI在测试中的当前状态：尽管AI在软件测试中的应用还相对有限，但它已经开始在一些低风险的用例中发挥作用，例如使用自然语言处理（NLP）进行自由文本测试设计。

3. AI实施的障碍：信任、业务知识的细微差别以及工程和支持是提升AI在测试中应用的主要障碍。AI模型可能会因为训练数据不足、有偏见或过于专业化而产生不准确的输出。

4. 未来的机遇：随着AI成熟度的提高，其在测试中的作用将变得更加突出、自主、集成和有影响力。AI将从辅助人类工作转变为自主工作，释放测试人员从事更有价值的测试任务。

5. 现在可以采取的措施：组织现在可以准备迎接未来的重大进步。报告建议使用开源或云技术来加速AI在测试中的应用，并避免技术债务。

   
   

报告总结指出，AI在软件测试领域显示出巨大的潜力。虽然目前的应用还有限，但在未来几年内，AI可能会从根本上改变测试，最终加快产品发布的速度。为了有效地在测试中采用AI，组织现在就应该准备数据和流程，以免在未来技术发展时落后。




~~~ END ~~~