とのフュージョンについて最近話した。 人工知能 (AI)と 機械学習 私は金融セクターで、鋭い質問で対話の舵取りをする特権を得た。私たちのディープダイブを導いてくれたのは、セバスチャン・ニーハウスだった。 Machine Learningエンジニア 定量的Financeを専門とする。 CTO で SEKASAテクノロジー .セバスチャンの広範な専門知識は、「ヴェルディとロレンソの共生」の拡大について、啓発的な洞察力を与えてくれた。 AIと フィンテック .
CTOのチャットの中で、セバスチャンと私はAIと金融の世界を掘り下げた。マイルも離れているにもかかわらず、会話は難なく流れた!
マーケット という利点がある。
Financeは、データの分析と処理に関わるものである。ペイメント・プロバイダー、投資会社、銀行、マーケット・メーカーを問わず。どんなに小さな市場参加者であっても、既存のデータを使って分析を行っており、おそらく派手なアルゴリズムではなく、他の形式の分析を行っている。
しかし、データの問題点は、独立したデータポイントは通常役に立たないということである。このコンテキストは、現在のケースのデータを類似のケースと比較したり、関連するデータや関連しないデータを追加したりすることで追加できる。例えば、投資判断における他の市場や環境データの統合や、不正検知におけるより広範な取引の統合などである。
ヤクブAIや機械学習とは一般的にどのようなものですか?
セバスチャン:人工知能(AI)とは、学習、推論、問題解決、意思決定など、通常は人間の知性を必要とするタスクを実行できるコンピューティング・システムの開発である。
Machine Learning はAIのサブセットで、特定のタスクを遂行するために、遡及的なデータからパターンを学習し、予測を行うアルゴリズムのトレーニングに焦点を当てている。そのため、タスクを自動化するためのパターンやメカニズムを発見したり、タスクに関する新しい知識を生成したりする。
AIや機械学習の手法がここ数年で急速に普及したのは、それらが大量の異なるデータの特徴を処理できるからだ。これは、私たちが80年代から金融で使っている古典的な統計モデルとは大きく異なる点である。
ヤクブ:興味深い洞察ですね!では、機械学習にはどのような利点があるのでしょうか? FinTech関連企業?
セバスチャン 一言で言えば彼らは潜在能力をフルに発揮している!
FinTechは純粋なデータ生産者であり、大量の財務データや代替データを扱わなければならない。このデータから、新しいビジネスの可能性を発見し、現在のプロセスを保護し、意思決定の透明性を高め、意思決定の質を向上させることができる。
たとえプロセスや特に意思決定プロセスが明確に定義され、うまく機能していたとしても、第二の視点を提供し、人間による主観的ミスを減らすために機械学習アルゴリズムを追加することは、しばしば理にかなっている。これは例えば、投資会社がFOMO投資を行うのを防ぐことができる。
ヤクブAIを統合する動機とビジネスケースは何ですか?
セバスチャン:競争上の優位性の確保、プロセスの最適化、あるいは具体的な質問に対する回答などです。さらに、将来的な実現可能性といったトピックもあります。これは、たとえば非常に実績のある金融企業にとっては問題です。このような企業は、自分たちのデータにどのような可能性があるのかさえ知らないことが多く、簡単な依頼を受ける:「社内でMachine Learningを使って何が改善できるか試してみたい。
いくつかの例を挙げて、答えをより具体的にしてみよう:
- 投資ファンドでは、投資家により多くの安心感を与えたいという動機がしばしばあり、もちろん競争上の優位性を開発したいという動機もある。例えば、バリュー投資のアプローチでは、追加のコントロール・インスタンスとして機械学習モデルを追加することができる。
- 例えば、M&Aコンサルティングにおける分析の場合、予測はより多くの影響要因を考慮することができるため、買い手は潜在的なターゲットについてより多くの情報を得ることができる。
このリストは永遠に続けられる:
- AIによる自動化はさらに、人件費の削減と生産性の向上につながり、企業にとって大幅なコスト削減につながる。
- MLを進捗に組み込むことは、効率性の向上につながる。MLツールは、反復的で時間のかかるタスクを自動化することができるため、スタッフは重要で付加価値の高いタスクにより集中することができる。
- 改善された 製品開発 / ポートフォリオ・ストラクチャリングの改善
- スケーラビリティ(AIを搭載したツールは、人間の介入なしに大量のデータやタスクを処理できる)
- 競争優位性(AIツールは革新的な製品につながる)
リスク管理
- パーソナライズされたカスタマー・エクスペリエンス / 充実したカスタマー・サポート
予測分析
Jakub:このトピックについてもう少し詳しく聞かせてください。
セバスチャン:最もよく使われるものをいくつか挙げる:
- 新規顧客の発掘
- パーソナライズされたカスタマー・エクスペリエンス
- 顧客サービスの自動化信用失墜リスクの特定/信用リスク評価
- 不正行為の検出
- 規制遵守
- 株式市場、外国為替、商品のシグナル識別
- 価格予想
- 市場リスクの特定
- ストレステスト
- ポートフォリオの最適化
Jakub:機械学習はどのようにFinTechに統合できますか?
セバスチャン:ビジネスケースと現在のプロセスから始めることが重要である。これは当たり前のことのように思えるが、この点が完全に過小評価され、見逃されていることがよくある。
- ユースケース/ビジネスケースの定義
- 現在のプロセスをチェックし、関連する目標を設定する
- 関連するデータ、利用可能なデータ、必要なデータを定義する
- データ収集と前処理
- モデルとインフラのセットアップ
- モデルの選択
- フィーチャー・エンジニアリング
- モデルトレーニング
- モデル評価
- 配備
- レポート/出力デザイン
- レポート作成
- 結果の解釈
- 継続的なモニタリングとメンテナンス
ヤクブ機械学習をFinTech企業のプロセスに組み込むのは難しいですか?
セバスチャン:
- すべてはデータの可用性と質にかかっている。
- 堅牢なITインフラとコンピューティング・パワーが必要だ。
- 適切な専門分野と知識を持つ人材
- データのプライバシーとセキュリティは常に考慮する必要がある。
- MLを所定のプロセスに組み込むことは、現在のプロセスに必要な更新をもたらすかもしれない。
- 結果を理解し、正しく解釈することは難しい。
- モデルは継続的にテストされ、チェックされる必要がある。
- 継続的なモニタリングとメンテナンス。
これは大変なことのように聞こえるかもしれないが、これらのタスクの多くは標準化し、自動化することができる。そして、一度統合すれば、すぐに労力を上回る利益を得ることができる。
ヤクブ機械学習モデルは環境の変化にどの程度適応できるのでしょうか?
セバスチャン:機械学習モデルは適応性が高く、環境の変化に素早く対応できなければならない。機械学習モデルは、更新されたデータに対する再学習、転移学習、継続的なモニタリングなどの技術によって、環境の変化に適応することができる。これにより、機械学習モデルの性能は、時間が経っても適切で正確なままであることが保証される。
例商社の場合
FXやコモディティの売買シグナルは、例えば他の市場参加者の行動の変化によって変化することがあります。例えば、取引アプリの台頭や、より高度なイベントなどを通じて、このような現象が見られる。
このため、すでに定量的手法に取り組んでいる企業は、常にアルゴリズムを更新し、新鮮なアイデアを盛り込むことを検討する必要がある。
ヤクブ:セバスチャン 洞察に満ちた会話をありがとう。この分野でのさらなる成長と革新に期待しています!
セバスチャン:どういたしまして、ヤクブ。このプラットフォームのおかげで、私たちの分野におけるエキサイティングな進歩や、変化し続けるデジタルの状況におけるその意義について話し合うことができたので感謝している。
