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 mencakup neural decipherment bahasa-bahasa kuno, machine translation ber-sumber daya rendah, dan identifikasi bahasa. Ia memiliki pengalaman luas dalam riset komputasional linguistik, AI, dan NLP di akademia maupun industri.

Bhushan Joshi – Pemimpin Kompetensi untuk Banking ISV, Financial Markets, dan Wealth Management dengan pengalaman luas dalam perbankan digital, pasar modal, dan transformasi cloud. Ia telah memimpin strategi bisnis, konsultasi, dan implementasi teknologi finansial skala besar untuk bank-bank global, dengan fokus pada microservices, optimalisasi proses, dan sistem trading.

Kenneth Schoff – Open Group Distinguished Technical Specialist di IBM AI Applications dengan lebih dari 20 tahun pengalaman di perbankan, pasar keuangan, dan fintech. Ia berspesialisasi dalam solusi IBM Sterling, technical sales, serta memberi nasihat kepada eksekutif C-suite mengenai transformasi yang didorong AI dalam supply chain dan layanan keuangan.

Raja Basu – Pemimpin product management dan inovasi dengan keahlian dalam AI, otomasi, dan keberlanjutan di pasar keuangan. Dengan latar belakang kuat dalam transformasi teknologi perbankan, ia telah memimpin proyek advisory dan implementasi global di seluruh A.S., Kanada, Eropa, dan Asia. Saat ini ia adalah mahasiswa doktoral di XLRI, yang berfokus pada dampak AI terhadap sistem keuangan dan keberlanjutan.

Temukan berita dan acara fintech teratas!

Berlangganan newsletter FinTech Weekly

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

Pengembangan teknologi AI untuk FinTech sedang tumbuh dengan potensi yang besar, tetapi pertumbuhannya mungkin lebih lambat dibandingkan pada aplikasi lain karena kompleksitas masalahnya.

AI dapat menangkap pola dan anomali yang biasanya luput dari perhatian manusia berkat kemampuan sistem AI untuk mengonsumsi data dalam jumlah sangat besar dalam banyak bentuk yang terstruktur maupun tidak terstruktur.

Namun, otak manusia dengan lebih dari 600 triliun koneksi sinaps telah disebut sebagai objek paling kompleks yang kita ketahui di mana pun – bumi, tata surya, dan seterusnya.  AI dapat memperkuat analisis manusia melalui kemampuannya memproses banyak detail dalam skala besar, tetapi AI tidak dapat berpikir.

Dalam kelas-kelas tentang AI di Yale bertahun-tahun lalu, mereka mendefinisikan AI sebagai “studi tentang proses kognitif melalui model-model komputasional”.  Definisi ini masih berlaku.  Sering kali, model-model komputasional yang dihasilkan berguna dengan sendirinya, dan kapabilitasnya telah berkembang dari Expert Systems dan Artificial Neural Networks yang kecil menjadi teknik Deep Learning yang digunakan untuk membangun Large Language Models (LLM) dan Foundation Models yang digunakan dalam Generative AI.   Kemajuan perangkat keras telah membuat banyak hal ini menjadi mungkin, dan kami yakin masih ada lebih banyak yang akan datang.

Pada era 1990-an, kita tahu bahwa kurangnya pengetahuan umum dalam sistem AI merupakan faktor pembatas yang signifikan, dan sekarang kita mampu menyediakan hal tersebut dalam model AI yang besar.  Teknologi AI awal terbatas pada tugas-tugas yang sangat spesifik, agak seperti idiot savants – mampu melakukan satu tugas yang sangat spesifik dengan baik, tetapi tidak berguna untuk hal lainnya.

Meski begitu, mereka dapat dan masih dapat memberikan nilai pada tugas-tugas khusus mereka dengan biaya komputasi yang jauh lebih rendah.  Demi alasan keberlanjutan, teknologi-teknologi ini masih dapat memenuhi peran mereka dalam lanskap AI.

Kemampuan Natural Language Processing (NLP) dan Speech Processing yang disediakan oleh LLM kini mampu menangkap mungkin 90% dari konten pertukaran Natural Language secara akurat, yang bernilai sangat tinggi untuk interaksi manusia-mesin.

Pada keadaan terkini yang paling mutakhir, model-model yang digunakan untuk NLP dijalankan dengan biaya komputasi yang sangat tinggi (baca: tagihan listrik yang sangat tinggi) yang bertentangan dengan pertimbangan keberlanjutan.  Ingat bahwa seorang pustakawan berpengalaman atau profesional serupa dapat memberikan hasil 100% akurat dan hanya membutuhkan makan siang.  Kita harus menggunakan sumber daya yang tepat pada waktu yang tepat.

Lebih baru lagi, dengan perkembangan seperti DeepSeek, kita melihat optimasi yang diperoleh dengan membangun aplikasi yang lebih kecil namun spesifik, menggunakan teknologi yang sama seperti yang dipakai dalam model-model komprehensif yang lebih besar.  Ini adalah win-win dengan menyediakan teknologi AI yang tangguh untuk menangani suatu domain masalah sekaligus menurunkan biaya komputasi.  Misalnya, sebuah sistem AI Fintech yang mendukung wealth management tidak perlu latar belakang dalam sastra Inggris.

AI Assisted Wealth Management Advisory

Mari kita pertimbangkan wealth management sebagai contoh aplikasi.

Sesi wawancara klien untuk membuat profil klien bisa digerakkan oleh teknik AI dasar seperti decision tree atau Expert System.  Namun, berdasarkan pengalaman kami sebelumnya dengan wawancara yang digerakkan oleh beberapa Expert System, seorang penasehat yang berkualifikasi baik akan mendapatkan hasil yang lebih baik hanya melalui percakapan.  Tidak ada pengganti bagi orang-orang yang tahu apa yang mereka lakukan.  AI seharusnya membantu tetapi tidak mengemudi.

Portfolio Analysis

Jika klien memiliki portofolio saat ini, ini perlu dianalisis, dan AI dapat membantu di sini juga.  Bagaimana kinerja investasi dari waktu ke waktu?  Apakah klien cenderung berfokus pada industri-industri tertentu?  Bagaimana prognosis mengenai kemungkinan kinerja hal-hal ini di masa depan?  Apa sejarah transaksi klien?

Berdasarkan profil klien dan analisis portofolio, penasihat dapat memperkenalkan batasan-batasan spesifik tentang apa yang harus dipertimbangkan oleh analisis untuk portofolio investasi yang diusulkan.  Batasan-batasan ini dapat mencakup preferensi pribadi, batas risiko, batas dana yang tersedia, dan pertimbangan lain apa pun yang dapat membatasi pilihan.

AI Assisted Wealth Management Advisory

Ada beberapa perusahaan yang menggunakan model AI untuk memberikan panduan tentang saham atau segmen pasar mana yang kemungkinan akan berkinerja baik atau kemungkinan akan berkinerja buruk. Ini bisa dipandang sebagai masalah prediksi, di mana pergerakan tren dapat diprediksi, atau sebagai masalah klasifikasi—yang merupakan area di mana AI unggul. Seorang penasihat dapat menggunakan layanan yang sudah ada ini untuk memberikan jenis informasi tersebut.

Pertimbangan Environmental, Social, and Governance (ESG) juga dapat memengaruhi hasil.  Ini mungkin sudah termasuk sebagai input ke dalam model AI yang digunakan untuk melakukan analisis.  Penasihat dan klien perlu mendiskusikan detail apa saja yang harus dimasukkan dalam model portofolio.

Strawman Architecture

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

Satu implementasi yang sangat umum akan didasarkan pada satu GenAI foundation model yang melakukan semuanya seperti yang kami jelaskan di bawah, tetapi kami berpikir bahwa melakukan segmentasi tugas adalah pendekatan yang lebih baik.

Setiap model akan menangani sebagian dari domain masalah dan, oleh karena itu, bisa lebih kecil dibandingkan satu model komprehensif.  Beberapa sistem mungkin berjalan terus-menerus sementara yang lain berjalan berdasarkan permintaan.

Pada diagram tersebut, kami mengasumsikan bahwa akan ada model Prediktif Generative AI yang berfungsi sebagai sistem advisory bagi model AI lain yang spesifik untuk tujuan tertentu.  Model-model GenAI ini akan melakukan sebagian besar analisis pasar dan akan dilatih untuk berbagai pasar dan instrumen keuangan.

Mereka akan mengonsumsi data feed dan, bersama data lain dari data lake, menghasilkan prediksi pasar untuk pertumbuhan dan deteksi anomali yang dapat mengurangi risiko.  Kami belum yakin bahwa sistem seperti ini sudah matang hingga menjadi cukup andal, tetapi sistem ini terus berkembang dalam pengembangan.

Hasil dari setiap model Predictive GenAI akan dicatat di data lake.  Selain itu, model-model analisis dapat mendorong notifikasi ke model-model lain untuk menjalankan tugas-tugas tertentu.  Model-model ini mungkin dijalankan secara periodik atau mungkin secara berkelanjutan selama periode ketika pasar yang diminati sedang aktif.

Sistem trading otonom mungkin menggunakan status feed dari analisis pasar untuk memicu transaksi.  Sistem klasifikasi akan secara berkala memberi peringkat pada aset dan menyimpan riwayat berkelanjutan klasifikasi aset di data lake. Terakhir, kita sampai pada GenAI Portfolio Assistant.

Portfolio Assistant adalah sistem Recommender yang didukung AI dengan akses ke data pasar terkini dan riwayat.  Penasihat dapat berinteraksi dengan asisten untuk menyediakan profil klien dan meminta rekomendasi.  Ini paling baik dilakukan ketika klien hadir.  Interaksi penasihat dengan klien harus ditangkap dan direkam di data lake sebagai input untuk analisis.

Akses penasihat ke sistem AI adalah melalui antarmuka NLP yang bisa berbasis teks atau ucapan.

Portfolio Assistant akan merespons penasihat menggunakan informasi di dalam model, dari data lake, atau kueri API ke model Market Analysis. Antarmuka NLP menyediakan asisten yang kuat, tetapi berdasarkan pengalaman, penasihat perlu mengetahui cara mengajukan pertanyaan untuk mendapatkan hasil yang berguna.

Tanpa perantara manusia tersebut, pengalaman berinteraksi dengan sistem NLP untuk topik yang kompleks seperti ini dapat membuat frustrasi bagi pemula. Large Language Models jauh lebih mampu dibandingkan teknologi apa pun sebelumnya di area ini, namun mereka masih tidak mungkin untuk lulus Uji Turing.

Uji Turing mensyaratkan agar manusia tidak dapat membedakan mesin dari manusia lain dengan menggunakan balasan terhadap pertanyaan yang diajukan kepada keduanya.  Mesin-mesin ini bukan manusia dan tidak dapat merespons persis seperti yang dilakukan manusia. Banyak perusahaan mempekerjakan orang-orang yang deskripsi tugasnya secara harfiah hanya untuk berinteraksi dengan LLM dan sistem GenAI melalui penyusunan prompt guna mendapatkan respons yang lebih baik dari model.

Menurut laporan 2021 dari Juniper research, 40% pelanggan perbankan global akan menggunakan chatbot NLP untuk transaksi pada tahun 2025.  Menambahkan NLP di depan aplikasi apa pun yang berhadapan langsung dengan pelanggan sering kali merupakan langkah awal yang dilakukan sebuah perusahaan.  Sistem AI lainnya berfokus pada otomatisasi tugas-tugas umum.  Yang terakhir ini sangat berhasil untuk aplikasi Supply Chain.

Otomatisasi berbasis AI dapat menghilangkan banyak proses manual dan membuat alur kerja lebih efisien.  NLP dan otomasi tugas dapat bermanfaat untuk hampir semua aplikasi industri. Pengembangan AI untuk analisis Financial Market merupakan tugas yang relatif sulit.

Cornell University mengembangkan GenAI Model StockGPT.  Lihat “StockGPT: A GenAI Model for Stock Prediction and Trading” di

Kesimpulan

Analisis pasar keuangan agak lebih kompleks dibandingkan aplikasi seperti Supply Chain atau bahkan Perbankan.  Ada jauh lebih banyak variabel dan perilaku kompleks yang digerakkan sebagian oleh angka-angka pasar, regulasi, dan respons emosional para partisipan.

Sebagian hal ini dapat ditangkap dengan statistik untuk mengurangi risiko, tetapi prediksi untuk pasar keuangan masuk ke kategori masalah aljabar di mana jumlah variabel terlalu banyak dan jumlah persamaan tidak cukup.  AI dapat mencari pola dan anomali selain sekadar melakukan perhitungan matematis.

Quantum Computing adalah teknologi lain yang bagus untuk dieksplorasi.  Ini sudah menunjukkan nilai pada aplikasi tertentu dalam ilmu pengetahuan.  Telah disarankan untuk digunakan dalam manajemen risiko melalui simulasi Monte Carlo untuk satu contoh finansial.

Kita akan lihat apa yang akan terjadi di masa depan.