عصر الحلول المالية القائمة على التعلم الآلي: عصر جديد في التكنولوجيا المالية

في حديثي الأخير عن اندماج الذكاء الاصطناعي (الذكاء الاصطناعي) و التعلُّم الآلي في قطاع التمويل، كان لي شرف توجيه الحوار بأسئلة محددة. أدار الحوار سيباستيان نيهاوس، وهو مهندس Machine Learning متخصص في Finance الكمي و CTO في سيكاسا تكنولوجيز . وقدمت خبرة سيباستيان الواسعة رؤى مستنيرة حول التكافل المتزايد بين الذكاء الاصطناعي و التكنولوجيا المالية .

خلال دردشة CTO، تعمقنا أنا وسيباستيان في عالم الذكاء الاصطناعي والتمويل. وعلى الرغم من المسافة التي تفصلنا عن بعضنا البعض بأميال، فقد تدفقت المحادثة دون عناء!

السوق المزايا.

Finance هو كل ما يتعلق بتحليل البيانات ومعالجتها. بغض النظر عما إذا كنا نتحدث عن مقدمي خدمات الدفع أو شركات الاستثمار أو البنوك أو صناع السوق. يقوم كل مشارك في السوق، مهما كان صغيرًا، بإجراء تحليلات بالبيانات الموجودة، ربما ليس باستخدام خوارزميات خيالية ولكن بأشكال أخرى من التحليل.

لكن المشكلة في البيانات هي أن نقاط البيانات المستقلة عادةً ما تكون عديمة الفائدة، ولا تصبح مثيرة للاهتمام إلا عند إضافة السياق. يمكن إضافة هذا السياق من خلال مقارنة بيانات الحالة الحالية بالحالات المماثلة أو إضافة المزيد من البيانات ذات الصلة وغير ذات الصلة. يمكن أن يكون هذا على سبيل المثال دمج الأسواق الأخرى أو البيانات البيئية في قرارات الاستثمار أو مجموعة أوسع من المعاملات في الكشف عن الاحتيال.

جاكوب: بالنظر من وجهة النظر هذه - ما هو الذكاء الاصطناعي والتعلم الآلي بشكل عام؟

سيباستيان: الذكاء الاصطناعي هو تطوير أنظمة حوسبة قادرة على أداء المهام التي تتطلب عادةً ذكاءً بشريًا، مثل التعلم والاستدلال وحل المشكلات واتخاذ القرارات.

Machine Learning هي مجموعة فرعية من الذكاء الاصطناعي تركز على خوارزميات التدريب لتعلم الأنماط وإجراء تنبؤات من البيانات الاسترجاعية لإنجاز مهمة محددة. وبالتالي، فهي تكشف عن أنماط وآليات لأتمتة المهام أو توليد معرفة جديدة عنها.

أصبحت أساليب الذكاء الاصطناعي أو أساليب التعلم الآلي شائعة إلى هذا الحد خلال السنوات القليلة الماضية لأنها قادرة على معالجة كمية كبيرة من ميزات البيانات المختلفة. وهذا فرق كبير عن النماذج الإحصائية الكلاسيكية التي نستخدمها في مجال التمويل منذ الثمانينيات.

جاكوب: هذه رؤية مثيرة للاهتمام! إذن، ما هي فوائد التعلم الآلي بالنسبة إلى شركات FinTech?

سيباستيان في جملة واحدة: إنهم يستخدمون إمكاناتهم الكاملة!

FinTechs هم منتجو بيانات بحتة وعليهم التعامل مع كميات كبيرة من البيانات المالية والبديلة. ومن هذه البيانات، يمكنهم اكتشاف إمكانات جديدة للأعمال، وتأمين العمليات الحالية، وجعل قراراتهم أكثر شفافية وتحسين جودة قراراتهم.

حتى إذا كانت العمليات أو عمليات اتخاذ القرار بشكل خاص محددة بوضوح وتعمل بشكل جيد، فمن المنطقي في كثير من الأحيان إضافة خوارزميات التعلم الآلي لتوفير وجهة نظر ثانية وتقليل الخطأ الذاتي من قبل البشر. وهذا يمكن، على سبيل المثال، أن يمنع شركات الاستثمار من القيام باستثمارات فومو.

جاكوب: ما هو الدافع وحالة العمل لدمج الذكاء الاصطناعي؟

سيباستيان: غالبًا ما يتعلق الأمر بتأمين المزايا التنافسية، أو تحسين العمليات، أو مجرد الإجابة على أسئلة محددة. بالإضافة إلى ذلك، هناك أيضًا موضوعات مثل الجدوى المستقبلية - وهي مشكلة بالنسبة للشركات المالية الراسخة جدًا، على سبيل المثال. غالبًا ما لا تعرف هذه الشركات ما هي الإمكانات الكامنة في بياناتها وتأتي بطلب بسيط: "نود تجربة ما يمكن تحسينه باستخدام Machine Learning في شركتنا"

دعني أجعل الإجابة أكثر واقعية من خلال بعض الأمثلة:

• في صناديق الاستثمار، غالبًا ما يكون هناك دافع لتزويد المستثمرين بمزيد من الأمان، وبالتالي، بالطبع، لتطوير ميزة تنافسية. على سبيل المثال، في نهج الاستثمار في القيمة، يمكن أن يكون ذلك بإضافة نموذج للتعلم الآلي كمثال تحكم إضافي
• في حالة التحليلات في استشارات الاندماج والاستحواذ، على سبيل المثال، يمكن أن تأخذ التوقعات في الاعتبار المزيد من العوامل المؤثرة بشكل كبير وبالتالي تزود المشتري بمزيد من المعلومات حول الهدف المحتمل.

يمكنني الاستمرار في هذه القائمة إلى الأبد:

• علاوةً على ذلك، يمكن أن تؤدي الأتمتة التي تعتمد على الذكاء الاصطناعي إلى خفض تكاليف العمالة وزيادة الإنتاجية، مما يؤدي إلى توفير كبير في التكاليف بالنسبة للشركات.
• سيؤدي دمج تعلّم الآلة في تقدمك إلى تعزيز الكفاءة. يمكن لأدوات تعلّم الآلة أتمتة المهام المتكررة والمستهلكة للوقت، بحيث يمكن للموظفين التركيز بشكل أكبر على المهام المهمة وذات القيمة المضافة.
• محسّنة تطوير المنتجات / تحسين هيكلة المحفظة الاستثمارية
• قابلية التوسع (يمكن للأدوات المدعومة بالذكاء الاصطناعي التعامل مع كميات كبيرة من البيانات والمهام دون تدخل بشري)
• الميزة التنافسية (يمكن أن تؤدي أدوات الذكاء الاصطناعي إلى منتجات مبتكرة)
  إدارة المخاطر
• تجربة العملاء الشخصية / دعم العملاء المحسّن/ دعم العملاء المحسّن
  التحليلات التنبؤية

جاكوب: دعنا نتوسع أكثر في هذا الموضوع - ما هي بعض حالات الاستخدام الشائعة؟

سيباستيان: بعض من أكثرها استخدامًا هي:

• تحديد العملاء الجدد
• تجربة عملاء مخصصة للعملاء
• أتمتة خدمة العملاء: تحديد مخاطر تعثر الائتمان / تقييم مخاطر الائتمان
• الكشف عن الاحتيال
• الامتثال التنظيمي
• تحديد الإشارات لأسعار أسواق الأسهم والفوركس والسلع
• توقعات الأسعار
• تحديد مخاطر السوق
• اختبارات الإجهاد
• تحسين المحفظة الاستثمارية

جاكوب: كيف يمكن دمج التعلم الآلي في FinTechs؟

سيباستيان: من المهم البدء بدراسة حالة العمل والعمليات الحالية. ويبدو هذا واضحا، ولكن من الشائع أن هذه النقطة لا تحظى بالتقدير الكافي وغالبا ما يتم إغفالها.

• تحديد حالة الاستخدام/حالة العمل
• التحقق من العمليات الحالية وتحديد الأهداف ذات الصلة
• تحديد البيانات ذات الصلة والمتاحة والمطلوبة
• جمع البيانات والمعالجة المسبقة
• إعداد النموذج والبنية التحتية
• اختيار النموذج
• هندسة الميزات
• التدريب النموذجي
• تقييم النموذج
• النشر
• تصميم التقرير/المخرجات
• إعداد التقارير
• تفسير النتائج
• المراقبة والصيانة المستمرة

جاكوب: بالنظر إلى تجربتك - ما مدى صعوبة دمج التعلم الآلي في عمليات شركات FinTech؟

سيباستيان:

• يعتمد كل ذلك على توافر البيانات وجودتها.
• هناك حاجة إلى بنية تحتية قوية لتكنولوجيا المعلومات وقوة حوسبة قوية.
• الموارد البشرية ذات الخبرة والمعرفة المناسبة في المجال المناسب
• يجب مراعاة خصوصية البيانات وأمنها في أي وقت.
• قد يؤدي دمج تعلّم الآلة في عمليات معينة إلى إجراء التحديثات اللازمة في العملية الحالية.
• قد يكون من الصعب فهم النتائج والتفسير الصحيح لها.
• يجب اختبار النماذج وفحصها باستمرار.
• المراقبة والصيانة المستمرة.

قد يبدو هذا كثيراً، ولكن يمكن توحيد العديد من هذه المهام وأتمتتها. وبمجرد دمجها، تفوق الفوائد بسرعة الجهد المبذول.

جاكوب: ما ذكرته سابقاً يطرح سؤالاً - ما مدى قدرة نماذج التعلم الآلي على التكيف مع البيئات المتغيرة؟

سيباستيان: نماذج التعلم الآلي قابلة للتكيف بشكل كبير ويجب أن تكون قادرة على الاستجابة بسرعة للبيئات المتغيرة. ويمكن تكييفها مع البيئات المتغيرة من خلال تقنيات مثل إعادة التدريب على البيانات المحدثة والتعلم التحويلي والمراقبة المستمرة. وهذا يضمن بقاء أداء نماذج التعلم الآلي ملائمة ودقيقة مع مرور الوقت.

مثال على ذلك: بالنسبة للشركات التجارية.

يمكن أن تتغير إشارات التداول في الفوركس أو السلع على سبيل المثال من خلال التغيرات في سلوك المشاركين الآخرين في السوق. يمكننا أن نرى هذا على سبيل المثال من خلال ظهور تطبيقات التداول، ولكن أيضًا من خلال الأحداث الأكثر تقدمًا.

لهذا السبب، يجب على الشركات التي تعمل بالفعل باستخدام الأساليب الكمية أن تفكر دائمًا في تحديث خوارزمياتها وتضمينها أفكارًا جديدة.

جاكوب: سيباستيان شكرًا لك على المحادثة الثاقبة. نحن متحمسون لرؤية المزيد من النمو والابتكار في هذا المجال!

سيباستيان: من دواعي سروري يا جاكوب. أقدر هذه المنصة لأنها أتاحت لنا مناقشة التقدم المثير في مجالنا وأهميته في المشهد الرقمي المتغير باستمرار.