デジタル時代における持続可能で信頼性の高いビジネスインテリジェンスと金融意思決定のためのAI

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel multi-objective framework for sustainable and trustworthy AI, highlighting trade-offs between accuracy, energy, and fairness.

🏢実務担当者:Offers practical guidance on model selection for green finance applications, showing how to balance performance with sustainability and bias.

🏛政策担当者:Illustrates the need for regulations that consider both AI sustainability and fairness, providing evidence for informed policy-making.

現代のデジタル時代において、Business Intelligence（BI）と財務上の意思決定は、より高い効率性と正確な予測を提供するために、Artificial Intelligence（AI）への依存度を高めている。それにもかかわらず、高計算リソースを要するモデルの急速な普及は、アルゴリズムのバイアス、その不透明性、そして環境の持続可能性について深刻な疑問を提起している。本研究は、これらの問題を解決策を通じて提示するものであり、Data、Modeling、Evaluationの各レイヤーからなる新しい3層統合アーキテクチャを提案し、パフォーマンスと倫理的・生態学的価値のバランスを取ることを可能にする。本研究は、予測損失、エネルギー消費、人口統計学的バイアスの最小化を同時に考慮しない統合的フレームワークという従来の規範を打破するものであり、これら3つすべてを考慮する多目的最適化アプローチを提案する。ケーススタディであるGreen Finance Credit Auditを用いて、German CreditおよびStock Marketデータセットに基づき、このフレームワークを検証した。実験結果から、主要なトレードオフとして、Neural Networksが最高の精度（89.4%）とAUC-ROC（0.91）を示した一方で、最大のDemographic Parity Gapと、FLOPsおよびトレーニング時間の観点で最大のエネルギー消費も示したことが実証された。一方、最もバランスの取れた解決策はRandom ForestおよびLogistic Regressionモデルによって提供され、これらはより優れた説明可能性（SHAPスコア0.75〜0.80）と最小限のリソース使用量（83.7%〜86.1%という大幅な削減）を示した。本研究は、この持続可能で信頼性の高いパラダイムの実装が、金融業界における企業価値と規制上の責務の観点から、長期的な戦略的要件であるという結論に達した。本研究は、責任あるAIの利用を促進したいと考える実務者や政策立案者に実践的な情報を提供するものである。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

In the modern digital era, Business Intelligence (BI) and financial decision-making depend more on Artificial Intelligence (AI) to provide more efficiency and accurate predictions. Nonetheless, the fast uptake of high-compute models poses serious questions about the bias of the algorithms, their non-transparency, and the sustainability of the environment. This study presents these issues through a solution, the new three-layer unified architecture of Data, Modeling, and Evaluation layers that will allow balancing the performance and the ethical and ecological values. This study breaks the norm of integrative frameworks in which the minimization of prediction loss, energy consumption, and demographic bias are not considered simultaneously, since it proposes a multi-objective optimization approach that considers all three. A case study, Green Finance Credit Audit, was used to validate the framework based on the German Credit and Stock Market datasets. Experimental findings demonstrate that a major trade-off is that the Neural Networks had the best accuracy (89.4%) and AUC-ROC (0.91), but they also have the biggest Demographic Parity Gap, and the largest energy consumption in terms of FLOPs and training time. On the other hand, the most balanced solutions were given by the Random Forest and Logistic Regression models, as they had better explainability (SHAP scores of 0.75 -0.80) and minimal resource usage (reduced by a significant margin, 83.7% -86.1%). The study reaches a conclusion that implementing this sustainable and reliable paradigm is a long-term strategic requirement in terms of corporate value and regulatory discharge in the financial industry. The study offers practical information to practitioners and policymakers who would like to promote responsible use of AI.

• semanticscholar https://doi.org/10.1051/itmconf/20268601005first seen 2026-06-09 04:59:15 · last seen 2026-07-01 05:53:43