{"id":3637,"date":"2023-08-09T08:29:27","date_gmt":"2023-08-09T08:29:27","guid":{"rendered":"http:\/\/the-codest.localhost\/blog\/the-age-of-ml-driven-financial-solutions-a-new-era-in-fintech\/"},"modified":"2024-08-09T11:21:45","modified_gmt":"2024-08-09T11:21:45","slug":"en-ny-aera-innen-fintech-en-tidsalder-med-ml-drevne-finansielle-losninger","status":"publish","type":"post","link":"https:\/\/thecodest.co\/nb\/blog\/the-age-of-ml-driven-financial-solutions-a-new-era-in-fintech\/","title":{"rendered":"En ny tid med ML-drevne finansielle l\u00f8sninger: En ny \u00e6ra innen fintech"},"content":{"rendered":"

I min nylige samtale om sammensmeltingen av kunstig intelligens <\/strong> (AI<\/a>) og maskinl\u00e6ring<\/a> <\/strong> i \u00f8konomi<\/a> hadde jeg det privilegium \u00e5 styre dialogen med spissede sp\u00f8rsm\u00e5l. Sebastian Niehaus, som leder dypdykket v\u00e5rt, er Machine Learning Ingeni\u00f8r <\/strong> spesialiserer seg i kvantitativ Finance og CTO<\/a> p\u00e5 SEKASA Technologies <\/a>. Sebastians omfattende ekspertise ga oss en opplysende innsikt i den voksende symbiosen mellom AI og fintech<\/a> <\/strong>.<\/p>\n

I l\u00f8pet av CTO-praten v\u00e5r fordypet Sebastian og jeg oss i AI og finans. Til tross for at vi var milevis fra hverandre, fl\u00f8t samtalen uanstrengt! <\/p>\n

\"møtes<em>skjerm<\/em>two_people"oss<\/a> hvorfor b\u00f8r et finansforetak vurdere \u00e5 integrere kunstig intelligens i den daglige virksomheten?<\/b><\/p>\n

Sebastian<\/b>: Det muliggj\u00f8r ganske enkelt analyse av store mengder data<\/a> som ikke kan analyseres p\u00e5 noen annen m\u00e5te, og som dermed skaper betydelige marked<\/a> fordeler.<\/p>\n

Finance handler om analyse og behandling av data. Uansett om det er snakk om betalingsleverand\u00f8rer, investeringsselskaper, banker<\/a> eller market makere. Alle markedsakt\u00f8rer, uansett hvor sm\u00e5 de er, utf\u00f8rer analyser med eksisterende data, kanskje ikke med fancy algoritmer, men med andre former for analyse.<\/p>\n

Problemet med data er imidlertid at uavhengige datapunkter som regel er ubrukelige, og at de f\u00f8rst blir interessante n\u00e5r de settes inn i en sammenheng. Denne konteksten kan legges til ved \u00e5 sammenligne dataene i det aktuelle tilfellet med lignende tilfeller eller legge til flere relaterte og urelaterte data. Dette kan for eksempel v\u00e6re integrering av andre markeder eller milj\u00f8data i investeringsbeslutninger, eller et bredere spekter av transaksjoner for \u00e5 avdekke svindel. <\/p>\n

Jakub: Hva er AI og maskinl\u00e6ring generelt sett? <\/b><\/p>\n

Sebastian<\/b>: Kunstig intelligens (AI) er utviklingen av datasystemer som er i stand til \u00e5 utf\u00f8re oppgaver som normalt krever menneskelig intelligens, for eksempel l\u00e6ring, resonnering, probleml\u00f8sning og beslutningstaking. <\/p>\n

Machine Learning<\/strong> er en undergruppe av AI som fokuserer p\u00e5 \u00e5 l\u00e6re opp algoritmer til \u00e5 l\u00e6re m\u00f8nstre og gj\u00f8re prediksjoner fra retrospektive data for \u00e5 utf\u00f8re en bestemt oppgave. Dermed avdekker den m\u00f8nstre og mekanismer for \u00e5 automatisere oppgaver eller generere ny kunnskap om dem. <\/p>\n

AI eller maskinl\u00e6ringsmetoder har blitt s\u00e5 popul\u00e6re de siste \u00e5rene fordi de er i stand til \u00e5 behandle en stor mengde ulike datafunksjoner. Det er en stor forskjell fra de klassiske statistiske modellene som vi har brukt i finansverdenen siden 80-tallet. <\/p>\n

Jakub: Det er en interessant innsikt! S\u00e5, hva er fordelene med maskinl\u00e6ring for FinTech-selskaper<\/a>?<\/b><\/p>\n

Sebastian:<\/b> I \u00e9n setning: De utnytter sitt fulle potensial! <\/p>\n

FinTech-er er rene dataprodusenter, og de m\u00e5 h\u00e5ndtere store mengder \u00f8konomiske og alternative data. Ut fra disse dataene kan de oppdage nye forretningspotensialer, sikre n\u00e5v\u00e6rende prosesser, gj\u00f8re beslutningene mer transparente og forbedre kvaliteten p\u00e5 beslutningene sine. <\/p>\n

Selv om prosessene, og spesielt beslutningsprosessene, er klart definerte og velfungerende, er det ofte fornuftig \u00e5 legge til maskinl\u00e6ringsalgoritmer for \u00e5 gi et ekstra blikk og redusere subjektive feil fra menneskers side. Dette kan for eksempel hindre investeringsselskaper i \u00e5 foreta FOMO-investeringer.<\/p>\n

Jakub: Hva er motivasjonen og forretningsgrunnlaget for \u00e5 integrere AI?<\/b><\/p>\n

Sebastian<\/b>: Det handler ofte om \u00e5 sikre konkurransefortrinn, prosessoptimalisering eller bare \u00e5 svare p\u00e5 spesifikke sp\u00f8rsm\u00e5l. I tillegg kommer temaer som fremtidig levedyktighet - noe som for eksempel er et problem for sv\u00e6rt etablerte finansselskaper. Disse selskapene vet ofte ikke engang hvilket potensial som ligger i dataene deres, og kommer med en enkel foresp\u00f8rsel: \"Vi vil gjerne pr\u00f8ve ut hva som kan forbedres med Machine Learning i v\u00e5r bedrift.\"<\/p>\n

La meg gj\u00f8re svaret mer h\u00e5ndgripelig med noen eksempler: <\/p>\n