Uz ML balstītu finanšu risinājumu laikmets: Jauna ēra finanšu tehnoloģiju jomā

Manā nesenajā sarunā par saplūšanu mākslīgais intelekts (AI) un mašīnmācīšanās in the finanses man bija privilēģija vadīt dialogu ar precīziem jautājumiem. Mūsu padziļināto diskusiju vadīja Sebastians Nīhauss (Sebastian Niehaus). Machine Learning inženieris specializējas kvantitatīvajā Finance un CTO vietnē SEKASA tehnoloģijas . Sebastiana plašās zināšanas sniedza izzinošu ieskatu augošajā simbiozē ar Mākslīgais intelekts un fintech .

Mūsu CTO tērzēšanas laikā mēs ar Sebastianu iedziļinājāmies mākslīgā intelekta un finanšu pasaulē. Neskatoties uz to, ka mūs šķir kilometru jūdzes, saruna ritēja bez piepūles!

mums kāpēc finanšu uzņēmumam būtu jāapsver mākslīgā intelekta integrēšana ikdienas darbībā?

Sebastian: Vienkārši, tas ļauj analizēt lielu daudzumu dati ko nav iespējams analizēt nekādā citā veidā, tādējādi radot būtisku tirgus priekšrocības.

Finance nodarbojas ar datu analīzi un apstrādi. Neatkarīgi no tā, vai runa ir par maksājumu pakalpojumu sniedzējiem, ieguldījumu sabiedrībām, bankas vai tirgus veidotājiem. Katrs tirgus dalībnieks, lai cik mazs tas būtu, veic analīzi, izmantojot esošos datus, iespējams, nevis ar moderniem algoritmiem, bet ar citiem analīzes veidiem.

Tomēr datu problēma ir tā, ka neatkarīgi datu punkti parasti ir bezjēdzīgi, tie kļūst interesanti tikai tad, kad tiek pievienots konteksts. Šo kontekstu var pievienot, salīdzinot pašreizējā gadījuma datus ar līdzīgiem gadījumiem vai pievienojot vairāk saistītu un nesaistītu datu. Tā varētu būt, piemēram, citu tirgu vai vides datu iekļaušana ieguldījumu lēmumos vai plašāks darījumu klāsts krāpšanas atklāšanā.

Jakubs: Kas ir mākslīgais intelekts un mašīnmācīšanās kopumā?

Sebastian: Mākslīgais intelekts (AI) ir tādu datorsistēmu izstrāde, kas spēj veikt uzdevumus, kuru veikšanai parasti nepieciešams cilvēka intelekts, piemēram, mācīšanās, spriešana, problēmu risināšana un lēmumu pieņemšana.

Machine Learning ir mākslīgā intelekta apakšgrupa, kas koncentrējas uz algoritmu apmācību, lai apgūtu modeļus un veiktu prognozes no retrospektīviem datiem, lai izpildītu konkrētu uzdevumu. Tādējādi tā atklāj modeļus un mehānismus uzdevumu automatizēšanai vai ģenerē jaunas zināšanas par tiem.

Mākslīgais intelekts jeb mašīnmācīšanās metodes pēdējos gados ir kļuvušas tik populāras, jo tās spēj apstrādāt lielu daudzumu dažādu datu funkciju. Tā ir liela atšķirība no klasiskajiem statistiskajiem modeļiem, kurus mēs izmantojam finansēs kopš 80. gadiem.

Jakubs: Tas ir interesants ieskats! Tātad, kādi ir mašīnmācīšanās ieguvumi, lai FinTech uzņēmumi?

Sebastians: Vienā teikumā: Viņi izmanto visu savu potenciālu!

FinTech ir tīri datu sagatavotāji, un tiem ir jāapstrādā liels finanšu un alternatīvo datu apjoms. No šiem datiem viņi var atklāt jaunus uzņēmējdarbības potenciālus, nodrošināt pašreizējos procesus, padarīt savus lēmumus pārredzamākus un uzlabot to kvalitāti.

Pat ja procesi vai jo īpaši lēmumu pieņemšanas procesi ir skaidri definēti un labi strādā, bieži vien ir lietderīgi pievienot mašīnmācīšanās algoritmus, lai nodrošinātu otru skatījumu un samazinātu cilvēku subjektīvās kļūdas. Tas varētu, piemēram, novērst ieguldījumu sabiedrību FOMO investīcijas.

Jakubs: Kāda ir motivācija un uzņēmējdarbības pamatojums mākslīgā intelekta integrēšanai?

Sebastian: Bieži vien runa ir par konkurences priekšrocību nodrošināšanu, procesu optimizāciju vai vienkārši par atbildēm uz konkrētiem jautājumiem. Turklāt ir arī tādi temati kā nākotnes dzīvotspēja, kas ir jautājums, piemēram, ļoti stabiliem finanšu uzņēmumiem. Šie uzņēmumi bieži pat nezina, kāds potenciāls slēpjas to datos, un nāk ar vienkāršu pieprasījumu: "Mēs vēlamies izmēģināt, ko mūsu uzņēmumā var uzlabot ar Machine Learning".

Ļaujiet man atbildi padarīt taustāmāku ar dažiem piemēriem:

• Ieguldījumu fondos bieži vien ir motivācija sniegt ieguldītājiem lielāku drošību un tādējādi, protams, attīstīt konkurences priekšrocības. Piemēram, vērtības ieguldīšanas pieejā tas var būt mašīnmācīšanās modeļa pievienošana kā papildu kontroles instance.
• Piemēram, veicot analīzi M&A konsultāciju jomā, prognozēs var ņemt vērā ievērojami vairāk ietekmējošo faktoru un tādējādi sniegt pircējam vairāk informācijas par potenciālo mērķi.

Šo sarakstu es varu turpināt mūžīgi:

• Turklāt mākslīgā intelekta automatizācijas rezultātā var samazināties darbaspēka izmaksas un palielināties produktivitāte, kas uzņēmumiem rada ievērojamus izmaksu ietaupījumus.
• Integrējot ML savā darbā, tiks uzlabota efektivitāte. ML rīki var automatizēt atkārtotus un laikietilpīgus uzdevumus, lai darbinieki varētu vairāk pievērsties svarīgiem un pievienoto vērtību radošiem uzdevumiem.
• Uzlabots Produktu izstrāde / Uzlabota portfeļa strukturēšana
• Mērogojamība (ar mākslīgo intelektu darbināmie rīki var apstrādāt lielu datu apjomu un uzdevumus bez cilvēka iejaukšanās).
• Konkurences priekšrocības (mākslīgā intelekta rīki var radīt inovatīvus produktus).
  Risku pārvaldība
• Personalizēta klientu pieredze / uzlabots klientu atbalsts
  Paredzamā analīze

Jakubs: Kādi ir daži populāri izmantošanas gadījumi?

Sebastian: Daži no visbiežāk izmantotajiem ir:

• Jaunu klientu identificēšana
• Personalizēta klientu pieredze
• Klientu apkalpošana Automatizācija: Kredīta saistību neizpildes riska identificēšana / Kredītriska novērtēšana
• Krāpšanas atklāšana
• Tiesību aktu atbilstība
• Akciju tirgu cenu, forex un preču signālu identificēšana
• Cenu prognozes
• Tirgus risku identificēšana
• Stresa testi
• Portfeļa optimizācija

Jakubs: Kā FinTech var integrēt mašīnmācīšanos?

Sebastian: Svarīgi ir sākt ar uzņēmējdarbības pamatojumu un pašreizējiem procesiem. Tas šķiet pašsaprotami, taču bieži vien šis punkts tiek pilnībā nenovērtēts un bieži vien palaists garām.

• Lietošanas gadījuma / biznesa gadījuma definēšana
• Pārbaudīt pašreizējos procesus un noteikt attiecīgos mērķus
• Noteikt būtiskus, pieejamus un nepieciešamus datus
• Datu vākšana un pirmapstrāde
• Modeļa un infrastruktūras izveide
• Modeļa izvēle
• Funkciju inženierija
• Modeļu apmācība
• Modeļa novērtējums
• Izvietošana
• Ziņojuma / izejas dizains
• Pārskatu ģenerēšana
• Rezultātu interpretācija
• Pastāvīga uzraudzība un apkope

Jakubs: Cik sarežģīti ir integrēt mašīnmācīšanos FinTech uzņēmumu procesos?

Sebastian:

• Viss ir atkarīgs no datu pieejamības un kvalitātes.
• Nepieciešama spēcīga IT infrastruktūra un skaitļošanas jauda.
• Cilvēkresursi ar atbilstošu kompetenci un zināšanām.
• Jebkurā brīdī ir jāņem vērā datu privātums un drošība.
• Integrējot ML konkrētos procesos, var rasties nepieciešamība atjaunināt pašreizējo procesu.
• Rezultātu izpratne un pareiza interpretācija var būt sarežģīta.
• Modeļi ir nepārtraukti jātestē un jāpārbauda.
• Nepārtraukta uzraudzība un uzturēšana.

Tas var šķist daudz, taču daudzus no šiem uzdevumiem var standartizēt un automatizēt. Pēc integrēšanas ieguvumi ātri atsver ieguldītās pūles.

Jakubs: Tas, ko jūs minējāt iepriekš, liek uzdot jautājumu - cik pielāgojami ir mašīnmācīšanās modeļi mainīgai videi?

Sebastian: Mašīnmācīšanās modeļi ir ļoti adaptīvi, un tiem jāspēj ātri reaģēt uz mainīgo vidi. Tos var pielāgot mainīgajai videi, izmantojot tādas metodes kā pārapmācība, izmantojot atjauninātus datus, pārneses mācīšanās un nepārtraukta uzraudzība. Tas nodrošina, ka mašīnmācīšanās modeļu veiktspēja laika gaitā saglabājas atbilstoša un precīza.

Piemērs: Tirdzniecības uzņēmumiem.

Forex vai preču tirdzniecības signāli var mainīties, piemēram, mainoties citu tirgus dalībnieku uzvedībai. Mēs to varam novērot, piemēram, tirdzniecības lietotņu, kā arī modernāku notikumu dēļ.

Šā iemesla dēļ uzņēmumiem, kas jau strādā ar kvantitatīvām metodēm, vienmēr jāapsver iespēja atjaunināt savus algoritmus un iekļaut tajos svaigas idejas.

Jakub: Sebastian Paldies par saturīgu sarunu. Mēs esam priecīgi redzēt lielāku izaugsmi un inovācijas šajā jomā!

Sebastian: Man prieks, Jakub. Es novērtēju šo platformu, jo tā ļāva mums apspriest aizraujošo progresu mūsu nozarē un tās nozīmi pastāvīgi mainīgajā digitālajā vidē.