Aldur fjármálalausna knúinna af vélanám: Nýtt tímabil í fintech

Í nýlegri umræðu minni um samruna gervigreind (Gervigreind) og vélanám í fjármál geira, hafði ég þann heiður að leiða samræðuna með beinum spurningum. Leiðbeinandi djúpu greiningar okkar var Sebastian Niehaus, a Machine Learning verkfræðingur sérhæfir sig í magnbundinni Finance og the CTO við SEKASA Tækni . Víðtæk sérfræðiþekking Sebastians veitti upplýsandi innsýn í vaxandi samlífi Gervigreind og fjártækni .

Í spjalli okkar á CTO könnuðum við Sebastian heim gervigreindar og fjármála. Þrátt fyrir að vera ljósárum á milli rann samtalið hnökralaust!

okkurHlekkur Af hverju ætti fjármálafyrirtæki að íhuga að innleiða gervigreind í daglega starfsemi sína?hár

Sebastian: Einfaldlega sagt gerir það kleift að greina mikla magni af gögn sem ekki er hægt að greina á annan hátt, og þannig skapa verulegt markaður kostir.

Finance snýst allt um að greina og vinna úr gögnum. Hvort sem um er að ræða greiðsluveitendur, fjárfestingarfyrirtæki, bankar eða markaðsgerendur. Allir markaðsaðilar, sama hversu smáir, framkvæma greiningar með tiltækum gögnum, kannski ekki með flóknum reikniritum en með öðrum greiningaraðferðum.

Vandamálið með gögn er hins vegar að sjálfstæðir gagnapunktar eru yfirleitt gagnslausir; þeir verða aðeins áhugaverðir þegar samhengi er bætt við. Þetta samhengi má bæta með því að bera gögn núverandi máls saman við svipuð mál eða bæta við tengdum og ótengdum gögnum. Þetta gæti til dæmis falið í sér samþættingu gagna úr öðrum mörkuðum eða umhverfisgagna í fjárfestingarákvörðunum, eða víðtækara úrval viðskipta í greiningu svika.

Jakub: Séð frá þessu sjónarhorni – hvað eru gervigreind og vélanám almennt?

SebastianGervigreind (AI) er þróun tölvukerfa sem geta sinnt verkefnum sem venjulega krefjast mannlegrar greindar, svo sem lærdóms, rökhugsunar, lausnar vandamála og ákvarðanatöku.

Machine Learning er undirsett gervigreind sem beinist að þjálfun reiknirit til að læra mynstur og spá fyrir um úr afturvirkum gögnum til að uppfylla tiltekið verkefni. Þannig afhjúpar hún mynstur og ferla til að sjálfvirknivæða verkefni eða skapar nýja þekkingu um þau.

AI eða vélanámstækni hefur orðið svo vinsæl á undanförnum árum vegna þess að hún getur unnið úr miklu magni mismunandi gagnaupplýsinga. Þetta er mikill munur frá hinum hefðbundnu tölfræðilegu líkönum sem við höfum notað í fjármálum síðan á áttunda áratugnum.

Jakub: Þetta er áhugaverð innsýn! Svo, hvaða ávinning hefur vélanám fyrir FinTech fyrirtæki?

Sebastian: Í einu setningu: Þeir eru að nýta alla sína möguleika!

FinTechs eru hreinir gagnframleiðendur og þurfa að vinna með mikla fjármálagögn og önnur óhefðbundin gögn. Úr þessum gögnum geta þeir uppgötvað ný viðskiptatækifæri, tryggt núverandi ferla, gert ákvarðanir sínar gagnsærri og bætt gæði ákvarðana sinna.

Jafnvel þótt ferlar, eða sérstaklega ákvarðanatökuferlar, séu skýrt skilgreindir og virki vel, er oft skynsamlegt að bæta við vélanámstilgreiningum til að veita aðra sýn og draga úr huglægum mistökum manna. Þetta gæti til dæmis komið í veg fyrir að fjárfestingafyrirtæki geri FOMO-fjárfestingar.

Jakub: Hver er hvatinn og viðskiptarök fyrir innleiðingu gervigreindar?

SebastianÞað snýst oft um að tryggja samkeppnisforskot, ferlastjórnun eða einfaldlega að svara tilteknum spurningum. Auk þess eru einnig málefni eins og framtíðarhæfni – sem er til dæmis vandamál fyrir mjög rótgróin fjármálafyrirtæki. Þessi fyrirtæki vita oft ekki einu sinni hvaða möguleikar felast í gögnum þeirra og koma með einfaldri beiðni: “Við viljum prófa hvað hægt er að bæta með Machine Learning í fyrirtækinu okkar.”

Láttu mig gera svarið áþreifanlegra með nokkrum dæmum:

• Í fjárfestingarsjóðum er oft hvati til að veita fjárfestum meiri öryggi og þar með, auðvitað, byggja upp samkeppnisforskot. Til dæmis, í virðisfjárfestingarstefnu, má bæta vélanámgerð sem viðbótarstjórnunareiningu.
• Í greiningum í samruna- og yfirtökuráðgjöf er hægt, til dæmis, að taka tillit til mun fleiri áhrifavalda og þannig veita kaupandanum meiri upplýsingar um hugsanlegt markmið.

Ég get haldið þessum lista áfram að eilífu:

• Vélanotkun knúin áfram af gervigreind getur ennfremur leitt til lægri launakostnaðar og aukinnar framleiðni, sem skilar verulegum kostnaðarsparnaði fyrir fyrirtæki.
• Að samþætta ML í framvindu þína mun leiða til aukinnar skilvirkni. ML-verkfæri geta sjálfvirknivætt endurteknar og tímafrekar aðgerðir, svo starfsfólk geti einbeitt sér meira að mikilvægum og virðisaukandi verkefnum.
• Bætt Vörþróun / Bætt uppbygging eignasafns
• Stigstærð (Tækifæri sem knúin eru af gervigreind geta meðhöndlað mikið magn gagna og verkefna án mannlegrar íhlutunar)
• Samkeppnisforskot (gervigreindartól geta leitt til nýstárlegra vara)
  Áhættustjórnun
• Sérsniðin viðskiptavinat upplifun / Bætt viðskiptavinaþjónusta
  Spágreining

Jakub: Skulum fjalla nánar um þetta efni – hvaða algengustu notkunartilvik eru?

Sebastian: Sumir af þeim mest notuðu eru:

• Að finna nýja viðskiptavini
• Sérsniðin viðskiptavinaupplifun
• Þjónusta við viðskiptavini Virkjun: Greining á áhættu misheppnaðra lánveitinga / Mat á lánshættu
• Svikagreining
• Reglugerðaruppfylling
• Merki- og auðkenningarkerfi fyrir hlutabréfamarkaðsverð, gjaldeyrismarkað og hrávörur.
• Verðspár
• Að greina markaðsáhættu
• Álagsprófanir
• Fjármálapakkahagkvæmni

Jakub: Hvernig er hægt að samþætta vélanám í FinTechs?

SebastianÞað er mikilvægt að byrja á viðskiptagrundvelli og núverandi ferlum. Þetta virðist sjálfsagt, en algengt er að þessi þáttur sé algjörlega vanmetinn og oft hunsaður.

• Skilgreindu notkunartilvik / viðskiptatilvik
• Skoða núverandi ferla og setja viðeigandi markmið
• Skilgreindu viðeigandi, tiltæk og nauðsynleg gögn
• Gagnaöflun og forvinnsla
• Uppsetning líkans og innviða
• Val á líkani
• Eiginleikafræðing
• Líkansþjálfun
• Módelmat
• Uppsetning
• Skýrslu-/útgáfuhönnun
• Skýrslugerð
• Túlkun niðurstaðna
• Samfelld eftirlit og viðhald

Jakub: Miðað við reynslu þína – hversu erfitt er að samþætta vélanám í ferla fyrirtækja sem starfa samkvæmt FinTech?

Sebastian:

• Allt byggir á aðgengi og gæðum gagna.
• Traust upplýsingatækninnviðir og reiknigeta eru nauðsynleg.
• Mannauður með rétt sérfræðiþekkingarsvið og þekkingu
• Gagnavernd og öryggi þarf að hafa í huga hvenær sem er.
• Að samþætta ML í tilteknar ferla getur leitt til nauðsynlegra uppfærslna í núverandi ferli.
• Að skilja niðurstöðurnar og túlka þær rétt getur verið erfitt.
• Líkön þarf að prófa og athuga stöðugt.
• Samfelld eftirlit og viðhald.

Þetta kann að hljóma mikið, en mörg þessara verkefna er hægt að staðla og sjálfvirknivæða. Og þegar þau hafa verið samþætt vegur ávinningurinn fljótt þyngra en fyrirhöfnin.

Jakub: Það sem þú nefndir áðan kallar á spurningu – hversu aðlögunarhæf eru vélnámslíkön við breytileg umhverfi?

SebastianVélarnámslíkön eru mjög aðlögunarhæf og verða að geta brugðist hratt við breytilegum aðstæðum. Þau má aðlaga að breytilegum aðstæðum með aðferðum eins og endurþjálfun á uppfærðum gögnum, flutningsnámi og stöðugu eftirliti. Þetta tryggir að frammistaða vélarnámslíkana haldist viðeigandi og nákvæm með tímanum.

Dæmi: Fyrir viðskiptafyrirtæki.

Viðskipta­merki fyrir gjaldeyri eða hrávörur geta breyst, til dæmis vegna breytinga á hegðun annarra markaðsaðila. Við sjáum þetta til dæmis í vaxandi vinsældum viðskiptaforrita, en einnig í flóknari atburðum.

Af þessum sökum ættu fyrirtæki sem þegar vinna með megindlegar aðferðir að íhuga að halda reikniritum sínum uppfærðum og fella inn ferskar hugmyndir.

Jakob: Sebastian, takk fyrir innsæisríka samræðu. Við hlökkum til að sjá meiri vöxt og nýsköpun á þessu sviði!

SebastianÞað er mér ánægja, Jakub. Ég þakka fyrir þetta tækifæri, því það gerði okkur kleift að ræða spennandi framfarir á okkar sviði og mikilvægi þeirra í síbreytilegu stafrænu landslagi.