FinTech dan AI Menggerakkan Gelombang Inovasi Berikutnya

Anna Schoff – Lulusan MSc dalam Speech dan NLP dengan keahlian dalam deep learning, data science, dan machine learning. Minat penelitiannya meliputi dekripsi neural bahasa kuno, terjemahan mesin sumber daya rendah, dan identifikasi bahasa. Dia memiliki pengalaman luas dalam linguistik komputasional, AI, dan riset NLP di akademik dan industri.

Bhushan Joshi – Pemimpin Kompetensi untuk Banking ISV, Pasar Keuangan, dan Manajemen Kekayaan dengan pengalaman luas dalam perbankan digital, pasar modal, dan transformasi cloud. Dia memimpin strategi bisnis, konsultasi, dan implementasi teknologi keuangan skala besar untuk bank global, fokus pada microservices, optimisasi proses, dan sistem perdagangan.

Kenneth Schoff – Spesialis Teknis Terhormat dari Open Group di IBM AI Applications dengan lebih dari 20 tahun pengalaman di bidang perbankan, pasar keuangan, dan fintech. Spesialisasinya meliputi solusi IBM Sterling, penjualan teknis, dan memberi saran kepada eksekutif tingkat C tentang transformasi berbasis AI dalam rantai pasok dan layanan keuangan.

Raja Basu – Pemimpin manajemen produk dan inovasi dengan keahlian dalam AI, otomatisasi, dan keberlanjutan di pasar keuangan. Dengan latar belakang kuat dalam transformasi teknologi perbankan, dia memimpin proyek penasihat dan implementasi global di AS, Kanada, Eropa, dan Asia. Saat ini mahasiswa doktoral di XLRI, fokusnya pada dampak AI terhadap sistem keuangan dan keberlanjutan.

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna dan lainnya

Pengembangan teknologi AI untuk FinTech berkembang dengan potensi besar, tetapi pertumbuhan mungkin lebih lambat dibandingkan aplikasi lain karena kompleksitas masalahnya.

AI dapat menangkap pola dan anomali yang biasanya terlewat manusia karena kemampuan sistem AI untuk mengkonsumsi data dalam jumlah sangat besar dalam berbagai bentuk terstruktur dan tidak terstruktur.

Namun, otak manusia dengan lebih dari 600 triliun koneksi sinapsis disebut sebagai objek paling kompleks yang kita kenal di mana saja – bumi, sistem tata surya, dan seterusnya. AI dapat meningkatkan analisis manusia melalui kemampuannya memproses banyak detail secara volume, tetapi tidak dapat berpikir.

Dalam kelas AI di Yale bertahun-tahun lalu, mereka mendefinisikan AI sebagai “studi tentang proses kognitif melalui model komputasi”. Definisi ini masih berlaku. Seringkali, model komputasi yang dihasilkan berguna secara mandiri, dan kemampuan mereka telah berkembang dari Sistem Pakar dan Neural Network kecil hingga teknik Deep Learning yang digunakan untuk membangun Large Language Models (LLMs) dan Foundation Models dalam Generative AI.

Kemajuan perangkat keras telah memungkinkan banyak hal ini, dan kita yakin akan ada lebih banyak lagi.

Pada tahun 1990-an, kita tahu bahwa kurangnya pengetahuan umum dalam sistem AI merupakan faktor pembatas yang signifikan, dan sekarang kita mampu menyediakannya dalam model AI besar. Teknologi AI awal terbatas pada tugas-tugas sangat spesifik seperti savant – mampu melakukan satu tugas tertentu dengan baik, tetapi tidak berguna untuk hal lain.

Meski begitu, mereka telah dan masih dapat memberikan nilai tambah untuk tugas khusus mereka dengan biaya komputasi yang jauh lebih rendah. Untuk alasan keberlanjutan, teknologi ini tetap dapat memenuhi peran mereka dalam lanskap AI.

Kemampuan Natural Language Processing (NLP) dan Speech Processing yang disediakan oleh LLMs kini mampu menangkap sekitar 90% isi dari pertukaran bahasa alami secara akurat, yang sangat berharga untuk interaksi manusia-mesin.

Dalam kondisi teknologi saat ini, model yang digunakan untuk NLP memerlukan biaya komputasi yang sangat tinggi (baca: tagihan listrik yang sangat tinggi) yang bertentangan dengan pertimbangan keberlanjutan. Ingatlah bahwa pustakawan berpengalaman atau profesional serupa dapat memberikan hasil 100% akurat dan hanya membutuhkan makan siang. Kita harus menggunakan sumber daya yang tepat di waktu yang tepat.

Baru-baru ini, dengan pengembangan seperti DeepSeek, kita melihat optimisasi yang diperoleh dengan membangun aplikasi kecil yang spesifik menggunakan teknologi yang sama dengan model besar yang komprehensif. Ini adalah kemenangan bersama dengan menyediakan teknologi AI yang kokoh untuk mengatasi domain masalah sambil mengurangi biaya komputasi. Contohnya, sistem AI Fintech yang mendukung manajemen kekayaan tidak memerlukan latar belakang dalam sastra Inggris.

AI Assisted Wealth Management Advisory

Mari kita anggap manajemen kekayaan sebagai contoh aplikasi.

Wawancara klien untuk membuat profil klien dapat didorong oleh teknik AI dasar seperti pohon keputusan atau Sistem Pakar. Namun, berdasarkan pengalaman kami sebelumnya dengan wawancara berbasis Sistem Pakar, penasihat yang berkualitas baik akan mendapatkan hasil yang lebih baik hanya melalui percakapan. Tidak ada pengganti bagi orang yang tahu apa yang mereka lakukan. AI harus membantu, bukan mengendalikan.

Analisis Portofolio

Jika klien memiliki portofolio saat ini, ini memerlukan analisis, dan AI dapat membantu di sini juga. Bagaimana kinerja investasi dari waktu ke waktu? Apakah klien cenderung fokus pada industri tertentu? Bagaimana prognosisnya untuk masa depan? Bagaimana riwayat perdagangan klien?

Berdasarkan profil klien dan analisis portofolio, penasihat dapat memperkenalkan batasan tertentu terkait apa yang harus dipertimbangkan dalam portofolio investasi yang diusulkan. Ini bisa meliputi preferensi pribadi, batas risiko, batas dana yang tersedia, dan pertimbangan lain yang dapat membatasi pilihan.

AI Assisted Wealth Management Advisory

Beberapa perusahaan menggunakan model AI untuk memberikan panduan tentang saham atau segmen pasar mana yang kemungkinan akan berkinerja baik atau buruk. Ini bisa dipandang sebagai masalah prediksi, di mana pergerakan tren dapat diprediksi, atau sebagai masalah klasifikasi yang merupakan bidang di mana AI unggul. Seorang penasihat dapat menggunakan layanan ini untuk menyediakan informasi semacam itu.

Pertimbangan Lingkungan, Sosial, dan Tata Kelola (ESG) juga dapat mempengaruhi hasilnya. Ini mungkin sudah termasuk sebagai input ke dalam model AI yang digunakan untuk analisis. Penasihat dan klien perlu mendiskusikan apa saja yang harus dimasukkan ke dalam model portofolio.

Arsitektur Strawman

Gambaran konseptual strawman mungkin terlihat seperti diagram di bawah ini. Banyak variasi yang mungkin.

Salah satu implementasi yang sangat umum adalah berdasarkan satu model dasar GenAI yang melakukan semua yang kita jelaskan di bawah ini, tetapi kami berpendapat bahwa membagi tugas adalah pendekatan yang lebih baik.

Setiap model akan menangani bagian dari domain masalah dan karenanya bisa lebih kecil daripada satu model komprehensif. Beberapa sistem mungkin berjalan secara terus-menerus sementara yang lain berjalan sesuai permintaan.

Dalam diagram, kita mengasumsikan bahwa akan ada model Predictive Generative AI yang berfungsi sebagai sistem penasihat untuk model AI lain yang spesifik tujuan. Model GenAI ini akan melakukan sebagian besar analisis pasar dan akan dilatih untuk berbagai pasar dan instrumen keuangan.

Mereka akan mengkonsumsi feed data dan, digabungkan dengan data lain dari data lake, menghasilkan prediksi pasar untuk pertumbuhan dan deteksi anomali yang dapat mengurangi risiko. Kami belum yakin bahwa sistem semacam ini sudah matang untuk diandalkan, tetapi mereka sedang berkembang.

Hasil dari setiap model Predictive GenAI akan direkam di data lake. Selain itu, model analisis dapat mengirim notifikasi ke model lain untuk melakukan tugas tertentu. Model ini mungkin dijalankan secara berkala atau bahkan terus-menerus selama pasar yang diminati aktif.

Sistem perdagangan otomatis mungkin menggunakan feed status dari analisis pasar untuk memicu perdagangan. Sistem klasifikasi akan secara berkala menilai aset dan menyimpan riwayat klasifikasi aset di data lake. Akhirnya, kita sampai pada Asisten Portofolio GenAI.

Asisten Portofolio akan menjadi sistem Rekomendasi berbasis AI yang memiliki akses ke data pasar saat ini dan riwayatnya. Penasihat dapat berinteraksi dengan asisten ini untuk memberikan profil klien dan meminta rekomendasi. Ini paling baik dilakukan dengan kehadiran klien. Interaksi penasihat dengan klien harus direkam dan dicatat di data lake sebagai input analisis.

Akses penasihat ke sistem AI dilakukan melalui antarmuka NLP yang bisa berbasis teks atau suara.

Asisten Portofolio akan merespons penasihat menggunakan informasi dari model, data lake, atau query API ke model Analisis Pasar. Antarmuka NLP menyediakan asisten yang kuat tetapi berdasarkan pengalaman, penasihat perlu tahu bagaimana mengajukan pertanyaan untuk mendapatkan hasil yang berguna.

Tanpa perantara manusia itu, pengalaman berinteraksi dengan sistem NLP untuk topik yang kompleks ini bisa membuat frustrasi bagi pemula. Large Language Models jauh lebih mampu daripada teknologi sebelumnya di bidang ini, tetapi mereka masih belum mampu melewati Turing Test.

Turing Test mensyaratkan bahwa manusia tidak dapat membedakan mesin dari manusia lain berdasarkan jawaban atas pertanyaan yang diajukan kepada keduanya. Mesin ini bukan manusia dan tidak bisa merespons secara persis seperti manusia. Banyak perusahaan mempekerjakan orang yang tugasnya secara harfiah hanya berinteraksi dengan LLM dan sistem GenAI melalui pembuatan prompt untuk mendapatkan respons yang lebih baik dari model.

Menurut laporan Juniper riset tahun 2021, 40% pelanggan perbankan global akan menggunakan chatbot NLP untuk transaksi pada tahun 2025. Menambahkan NLP di depan aplikasi yang berhadapan langsung dengan pelanggan sering menjadi langkah awal perusahaan. Sistem AI lain fokus pada otomatisasi tugas umum. Yang terakhir ini sangat sukses untuk aplikasi Rantai Pasok.

Otomatisasi berbasis AI dapat menghilangkan banyak proses manual dan membuat alur kerja lebih efisien. NLP dan otomatisasi tugas dapat menguntungkan hampir semua industri. Pengembangan AI untuk analisis Pasar Keuangan adalah tugas yang relatif sulit.

Universitas Cornell mengembangkan Model GenAI StockGPT. Lihat “StockGPT: A GenAI Model for Stock Prediction and Trading” di https://arxiv.org/abs/2404.05101.

Kesimpulan

Analisis pasar keuangan sedikit lebih kompleks dibandingkan aplikasi seperti Rantai Pasok atau bahkan Perbankan. Ada banyak variabel dan perilaku kompleks yang dipicu sebagian oleh angka pasar, regulasi, dan respons emosional peserta.

Beberapa hal ini dapat ditangkap menggunakan statistik untuk mengurangi risiko, tetapi prediksi pasar keuangan termasuk dalam kategori masalah aljabar di mana terlalu banyak variabel dan kurang persamaan. AI dapat mencari pola dan anomali selain melakukan perhitungan.

Komputasi Kuantum adalah teknologi lain yang patut dieksplorasi. Teknologi ini sudah menunjukkan nilai dalam aplikasi tertentu di bidang ilmu pengetahuan. Sudah disarankan penggunaannya dalam manajemen risiko melalui simulasi Monte Carlo untuk satu contoh keuangan.

Kita akan lihat apa yang akan terjadi di masa depan.