FinTech dan AI Mendorong Gelombang Inovasi Berikutnya

Anna Schoff – Lulusan MSc dalam Speech dan NLP dengan keahlian dalam pembelajaran mendalam, ilmu data, dan pembelajaran mesin. Minat penelitiannya meliputi dekripsi neural bahasa kuno, terjemahan mesin sumber daya rendah, dan identifikasi bahasa. Dia memiliki pengalaman luas dalam linguistik komputasional, AI, dan penelitian NLP di akademisi dan industri.

Bhushan Joshi – Pemimpin Kompetensi untuk Perbankan ISV, Pasar Keuangan, dan Manajemen Kekayaan dengan pengalaman luas dalam perbankan digital, pasar modal, dan transformasi cloud. Dia telah memimpin strategi bisnis, konsultasi, dan implementasi teknologi keuangan skala besar untuk bank-bank global, dengan fokus pada mikroservis, 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. Dia mengkhususkan diri dalam solusi IBM Sterling, penjualan teknis, dan memberi nasihat 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 telah memimpin proyek penasihat dan implementasi global di AS, Kanada, Eropa, dan Asia. Saat ini mahasiswa doktoral di XLRI, dia fokus 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 terlewatkan 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 telah disebut sebagai objek paling kompleks yang kita ketahui di mana saja – bumi, sistem tata surya, dan seterusnya. AI dapat meningkatkan analisis manusia melalui kemampuannya memproses banyak detail dalam volume besar, tetapi ia tidak dapat berpikir.

Dalam kelas tentang 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 ini telah berkembang dari Sistem Pakar dan Jaringan Neural Buatan kecil hingga teknik Deep Learning yang digunakan untuk membangun Model Bahasa Besar (LLMs) dan Model Dasar yang digunakan dalam AI Generatif.   Kemajuan perangkat keras telah memungkinkan banyak hal ini, dan kami yakin akan ada lebih banyak lagi yang datang.

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

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

Kemampuan Pemrosesan Bahasa Alami (NLP) dan Pemrosesan Suara yang disediakan oleh LLM saat ini mampu menangkap mungkin 90% dari isi pertukaran Bahasa Alami secara akurat yang sangat bernilai tinggi untuk interaksi manusia-mesin.

Dalam keadaan seni saat ini, model yang digunakan untuk NLP dijalankan dengan 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 pada waktu yang tepat.

Baru-baru ini, dengan perkembangan seperti DeepSeek, kita melihat optimisasi yang diperoleh dengan membangun aplikasi spesifik yang lebih kecil menggunakan teknologi yang sama dengan model komprehensif yang lebih besar. Ini adalah kemenangan ganda 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.

Manajemen Kekayaan Berbantuan AI

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 beberapa wawancara yang didorong oleh Sistem Pakar, penasihat yang berkualitas baik akan mendapatkan hasil yang lebih baik hanya melalui percakapan. Tidak ada pengganti untuk orang yang tahu apa yang mereka lakukan. AI harus membantu tetapi tidak mengemudikan.

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? Apa prognosisnya tentang bagaimana ini kemungkinan akan berkinerja di 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 mungkin termasuk preferensi pribadi, batasan risiko, batasan dana yang tersedia, dan pertimbangan lain yang dapat membatasi pilihan.

Manajemen Kekayaan Berbantuan AI

Ada beberapa perusahaan yang menggunakan model AI untuk memberikan panduan tentang saham atau segmen pasar mana yang kemungkinan akan berkinerja baik atau buruk. Ini baik dirumuskan 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 ada ini untuk menyediakan jenis informasi ini.

Pertimbangan Lingkungan, Sosial, dan Tata Kelola (ESG) juga dapat mempengaruhi hasil. Ini mungkin sudah termasuk sebagai input ke dalam model AI yang digunakan untuk melakukan analisis. Penasihat dan klien perlu mendiskusikan apa spesifik yang akan 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 akan didasarkan pada satu model dasar GenAI yang melakukan semua yang kita gambarkan di bawah ini, tetapi kami pikir mempartisi 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 Generatif Prediktif AI yang berfungsi sebagai sistem penasihat untuk model AI tujuan khusus lainnya. Model GenAI ini akan melakukan sebagian besar analisis pasar dan akan dilatih untuk berbagai pasar dan instrumen keuangan.

Mereka akan mengkonsumsi data feeds 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 telah matang untuk dapat diandalkan, tetapi mereka sedang berkembang.

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

Sistem perdagangan otonom mungkin menggunakan feed status dari analisis pasar untuk memicu perdagangan. Sistem klasifikasi akan secara berkala menilai aset dan menyimpan riwayat klasifikasi aset dalam 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 untuk memberikan profil klien dan meminta rekomendasi. Ini paling baik dilakukan dengan klien hadir. Interaksi penasihat dengan klien harus direkam dan dicatat dalam data lake sebagai input untuk 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, dari 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 mungkin akan membuat frustrasi pemula. Model Bahasa Besar jauh lebih mampu daripada teknologi sebelumnya di bidang ini, tetapi mereka masih belum mampu melewati Uji Turing.

Uji Turing mensyaratkan bahwa manusia tidak boleh mampu membedakan mesin dari manusia lain berdasarkan jawaban atas pertanyaan yang diajukan kepada keduanya. Mesin-mesin ini bukan manusia dan tidak bisa merespons 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 dari 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 sebuah perusahaan. Sistem AI lain berfokus 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: Model GenAI untuk Prediksi dan Perdagangan Saham” di

Kesimpulan

Analisis pasar keuangan agak lebih kompleks daripada 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 dari ini dapat ditangkap menggunakan statistik untuk mengurangi risiko, tetapi prediksi untuk pasar keuangan termasuk dalam kategori masalah aljabar di mana terlalu banyak variabel dan tidak cukup persamaan.  AI dapat mencari pola dan anomali selain melakukan perhitungan.

Komputasi Kuantum adalah teknologi lain yang akan baik untuk dieksplorasi. Ini sudah menunjukkan nilai dalam aplikasi tertentu di bidang ilmu pengetahuan. Sudah disarankan untuk digunakan dalam manajemen risiko melalui simulasi Monte Carlo untuk satu contoh keuangan.

Kita akan lihat apa yang akan terjadi di masa depan.