In mijn recente gesprek over de fusie van kunstmatige intelligentie (AI) en machinaal leren in de financiën sector, had ik het voorrecht om de dialoog te sturen met gerichte vragen. Onze diepgaande duik werd begeleid door Sebastian Niehaus, een Machine Learning Ingenieur gespecialiseerd in Kwantitatief Finance en de CTO op SEKASA Technologieën . Sebastians uitgebreide expertise bood verhelderende inzichten in de groeiende symbiose van AI en fintech .

Tijdens onze CTO-chat verdiepten Sebastian en ik ons in de wereld van AI en financiën. Ondanks dat we mijlen van elkaar verwijderd zijn, stroomde het gesprek moeiteloos!

us Waarom zou een financieel bedrijf de integratie van AI in zijn dagelijkse activiteiten overwegen?

Sebastian: Heel eenvoudig: het maakt de analyse mogelijk van grote hoeveelheden gegevens die op geen enkele andere manier geanalyseerd kunnen worden, waardoor een aanzienlijke markt voordelen.

Finance draait om het analyseren en verwerken van gegevens. Ongeacht of we het hebben over betalingsproviders, beleggingsondernemingen, banken of market makers. Elke marktdeelnemer, hoe klein ook, voert analyses uit met bestaande gegevens, misschien niet met fancy algoritmes maar met andere vormen van analyse.

Het probleem met gegevens is echter dat onafhankelijke gegevenspunten meestal nutteloos zijn, ze worden pas interessant als er context wordt toegevoegd. Deze context kan worden toegevoegd door de gegevens van het huidige geval te vergelijken met soortgelijke gevallen of door meer gerelateerde en niet-gerelateerde gegevens toe te voegen. Dit kan bijvoorbeeld de integratie zijn van andere markten of milieugegevens in investeringsbeslissingen of een breder scala aan transacties in fraudedetectie.

Jakub: Vanuit dit oogpunt bekeken - wat zijn AI en machine learning in het algemeen?

Sebastian: Kunstmatige intelligentie (AI) is de ontwikkeling van computersystemen die taken kunnen uitvoeren waarvoor normaal menselijke intelligentie nodig is, zoals leren, redeneren, problemen oplossen en beslissingen nemen.

Machine Learning is een subset van AI die zich richt op het trainen van algoritmen om patronen te leren en voorspellingen te doen op basis van retrospectieve gegevens om een specifieke taak uit te voeren. Op die manier worden patronen en mechanismen blootgelegd om taken te automatiseren of nieuwe kennis over taken te genereren.

AI of machine-learningmethoden zijn de laatste jaren zo populair geworden omdat ze een grote hoeveelheid verschillende gegevenskenmerken kunnen verwerken. Dat is een groot verschil met de klassieke statistische modellen die we sinds de jaren 80 in de financiële wereld gebruiken.

Jakub: Dat is een interessant inzicht! Dus, wat zijn de voordelen van machine learning voor FinTech bedrijven?

Sebastian: In één zin: Ze benutten hun volledige potentieel!

FinTech's zijn pure dataproducenten en ze hebben te maken met grote hoeveelheden financiële en alternatieve gegevens. Met deze gegevens kunnen ze nieuwe zakelijke mogelijkheden ontdekken, huidige processen veiligstellen, hun beslissingen transparanter maken en de kwaliteit van hun beslissingen verbeteren.

Zelfs als processen of vooral besluitvormingsprocessen duidelijk zijn gedefinieerd en goed werken, is het vaak zinvol om machine learning-algoritmen toe te voegen om een tweede blik te bieden en de subjectieve fouten van mensen te verminderen. Dit kan bijvoorbeeld voorkomen dat beleggingsmaatschappijen FOMO-beleggingen doen.

Jakub: Wat is de motivatie en business case voor het integreren van AI?

Sebastian: Het gaat vaak om het veiligstellen van concurrentievoordelen, procesoptimalisatie of het beantwoorden van specifieke vragen. Daarnaast zijn er ook onderwerpen als toekomstige levensvatbaarheid - wat bijvoorbeeld een probleem is voor zeer gevestigde financiële bedrijven. Deze bedrijven weten vaak niet eens welk potentieel er in hun gegevens schuilt en komen met het eenvoudige verzoek: "We willen graag uitproberen wat er met Machine Learning in ons bedrijf verbeterd kan worden."

Laat me het antwoord concreter maken met een paar voorbeelden:

• In beleggingsfondsen is er vaak de motivatie om beleggers meer zekerheid te bieden en dus natuurlijk om een concurrentievoordeel te ontwikkelen. Bij value investing kan dit bijvoorbeeld het toevoegen van een machine learning-model zijn als extra controle-instantie.
• In het geval van analyses in M&A consulting, bijvoorbeeld, kunnen prognoses rekening houden met aanzienlijk meer beïnvloedende factoren en zo de koper meer informatie geven over het potentiële doelwit.

Ik kan eindeloos doorgaan met deze lijst:

• AI-gestuurde automatisering kan bovendien leiden tot lagere arbeidskosten en een hogere productiviteit, wat resulteert in aanzienlijke kostenbesparingen voor bedrijven.
• De integratie van ML in uw vooruitgang zal leiden tot een verbeterde efficiëntie. ML Tools kunnen repetitieve en tijdrovende taken automatiseren, zodat het personeel zich meer kan richten op belangrijke en waardetoevoegende taken.
• Verbeterd Productontwikkeling / Verbeterde portefeuillestructurering
• Schaalbaarheid (AI-tools kunnen grote hoeveelheden gegevens en taken aan zonder menselijke tussenkomst)
• Concurrentievoordeel (AI-tools kunnen leiden tot innovatieve producten)
  Risicobeheer
• Gepersonaliseerde klantervaring / Verbeterde klantondersteuning
  Voorspellende analyses

Jakub: Laten we dat onderwerp verder uitdiepen - wat zijn enkele populaire use cases?

Sebastian: Enkele van de meest gebruikte zijn:

• Nieuwe klanten identificeren
• Gepersonaliseerde klantervaring
• Klantenservice Automatisering: Identificeren van kredietmislukkingsrisico / Kredietrisicobeoordeling
• Fraudedetectie
• Naleving van regelgeving
• Signaalidentificatie voor aandelenmarktprijzen, forex en grondstoffen
• Prijsvoorspellingen
• Marktrisico's identificeren
• Stresstests
• Portefeuilleoptimalisatie

Jakub: Hoe kan machine learning worden geïntegreerd in FinTech's?

Sebastian: Het is belangrijk om te beginnen met de business case en de huidige processen. Dit lijkt vanzelfsprekend, maar het komt vaak voor dat dit punt volledig wordt onderschat en vaak wordt gemist.

• Use Case / Business Case definiëren
• Huidige processen controleren en relevante doelen stellen
• Relevante, beschikbare en benodigde gegevens definiëren
• Gegevensverzameling en voorbewerking
• Model en infrastructuur opzet
• Modelkeuze
• Eigenschap Engineering
• Modeltraining
• Model Evaluatie
• Inzet
• Rapport/uitvoerontwerp
• Rapportage
• Interpretatie van resultaten
• Voortdurende controle en onderhoud

Jakub: Kijkend naar jouw ervaring - hoe moeilijk is het om machine learning te integreren in de processen van FinTech-bedrijven?

Sebastian:

• Het hangt allemaal af van de beschikbaarheid en kwaliteit van de gegevens.
• Er is een robuuste IT-infrastructuur en rekenkracht nodig.
• Personeel met de juiste expertise en kennis
• Privacy en beveiliging van gegevens moeten altijd in overweging worden genomen.
• Het integreren van ML in bepaalde processen kan leiden tot noodzakelijke updates in het huidige proces.
• Het kan moeilijk zijn om de resultaten te begrijpen en correct te interpreteren.
• Modellen moeten voortdurend worden getest en gecontroleerd.
• Voortdurend controleren en onderhouden.

Dit klinkt misschien als veel, maar veel van deze taken kunnen worden gestandaardiseerd en geautomatiseerd. En als ze eenmaal geïntegreerd zijn, wegen de voordelen al snel op tegen de inspanningen.

Jakub: Wat je eerder hebt genoemd roept een vraag op - hoe goed kunnen modellen voor machinaal leren worden aangepast aan veranderende omgevingen?

Sebastian: Modellen voor machinaal leren zijn in hoge mate adaptief en moeten snel kunnen reageren op veranderende omgevingen. Ze kunnen worden aangepast aan veranderende omgevingen door technieken zoals hertraining op bijgewerkte gegevens, transfer learning en continue monitoring. Dit zorgt ervoor dat de prestaties van modellen voor machinaal leren na verloop van tijd relevant en nauwkeurig blijven.

Voorbeeld: Voor handelsbedrijven.

Trading signalen voor forex of grondstoffen kunnen bijvoorbeeld veranderen door veranderingen in het gedrag van andere marktdeelnemers. We zien dit bijvoorbeeld door de opkomst van trading apps, maar ook door meer geavanceerde gebeurtenissen.

Daarom moeten bedrijven die al werken met kwantitatieve methoden altijd overwegen om hun algoritmen up-to-date te houden en frisse ideeën op te nemen.

Jakub: Sebastian Bedankt voor een inzichtelijk gesprek. We zijn enthousiast om meer groei en innovatie op dit gebied te zien!

Sebastian: Graag gedaan, Jakub. Ik waardeer dit platform omdat het ons in staat stelde de opwindende vooruitgang in ons vakgebied en de betekenis ervan in het steeds veranderende digitale landschap te bespreken.