Nella mia recente conversazione sulla fusione di intelligenza artificiale (AI) e apprendimento automatico nel finanza Ho avuto il privilegio di guidare il dialogo con domande mirate. A guidare la nostra immersione profonda è stato Sebastian Niehaus, uno dei maggiori esperti del settore. Ingegnere Machine Learning specializzato in Finance quantitativo e il CTO a Tecnologie SEKASA . La vasta esperienza di Sebastian ha fornito spunti illuminanti sulla crescente simbiosi di AI e fintech .

Durante la nostra chiacchierata CTO, Sebastian e io abbiamo approfondito il mondo dell'intelligenza artificiale e della finanza. Nonostante i chilometri di distanza, la conversazione è fluita senza sforzo!

noi Perché una società finanziaria dovrebbe considerare l'integrazione dell'IA nella sua attività quotidiana?

Sebastiano: Semplicemente, consente l'analisi di grandi quantità di dati che non possono essere analizzati in altro modo, creando così un'importante mercato vantaggi.

Finance si occupa di analisi ed elaborazione dei dati. Sia che si tratti di fornitori di pagamenti, sia che si tratti di società di investimento, banche o market maker. Ogni operatore di mercato, per quanto piccolo, effettua analisi con i dati esistenti, magari non con algoritmi fantasiosi ma con altre forme di analisi.

Il problema dei dati, tuttavia, è che i punti di dati indipendenti sono solitamente inutili, e diventano interessanti solo quando si aggiunge un contesto. Questo contesto può essere aggiunto confrontando i dati del caso corrente con casi simili o aggiungendo altri dati correlati e non. Si può trattare, ad esempio, dell'integrazione di altri mercati o di dati ambientali nelle decisioni di investimento o di una gamma più ampia di transazioni nel rilevamento delle frodi.

Jakub: Da questo punto di vista, cosa sono l'IA e l'apprendimento automatico in generale?

Sebastiano: L'intelligenza artificiale (AI) è lo sviluppo di sistemi informatici in grado di svolgere compiti che normalmente richiedono l'intelligenza umana, come l'apprendimento, il ragionamento, la risoluzione di problemi e il processo decisionale.

Machine Learning è un sottoinsieme dell'IA che si concentra sull'addestramento di algoritmi per apprendere modelli e fare previsioni da dati retrospettivi per svolgere un compito specifico. In questo modo, scopre modelli e meccanismi per automatizzare i compiti o generare nuova conoscenza su di essi.

I metodi di intelligenza artificiale o di apprendimento automatico sono diventati molto popolari negli ultimi anni perché sono in grado di elaborare una grande quantità di dati diversi. Si tratta di una grande differenza rispetto ai classici modelli statistici che utilizziamo in finanza dagli anni '80.

Jakub: È un'intuizione interessante! Quindi, quali sono i vantaggi dell'apprendimento automatico per Aziende FinTech?

Sebastian: In una frase: Stanno sfruttando tutto il loro potenziale!

I FinTech sono produttori di dati puri e devono gestire grandi quantità di dati finanziari e alternativi. Da questi dati possono scoprire nuovi potenziali di business, proteggere i processi attuali, rendere le loro decisioni più trasparenti e migliorarne la qualità.

Anche se i processi, o soprattutto i processi decisionali, sono chiaramente definiti e ben funzionanti, spesso ha senso aggiungere algoritmi di machine learning per fornire una seconda visione e ridurre l'errore soggettivo dell'uomo. Questo potrebbe, ad esempio, impedire alle società di investimento di effettuare investimenti FOMO.

Jakub: Qual è la motivazione e il business case per l'integrazione dell'IA?

Sebastiano: Spesso si tratta di garantire vantaggi competitivi, di ottimizzare i processi o semplicemente di rispondere a domande specifiche. A ciò si aggiungono argomenti come la redditività futura, che rappresenta un problema per le società finanziarie molto affermate, ad esempio. Spesso queste aziende non sanno nemmeno quale potenziale si nasconda nei loro dati e si presentano con una semplice richiesta: "Vorremmo provare cosa si può migliorare con l'Machine Learning nella nostra azienda".

Permettetemi di rendere la risposta più tangibile con alcuni esempi:

• Nei fondi di investimento, c'è spesso la motivazione di fornire agli investitori una maggiore sicurezza e quindi, naturalmente, di sviluppare un vantaggio competitivo. Ad esempio, in un approccio di value investing, questo può essere l'aggiunta di un modello di apprendimento automatico come istanza di controllo aggiuntiva.
• Nel caso delle analisi di consulenza M&A, ad esempio, le previsioni possono prendere in considerazione un numero significativamente maggiore di fattori di influenza e quindi fornire all'acquirente maggiori informazioni sul potenziale target.

Potrei continuare questo elenco all'infinito:

• L'automazione guidata dall'intelligenza artificiale può inoltre portare a una riduzione dei costi di manodopera e a un aumento della produttività, con conseguenti risparmi significativi per le aziende.
• L'integrazione del ML nella vostra attività porterà a una maggiore efficienza. Gli strumenti di ML possono automatizzare le attività ripetitive e dispendiose in termini di tempo, in modo che il personale possa concentrarsi maggiormente su attività importanti e a valore aggiunto.
• Migliorato Sviluppo del prodotto / Miglioramento della struttura del portafoglio
• Scalabilità (Gli strumenti basati sull'intelligenza artificiale sono in grado di gestire grandi quantità di dati e attività senza l'intervento umano).
• Vantaggio competitivo (gli strumenti di IA possono portare a prodotti innovativi)
  Gestione del rischio
• Esperienza cliente personalizzata / Assistenza clienti migliorata
  Analisi predittiva

Jakub: Approfondiamo questo argomento: quali sono i casi d'uso più diffusi?

Sebastiano: Alcuni dei più utilizzati sono:

• Identificazione di nuovi clienti
• Esperienza cliente personalizzata
• Servizio clienti Automazione: Identificazione del rischio di fallimento del credito / Valutazione del rischio di credito
• Rilevamento delle frodi
• Conformità normativa
• Identificazione dei segnali per i prezzi dei mercati azionari, forex e delle materie prime
• Previsioni di prezzo
• Identificazione dei rischi di mercato
• Stress test
• Ottimizzazione del portafoglio

Jakub: Come si può integrare l'apprendimento automatico negli FinTech?

Sebastiano: È importante partire dal business case e dai processi attuali. Sembra un'ovvietà, ma è frequente che questo punto sia completamente sottovalutato e spesso non venga colto.

• Definire il caso d'uso/il caso aziendale
• Verificare i processi attuali e fissare gli obiettivi pertinenti
• Definire i dati rilevanti, disponibili e necessari
• Raccolta e pre-elaborazione dei dati
• Modello e allestimento dell'infrastruttura
• Selezione del modello
• Ingegneria delle caratteristiche
• Modello di formazione
• Valutazione del modello
• Distribuzione
• Rapporto / Design dell'output
• Generazione di rapporti
• Interpretazione dei risultati
• Monitoraggio e manutenzione continui

Jakub: In base alla vostra esperienza, quanto è difficile integrare l'apprendimento automatico nei processi delle aziende FinTech?

Sebastiano:

• Tutto dipende dalla disponibilità e dalla qualità dei dati.
• Sono necessarie un'infrastruttura informatica e una potenza di calcolo robuste.
• Risorse umane con competenze e conoscenze adeguate
• La privacy e la sicurezza dei dati devono essere prese in considerazione in ogni momento.
• L'integrazione del ML in determinati processi può portare a necessari aggiornamenti del processo attuale.
• La comprensione dei risultati e la loro corretta interpretazione possono essere difficili.
• I modelli devono essere testati e controllati continuamente.
• Monitoraggio e manutenzione continui.

Può sembrare molto, ma molte di queste attività possono essere standardizzate e automatizzate. E una volta integrate, i vantaggi superano rapidamente lo sforzo.

Jakub: Ciò che hai menzionato in precedenza richiede una domanda: quanto sono adattabili i modelli di apprendimento automatico ai cambiamenti dell'ambiente?

Sebastiano: I modelli di apprendimento automatico sono altamente adattivi e devono essere in grado di rispondere rapidamente ai cambiamenti dell'ambiente. Possono essere adattati ai cambiamenti dell'ambiente attraverso tecniche come la riqualificazione su dati aggiornati, l'apprendimento per trasferimento e il monitoraggio continuo. Ciò garantisce che le prestazioni dei modelli di apprendimento automatico rimangano pertinenti e accurate nel tempo.

Esempio: Per le società di trading.

I segnali di trading per il forex o le materie prime possono cambiare, ad esempio, a causa di cambiamenti nel comportamento di altri partecipanti al mercato. Lo si può vedere, ad esempio, con l'aumento delle app di trading, ma anche con eventi più avanzati.

Per questo motivo, le aziende che già lavorano con metodi quantitativi dovrebbero sempre considerare di tenere aggiornati i loro algoritmi e includere idee nuove.

Jakub: Sebastian Grazie per l'approfondita conversazione. Siamo entusiasti di vedere una maggiore crescita e innovazione in questo campo!

Sebastiano: Piacere, Jakub. Apprezzo questa piattaforma che ci ha permesso di discutere degli entusiasmanti progressi del nostro settore e della sua importanza nel panorama digitale in continua evoluzione.