* * *_**アンナ・ショッフ** – 音声と言語処理の修士号を持ち、深層学習、データサイエンス、機械学習の専門家。彼女の研究関心は、古代言語のニューラル解読、リソースの少ない機械翻訳、言語識別を含む。学界と産業界での計算言語学、AI、NLP研究に豊富な経験を持つ。__**ブハシャン・ジョシ** – 銀行向けISV、金融市場、資産管理の能力リーダー。デジタルバンキング、キャピタルマーケット、クラウド変革の豊富な経験を持つ。グローバル銀行向けにビジネス戦略、コンサルティング、大規模な金融技術導入を主導し、マイクロサービス、プロセス最適化、取引システムに焦点を当てている。__**ケネス・ショッフ** – IBM AIアプリケーションのオープングループ名誉技術スペシャリスト。20年以上の銀行、金融市場、フィンテックの経験を持つ。IBMスターリングソリューション、技術販売に特化し、サプライチェーンや金融サービスにおけるAI主導の変革についてC-suiteの経営層に助言している。__**ラジャ・バス** – 金融市場におけるAI、自動化、持続可能性の専門家であり、製品管理とイノベーションのリーダー。銀行技術の変革に強い背景を持ち、米国、カナダ、ヨーロッパ、アジアでグローバルなアドバイザリーと実装プロジェクトを主導。現在XLRIの博士課程の学生で、AIが金融システムと持続可能性に与える影響に焦点を当てている。_* * ***トップフィンテックニュースとイベントを発見しよう！****FinTech Weeklyのニュースレターに登録****JPモルガン、コインベース、ブラックロック、クラルナなどの経営者が読んでいます*** * *フィンテック向けAI技術の開発は大きな可能性を秘めて拡大しているが、その成長は他の応用よりも遅れる可能性がある。 **AIは人間が見逃しがちなパターンや異常を捉えることができる**。これは、AIシステムが多くの構造化・非構造化データを大量に処理できる能力による。 しかし、**600兆以上のシナプス接続を持つ人間の脳は、私たちが知る中で最も複雑な物体と呼ばれている**。AIは大量の詳細を処理して人間の分析を補完できるが、思考はできない。 イェール大学で何年も前に行われたAIの授業では、AIを**「計算モデルによる認知過程の研究」**と定義していた。この定義は今も有効である。多くの場合、これらの計算モデルは独立して有用であり、エキスパートシステムや小規模な人工ニューラルネットワークから、LLMsや生成AIに用いられるファウンデーションモデルまで進化してきた。 ハードウェアの進歩により、多くのことが可能になった。今後もさらなる進展が期待される。 1990年代には、**AI**システムの一般知識の欠如が大きな制約だったことを知っており、今や大規模AIモデルでそれを提供できるようになった。 初期のAI技術は、特定のタスクに限定されており、まるで「バカ天才」のように一つの非常に特定の作業は得意だが、それ以外には役に立たなかった。 それでも、これらは特定のタスクにおいて低コストで価値を提供できる。持続可能性の観点からも、これらの技術はAIの風景で役割を果たし続けるだろう。 LLMsが提供する**自然言語処理（NLP）と音声処理**の能力は、自然言語のやり取りの内容の約90％を正確に捉えることができ、ヒューマン・マシンインタラクションに非常に価値が高い。 現状の最先端では、NLPに用いられるモデルは**非常に高い計算コスト**（つまり高い電気代）で動作しており、持続可能性の観点から問題となる。経験豊富な図書館員や専門家は100％正確な結果を提供でき、昼食だけで済む。適切なリソースを適切な時に使うべきだ。 最近では、DeepSeekのような技術の進展により、より小さなアプリケーション特化型のモデルを構築し、同じ技術を用いて効率化を図る例も見られる。**これは、問題領域に堅牢なAI技術を提供しつつ、計算コストを削減するウィンウィンのアプローチだ**。 例えば、資産管理をサポートするフィンテックAIシステムは、英文学の背景知識を必要としない。 **AI支援による資産管理アドバイザリー** ------------------------------------------資産管理を例に考えてみよう。クライアントのプロフィール作成のための面談は、意思決定木やエキスパートシステムのような基本的なAI技術で行える。**しかし、過去の経験から、エキスパートシステムを用いた面談よりも、優秀なアドバイザーが会話だけでより良い結果を得られることが多い。** 知識のある人に代わるものはない。AIは補助役であり、主導すべきではない。 **ポートフォリオ分析** ----------------------クライアントのポートフォリオがある場合、その分析もAIが支援できる。 投資は時間とともにどう変化したか？特定の業界に偏っているか？将来的にどうなる見込みか？取引履歴はどうか？ これらの情報をもとに、アドバイザーは投資ポートフォリオの制約条件を設定できる。 **個人の好み、リスクの上限、利用可能資金の範囲など、選択を制約する要素を含む。** **AI支援による資産管理アドバイザリー** ------------------------------------------多くの企業が、株式や市場セグメントの動向を予測するAIモデルを用いている。 **これは予測問題として捉え、トレンドの動きを予測するか、AIが得意とする分類問題として扱う。** アドバイザーはこれらのサービスを利用して情報を得ることができる。 環境・社会・ガバナンス（ESG）も結果に影響を与える要素だ。 これらはすでに分析に用いるAIモデルの入力として含まれている場合もある。 アドバイザーとクライアントは、ポートフォリオに何を含めるかを議論する必要がある。 **ストローマンアーキテクチャ** ----------------------------以下の図のような概念的な構想も考えられる。多くのバリエーションが可能だ。 一般的な実装例は、単一のGenAIファウンデーションモデルがすべてを担うものだが、**タスクを分割する方が良いと考える。** 各モデルは問題領域の一部を担当し、より小さなモデルとなる。 一部は常時稼働し、他は必要に応じて動作させることもできる。 図では、予測生成AIモデルがアドバイザリーシステムとして、他の目的特化型AIモデルをサポートする想定だ。 これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場や金融商品に対して訓練される。 データフィードを取り込み、データレイクの他のデータと組み合わせて、市場の成長予測や異常検知を行い、リスク軽減を図る。 **これらのシステムはまだ成熟段階にあるとは言えないが、開発は進んでいる。** 各予測GenAIモデルの結果はデータレイクに記録される。 また、分析モデルは通知を他のモデルに送信し、特定のタスクを実行させることもできる。 これらのモデルは、市場が活発な期間中は定期的または継続的に動作させることもある。 自律取引システムは、市場分析のステータスフィードを利用して取引をトリガーできる。 分類システムは資産を定期的に評価し、その履歴をデータレイクに記録する。最後に、GenAIポートフォリオアシスタントに到達する。 **ポートフォリオアシスタントは、最新の市場データと履歴にアクセスできるAI支援のレコメンダーシステムだ。** アドバイザーは、クライアントのプロフィールを提供し、推奨を依頼できる。 これは、クライアントがいる状態で行うのが最適だ。 **アドバイザーとクライアントのやり取りは記録され、分析の入力としてデータレイクに保存されるべきだ。** アドバイザーは、NLPインターフェース（テキストまたは音声）を通じてAIシステムにアクセスする。 ポートフォリオアシスタントは、モデル、データレイク、または市場分析モデルのAPIクエリから情報を引き出し、アドバイザーに応答する。 NLPインターフェースは強力な助手だが、経験に基づき、質問の仕方を知る必要がある。 **その人間の仲介なしでは、複雑なトピックに関するNLPシステムとのやり取りは初心者には難しいかもしれない。** 大規模言語モデルは従来の技術よりもはるかに高性能だが、ティリングテストに合格する可能性は低い。 ティリングテストは、人間が質問に対する回答を見て、その相手が機械か人間か区別できない状態を指す。 これらの機械は人間ではなく、正確に人間のように応答できるわけではない。 **多くの企業は、プロンプトを工夫してモデルからより良い応答を引き出すために、専門の人を雇っている。** 2021年のジュニパーリサーチの報告によると、2025年までに世界の銀行顧客の40％がNLPチャットボットを利用する見込みだ。 顧客向けアプリケーションの前にNLPを導入するのが一般的なスタート地点だ。 他のAIシステムは、一般的なタスクの自動化に焦点を当てている。 特にサプライチェーンの自動化には成功例が多い。 AIによる自動化は、多くの手作業を排除し、ワークフローの効率化を促進できる。 NLPとタスク自動化は、ほぼすべての業界に利益をもたらす可能性がある。 金融市場分析のためのAI開発は、比較的難しい課題だ。 * * *コーネル大学は、GenAIモデルのStockGPTを開発した。 詳細は「StockGPT: 株価予測と取引のためのGenAIモデル」https://arxiv.org/abs/2404.05101.を参照。 * * ***結論** --------------金融市場の分析は、サプライチェーンや銀行業務よりも複雑だ。 多くの変数と、市場の数値、規制、参加者の感情的反応による複雑な挙動が関係している。 一部は統計を用いてリスクを低減できるが、予測は代数問題の範疇に入り、多すぎる変数と少なすぎる方程式の問題だ。 AIはパターンや異常を見つけ出すだけでなく、数学的な計算も行える。 量子コンピューティングも、探索すべき技術の一つだ。 すでに科学分野で価値を示しており、リスク管理のモンテカルロシミュレーションなどに応用が提案されている。 **未来を見守ろう**。* * *
フィンテックとAIが次のイノベーションの波を牽引する
アンナ・ショッフ – 音声と言語処理の修士号を持ち、深層学習、データサイエンス、機械学習の専門家。彼女の研究関心は、古代言語のニューラル解読、リソースの少ない機械翻訳、言語識別を含む。学界と産業界での計算言語学、AI、NLP研究に豊富な経験を持つ。
ブハシャン・ジョシ – 銀行向けISV、金融市場、資産管理の能力リーダー。デジタルバンキング、キャピタルマーケット、クラウド変革の豊富な経験を持つ。グローバル銀行向けにビジネス戦略、コンサルティング、大規模な金融技術導入を主導し、マイクロサービス、プロセス最適化、取引システムに焦点を当てている。
ケネス・ショッフ – IBM AIアプリケーションのオープングループ名誉技術スペシャリスト。20年以上の銀行、金融市場、フィンテックの経験を持つ。IBMスターリングソリューション、技術販売に特化し、サプライチェーンや金融サービスにおけるAI主導の変革についてC-suiteの経営層に助言している。
ラジャ・バス – 金融市場におけるAI、自動化、持続可能性の専門家であり、製品管理とイノベーションのリーダー。銀行技術の変革に強い背景を持ち、米国、カナダ、ヨーロッパ、アジアでグローバルなアドバイザリーと実装プロジェクトを主導。現在XLRIの博士課程の学生で、AIが金融システムと持続可能性に与える影響に焦点を当てている。
トップフィンテックニュースとイベントを発見しよう！
FinTech Weeklyのニュースレターに登録
JPモルガン、コインベース、ブラックロック、クラルナなどの経営者が読んでいます
フィンテック向けAI技術の開発は大きな可能性を秘めて拡大しているが、その成長は他の応用よりも遅れる可能性がある。
AIは人間が見逃しがちなパターンや異常を捉えることができる。これは、AIシステムが多くの構造化・非構造化データを大量に処理できる能力による。
しかし、600兆以上のシナプス接続を持つ人間の脳は、私たちが知る中で最も複雑な物体と呼ばれている。AIは大量の詳細を処理して人間の分析を補完できるが、思考はできない。
イェール大学で何年も前に行われたAIの授業では、AIを**「計算モデルによる認知過程の研究」**と定義していた。この定義は今も有効である。多くの場合、これらの計算モデルは独立して有用であり、エキスパートシステムや小規模な人工ニューラルネットワークから、LLMsや生成AIに用いられるファウンデーションモデルまで進化してきた。
ハードウェアの進歩により、多くのことが可能になった。今後もさらなる進展が期待される。
1990年代には、AIシステムの一般知識の欠如が大きな制約だったことを知っており、今や大規模AIモデルでそれを提供できるようになった。
初期のAI技術は、特定のタスクに限定されており、まるで「バカ天才」のように一つの非常に特定の作業は得意だが、それ以外には役に立たなかった。
それでも、これらは特定のタスクにおいて低コストで価値を提供できる。持続可能性の観点からも、これらの技術はAIの風景で役割を果たし続けるだろう。
LLMsが提供する自然言語処理（NLP）と音声処理の能力は、自然言語のやり取りの内容の約90％を正確に捉えることができ、ヒューマン・マシンインタラクションに非常に価値が高い。
現状の最先端では、NLPに用いられるモデルは非常に高い計算コスト（つまり高い電気代）で動作しており、持続可能性の観点から問題となる。経験豊富な図書館員や専門家は100％正確な結果を提供でき、昼食だけで済む。適切なリソースを適切な時に使うべきだ。
最近では、DeepSeekのような技術の進展により、より小さなアプリケーション特化型のモデルを構築し、同じ技術を用いて効率化を図る例も見られる。これは、問題領域に堅牢なAI技術を提供しつつ、計算コストを削減するウィンウィンのアプローチだ。
例えば、資産管理をサポートするフィンテックAIシステムは、英文学の背景知識を必要としない。
AI支援による資産管理アドバイザリー
資産管理を例に考えてみよう。
クライアントのプロフィール作成のための面談は、意思決定木やエキスパートシステムのような基本的なAI技術で行える。しかし、過去の経験から、エキスパートシステムを用いた面談よりも、優秀なアドバイザーが会話だけでより良い結果を得られることが多い。
知識のある人に代わるものはない。AIは補助役であり、主導すべきではない。
ポートフォリオ分析
クライアントのポートフォリオがある場合、その分析もAIが支援できる。
投資は時間とともにどう変化したか？特定の業界に偏っているか？将来的にどうなる見込みか？取引履歴はどうか？
これらの情報をもとに、アドバイザーは投資ポートフォリオの制約条件を設定できる。
個人の好み、リスクの上限、利用可能資金の範囲など、選択を制約する要素を含む。
AI支援による資産管理アドバイザリー
多くの企業が、株式や市場セグメントの動向を予測するAIモデルを用いている。
これは予測問題として捉え、トレンドの動きを予測するか、AIが得意とする分類問題として扱う。
アドバイザーはこれらのサービスを利用して情報を得ることができる。
環境・社会・ガバナンス（ESG）も結果に影響を与える要素だ。
これらはすでに分析に用いるAIモデルの入力として含まれている場合もある。
アドバイザーとクライアントは、ポートフォリオに何を含めるかを議論する必要がある。
ストローマンアーキテクチャ
以下の図のような概念的な構想も考えられる。多くのバリエーションが可能だ。
一般的な実装例は、単一のGenAIファウンデーションモデルがすべてを担うものだが、タスクを分割する方が良いと考える。
各モデルは問題領域の一部を担当し、より小さなモデルとなる。
一部は常時稼働し、他は必要に応じて動作させることもできる。
図では、予測生成AIモデルがアドバイザリーシステムとして、他の目的特化型AIモデルをサポートする想定だ。
これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場や金融商品に対して訓練される。
データフィードを取り込み、データレイクの他のデータと組み合わせて、市場の成長予測や異常検知を行い、リスク軽減を図る。
これらのシステムはまだ成熟段階にあるとは言えないが、開発は進んでいる。
各予測GenAIモデルの結果はデータレイクに記録される。
また、分析モデルは通知を他のモデルに送信し、特定のタスクを実行させることもできる。
これらのモデルは、市場が活発な期間中は定期的または継続的に動作させることもある。
自律取引システムは、市場分析のステータスフィードを利用して取引をトリガーできる。
分類システムは資産を定期的に評価し、その履歴をデータレイクに記録する。最後に、GenAIポートフォリオアシスタントに到達する。
ポートフォリオアシスタントは、最新の市場データと履歴にアクセスできるAI支援のレコメンダーシステムだ。
アドバイザーは、クライアントのプロフィールを提供し、推奨を依頼できる。
これは、クライアントがいる状態で行うのが最適だ。
アドバイザーとクライアントのやり取りは記録され、分析の入力としてデータレイクに保存されるべきだ。
アドバイザーは、NLPインターフェース（テキストまたは音声）を通じてAIシステムにアクセスする。
ポートフォリオアシスタントは、モデル、データレイク、または市場分析モデルのAPIクエリから情報を引き出し、アドバイザーに応答する。
NLPインターフェースは強力な助手だが、経験に基づき、質問の仕方を知る必要がある。
その人間の仲介なしでは、複雑なトピックに関するNLPシステムとのやり取りは初心者には難しいかもしれない。
大規模言語モデルは従来の技術よりもはるかに高性能だが、ティリングテストに合格する可能性は低い。
ティリングテストは、人間が質問に対する回答を見て、その相手が機械か人間か区別できない状態を指す。
これらの機械は人間ではなく、正確に人間のように応答できるわけではない。
多くの企業は、プロンプトを工夫してモデルからより良い応答を引き出すために、専門の人を雇っている。
2021年のジュニパーリサーチの報告によると、2025年までに世界の銀行顧客の40％がNLPチャットボットを利用する見込みだ。
顧客向けアプリケーションの前にNLPを導入するのが一般的なスタート地点だ。
他のAIシステムは、一般的なタスクの自動化に焦点を当てている。
特にサプライチェーンの自動化には成功例が多い。
AIによる自動化は、多くの手作業を排除し、ワークフローの効率化を促進できる。
NLPとタスク自動化は、ほぼすべての業界に利益をもたらす可能性がある。
金融市場分析のためのAI開発は、比較的難しい課題だ。
コーネル大学は、GenAIモデルのStockGPTを開発した。
詳細は「StockGPT: 株価予測と取引のためのGenAIモデル」https://arxiv.org/abs/2404.05101.を参照。
結論
金融市場の分析は、サプライチェーンや銀行業務よりも複雑だ。
多くの変数と、市場の数値、規制、参加者の感情的反応による複雑な挙動が関係している。
一部は統計を用いてリスクを低減できるが、予測は代数問題の範疇に入り、多すぎる変数と少なすぎる方程式の問題だ。
AIはパターンや異常を見つけ出すだけでなく、数学的な計算も行える。
量子コンピューティングも、探索すべき技術の一つだ。
すでに科学分野で価値を示しており、リスク管理のモンテカルロシミュレーションなどに応用が提案されている。
未来を見守ろう。