Cyfryzacja to nie tylko kontynuacja status quo na wyższym poziomie technologicznym, ale również zmiana reguł konkurencyjności gospodarczej praktycznie we wszystkich sektorach gospodarki, w tym finansowym. Cyfrowa transformacja biznesowa to proces wykorzystujący technologie cyfrowe do wzmocnienia zdolności firmy w celu konstruowania nowych efektywnych modeli biznesowych. Możliwości zastosowania sztucznej inteligencji w przedsiębiorstwach większości branż zyskały duże zainteresowanie w światowych badaniach. Realizują je przede wszystkim znaczące ośrodki naukowe oraz firmy konsultingowe. Wg ekspertów z grupy Gartnera aż 87% menedżerów wyższego szczebla jest przekonanych, że cyfryzacja jest priorytetem, a 79% strategów korporacyjnych uważa, że cyfryzacja na nowo definiuje działalność przedsiębiorstw, tworząc dodatkowe możliwości generowania zysków. Celem pracy jest scharakteryzowanie kierunków rozwoju systemów finansowych, wspierających inteligentne miasta i ekologiczną gospodarkę, w zakresie wykorzystania nowoczesnych technologii informatycznych, opartych na Internecie Rzeczy i głębokich sztucznych sieciach neuronowych. Zdaniem Autorki wykorzystanie najnowszych osiągnięć sztucznej inteligencji w systemach finansowych, a w szczególności do rozwoju elektronicznych form rozliczeń, stanowi ogromny potencjał umożliwiający uniknięcie głębokiego kryzysu w związku z negatywnymi skutkami długotrwałej pandemii w gospodarce. Warto podkreślić, że istnieje luka w literaturze przedmiotu w tym zakresie, gdyż nie ma jasnych pomysłów, jak skutecznie wykorzystać sztuczną inteligencję w chmurze obliczeniowej do efektywnego wspomagania systemów finansowych w smaty city przy uwzględnieniu zrównoważonego rozwoju gospodarczego. Z powyższych względów w artykule rozważa się strategię, jak należy zwiększyć rolę zintegrowanego systemu finansowego w inteligentnym mieście. Ponadto charakteryzuje się Internet Rzeczy w odniesieniu do zarządzania krytycznymi zasobami miasta. Po omówieniu inwestycji finansowych w ekologiczne i inteligentne technologie scharakteryzowano zagadnienia związane z głębokimi sieciami neuronowymi do predykcji i klasyfikacji w systemach finansowych. Przedstawiono również rozważania dotyczące szczególnego przypadku architektury głębokiego uczenia opartej na sztucznych sieciach neuronowych (ANN). Rekurencyjne ANN klasy LSTM zweryfikowano pod kątem inwestycji finansowych na giełdzie. Na zakończenie przedstawiono wnioski i planowane przyszłe prace. (abstrakt oryginalny)