* * *_**アンナ・ショフ** – 言語聴覚とNLP（自然言語処理）のMSc修了者で、ディープラーニング、データサイエンス、機械学習に関する専門知識を持つ。研究関心には、古代言語の神経解読、低リソース機械翻訳、言語識別が含まれる。アカデミアと業界の双方において、計算言語学、AI、NLP研究に幅広い経験がある。__**ブーシャン・ジョシ** – バンキングISV、金融市場、ウェルスマネジメントのコンピテンシーリーダーで、デジタルバンキング、資本市場、クラウド移行に関する豊富な経験を持つ。彼は、マイクロサービス、プロセス最適化、トレーディングシステムに焦点を当て、グローバルな銀行に対して、ビジネス戦略、コンサルティング、大規模な金融テクノロジー導入を主導してきた。__**ケネス・ショフ** – IBM AI ApplicationsにおけるOpen Group Distinguished Technical Specialistで、銀行、金融市場、フィンテックの分野で20年以上の経験がある。彼はIBM Sterlingソリューション、テクニカルセールス、ならびにサプライチェーンと金融サービスにおけるAI主導の変革についてC-suite（経営幹部）に助言することを専門としている。__**ラジャ・バス** – 金融市場におけるAI、オートメーション、サステナビリティに強みを持つプロダクトマネジメントおよびイノベーションリーダー。銀行テクノロジーの変革に関する強固なバックグラウンドがあり、米国、カナダ、欧州、アジアにまたがってグローバルなアドバイザリーおよび導入プロジェクトを率いてきた。現在はXLRIの博士課程の学究であり、金融システムとサステナビリティに対するAIの影響に注力している。_* * ***トップのフィンテックニュースとイベントを発見しよう！****FinTech Weeklyのニュースレターを購読する****JP Morgan、Coinbase、Blackrock、Klarnaなどの経営幹部が読む*** * *FinTechのためのAI技術の開発は大きな可能性とともに成長しているが、問題の複雑さのため、他の用途よりも成長が遅くなる可能性がある。 **AIは、人間が見落としがちなパターンや異常を捉えられる**。それは、AIシステムが非常に大量のデータを、さまざまな構造化・非構造化の形式で取り込めるためだ。 しかし、**600兆を超えるシナプス結合を持つ人間の脳は、私たちがどこを見ても最も複雑な対象だと言われてきた**――地球、太陽系、そしてその先まで。AIは大量の詳細を処理する能力によって人間の分析を補完できるが、AIは考えることはできない。 何年も前にYaleのAIの授業では、彼らはAIを **“計算モデルによって認知プロセスを研究すること”** と定義した。この定義は今もなお当てはまる。多くの場合、その結果として得られる計算モデル自体が単独で有用であり、それらは、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、Large Language Models（LLM）を構築するために使われるディープラーニング、さらに生成AIで用いられるFoundation Modelsへと、能力を高めてきた。ハードウェアの進歩がこうした多くを可能にし、今後もさらに続くはずだと確信している。1990年代に遡ると、**AI**システムにおける汎用的な知識の欠如が、重要な制約要因であることは分かっており、そして現在では、それを大規模なAIモデルによって提供できるようになった。初期のAI技術は、いわば愚者の賢者のように、非常に特定のタスクに限られていた――一つの極めて具体的なタスクを非常にうまくこなせるが、それ以外の用途には役に立たない。 とはいえ、こうした技術は、計算コストがはるかに低い形で、特殊なタスクに対して価値を提供し続け、今もそれが可能だ。サステナビリティの観点から、これらの技術はAIの領域における役割を今なお果たし得る。 LLMによって提供される **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少なくとも90%を正確に捉えられる可能性があり、これは人間と機械の相互作用にとって非常に高い価値がある。 最先端の現状では、NLPに使われるモデルは **非常に高い計算コスト**（非常に高額な電気代を意味する）で動かされており、これはサステナビリティの考慮に逆行する。経験ある図書館員、あるいは同様の専門家であれば、100%正確な結果を提供でき、必要なのは昼食だけだということを念頭に置いてほしい。私たちは適切なリソースを、適切なタイミングで使うべきだ。より最近では、DeepSeekのような開発によって、より大規模で包括的なモデルと同じ技術を用いながら、より小さなアプリケーション特化型のアプリを構築することで最適化が得られることが見えてきた。 **これは、計算コストを下げながら、問題領域に対処するための堅牢なAIテクノロジーを提供するという意味で、双方にとっての勝利だ。** たとえば、ウェルスマネジメントを支援するFintechのAIシステムは、英文学のバックグラウンドを必要としない。**AI支援型ウェルスマネジメント・アドバイザリー**------------------------------------------ウェルスマネジメントを一つの例として考えてみよう。クライアントのプロフィールを作成するためのクライアント面談は、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手法によって導かれ得る。 **しかし、いくつかのエキスパートシステム主導の面談によるこれまでの経験に基づけば、有資格のアドバイザーは会話だけでより良い結果を得られる。** やるべきことを分かっている人々に代わるものはない。AIは支援すべきであって、主導すべきではない。**ポートフォリオ分析**----------------------クライアントが現在のポートフォリオを持っている場合、それは分析が必要であり、ここでもAIは支援できる。投資は時間の経過とともにどう推移したのか？クライアントは特定の業界に重点を置く傾向があるのか？これらが将来どのように推移しそうかという見通しはどうなっているのか？クライアントの取引の履歴はどうなっているのか？ クライアントプロフィールとポートフォリオ分析に基づき、アドバイザーは、提案する投資ポートフォリオに対して分析が考慮すべき内容について、特定の制限を導入することがある。 **それには、個人的な嗜好、リスクの上限、利用可能な資金の上限、そして選択肢を制約し得るその他のあらゆる考慮事項が含まれる可能性がある**。**AI支援型ウェルスマネジメント・アドバイザリー**------------------------------------------どの銘柄、またはどの市場セグメントがうまくいきそう／うまくいきそうにないかについてのガイダンスを提供するために、AIモデルを使う企業はいくつかある。 **これは、トレンドの動きが予測され得るという形の予測問題として構成される場合もあれば、AIが得意とする領域である分類問題として構成される場合もある。** アドバイザーは、これらの既存サービスを利用して、この種の情報を提供できる。**環境・社会・ガバナンス（ESG）** の考慮も、結果に影響を与え得る。これらは、分析を行うために用いられるAIモデルへの入力として、すでに含まれている可能性がある。アドバイザーとクライアントは、ポートフォリオモデルに含めるべき具体的な内容について話し合う必要がある。**ストローマン・アーキテクチャ**-------------------------ストローマンの概念的な見取り図は、下の図のようなものになるかもしれない。さまざまなバリエーションが可能だ。 非常によくある実装は、ここで説明するすべてを一つのGenAI基盤モデルで行うものに基づくかもしれないが、 **私たちはタスクを分割するほうがよいアプローチだと考えている。** 各モデルは問題領域の一部に対応するため、単一の包括的なモデルよりも小さくできる。あるシステムは継続的に動作し、別のシステムは要求に応じて動作するかもしれない。図では、他の目的特化型AIモデルに対してアドバイザリーシステムとして機能する、予測型の生成AIモデルが存在すると仮定している。これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場と金融商品について学習される。 それらはデータフィードを消費し、データレイクからの他のデータと組み合わせることで、成長と異常検知のための市場予測を生成し、リスクの低減につながり得る。 **そのようなシステムがまだ信頼できる水準まで成熟しているとは確信できていないが、開発は進んでいる**。 各予測型GenAIモデルの結果はデータレイクに記録される。加えて、分析モデルは、特定のタスクを他のモデルに実行させるために、通知をプッシュできる。これらのモデルは、一定の周期で実行される場合もあれば、対象とする市場が活動している期間は継続的に実行される可能性もある。自律型トレーディングシステムは、市場分析から得られるステータスフィードを用いて取引をトリガーし得る。分類システムは、資産に対して定期的に評価を行い、データレイク上で資産の分類に関する履歴を更新し続ける。最後に、GenAIポートフォリオ・アシスタントが登場する。 **ポートフォリオ・アシスタントは、現在の市場データと履歴にアクセスできる、AI裏付けの推奨（レコメンダー）システムである。** アドバイザーは、アシスタントと対話して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、クライアントが同席している状態で行うのが最も良い。 **アドバイザーがクライアントと行うやり取りは、分析への入力としてデータレイクに記録・保存されるべきだ**。アドバイザーがAIシステムにアクセスする方法は、NLPインターフェースであり、テキストまたは音声ベースになり得る。 ポートフォリオ・アシスタントは、モデル内の情報、データレイク、または市場分析モデルへのAPIクエリから得た情報を用いて、アドバイザーに応答する。NLPインターフェースは強力なアシスタントを提供するが、経験に基づけば、アドバイザーは有用な結果を得るために質問の仕方を理解している必要がある。 **その人間の仲介がなければ**、このような複雑なテーマについてNLPシステムと対話する経験は、初心者にとっては苛立たしいものになり得る。この領域において、Large Language Modelsはそれ以前のいかなる技術よりもはるかに高い能力を持つが、それでもチューリングテストを通過する可能性は低い。 チューリングテストは、人間が、双方に対して出した質問への返信を用いて、機械を他の人間と区別できないことを求める。これらの機械は人間ではなく、人間があり得るそのままの形で正確に応答することはできない。 **多くの企業は、LLMやGenAIシステムと対話することだけが職務内容であり、プロンプトを工夫してモデルからより良い回答を引き出すために人を雇っている。**Juniper Researchの2021年のレポートによれば、2025年までに世界の銀行顧客の40%が取引のためにNLPチャットボットを利用する。顧客向けアプリケーションの前段にNLPを追加することは、多くの場合、企業が最初に着手するところだ。ほかの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。後者はサプライチェーン向けのアプリケーションで非常に成功してきた。 AIベースの自動化は、多くの手作業プロセスを削減し、ワークフローをより効率化できる。NLPとタスク自動化は、ほぼあらゆる業界のアプリケーションで恩恵をもたらし得る。金融市場の分析のためのAI開発は、比較的難易度の高いタスクである。 * * *コーネル大学はGenAIモデルのStockGPTを開発した。 「StockGPT: A GenAI Model for Stock Prediction and Trading」を参照。掲載先は * * ***結論**--------------金融市場の分析は、サプライチェーンや、さらにはバンキングといった用途よりも、いくらか複雑である。市場の数値、規制、そして参加者の感情的な反応によって、一部駆動される変数や複雑な挙動は、はるかに多い。 このうちの一部は統計を用いてリスクを減らすために捉えられるが、金融市場の予測は代数の問題のカテゴリーに入り、変数は多いのに方程式が足りない。AIは、単に計算をするだけでなく、パターンや異常を探し出せる。 量子コンピューティングは、もう一つ検討すべき技術だ。これはすでに科学分野の特定の用途で価値を示している。金融の例として、モンテカルロシミュレーションを通じたリスク管理での利用が提案されている。 **未来がどうなるか見ていこう**。
フィンテックとAIが次のイノベーションの波を牽引
アンナ・ショフ – 言語聴覚とNLP（自然言語処理）のMSc修了者で、ディープラーニング、データサイエンス、機械学習に関する専門知識を持つ。研究関心には、古代言語の神経解読、低リソース機械翻訳、言語識別が含まれる。アカデミアと業界の双方において、計算言語学、AI、NLP研究に幅広い経験がある。
ブーシャン・ジョシ – バンキングISV、金融市場、ウェルスマネジメントのコンピテンシーリーダーで、デジタルバンキング、資本市場、クラウド移行に関する豊富な経験を持つ。彼は、マイクロサービス、プロセス最適化、トレーディングシステムに焦点を当て、グローバルな銀行に対して、ビジネス戦略、コンサルティング、大規模な金融テクノロジー導入を主導してきた。
ケネス・ショフ – IBM AI ApplicationsにおけるOpen Group Distinguished Technical Specialistで、銀行、金融市場、フィンテックの分野で20年以上の経験がある。彼はIBM Sterlingソリューション、テクニカルセールス、ならびにサプライチェーンと金融サービスにおけるAI主導の変革についてC-suite（経営幹部）に助言することを専門としている。
ラジャ・バス – 金融市場におけるAI、オートメーション、サステナビリティに強みを持つプロダクトマネジメントおよびイノベーションリーダー。銀行テクノロジーの変革に関する強固なバックグラウンドがあり、米国、カナダ、欧州、アジアにまたがってグローバルなアドバイザリーおよび導入プロジェクトを率いてきた。現在はXLRIの博士課程の学究であり、金融システムとサステナビリティに対するAIの影響に注力している。
トップのフィンテックニュースとイベントを発見しよう！
FinTech Weeklyのニュースレターを購読する
JP Morgan、Coinbase、Blackrock、Klarnaなどの経営幹部が読む
FinTechのためのAI技術の開発は大きな可能性とともに成長しているが、問題の複雑さのため、他の用途よりも成長が遅くなる可能性がある。
AIは、人間が見落としがちなパターンや異常を捉えられる。それは、AIシステムが非常に大量のデータを、さまざまな構造化・非構造化の形式で取り込めるためだ。
しかし、600兆を超えるシナプス結合を持つ人間の脳は、私たちがどこを見ても最も複雑な対象だと言われてきた――地球、太陽系、そしてその先まで。AIは大量の詳細を処理する能力によって人間の分析を補完できるが、AIは考えることはできない。
何年も前にYaleのAIの授業では、彼らはAIを “計算モデルによって認知プロセスを研究すること” と定義した。この定義は今もなお当てはまる。多くの場合、その結果として得られる計算モデル自体が単独で有用であり、それらは、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、Large Language Models（LLM）を構築するために使われるディープラーニング、さらに生成AIで用いられるFoundation Modelsへと、能力を高めてきた。ハードウェアの進歩がこうした多くを可能にし、今後もさらに続くはずだと確信している。
1990年代に遡ると、AIシステムにおける汎用的な知識の欠如が、重要な制約要因であることは分かっており、そして現在では、それを大規模なAIモデルによって提供できるようになった。初期のAI技術は、いわば愚者の賢者のように、非常に特定のタスクに限られていた――一つの極めて具体的なタスクを非常にうまくこなせるが、それ以外の用途には役に立たない。
とはいえ、こうした技術は、計算コストがはるかに低い形で、特殊なタスクに対して価値を提供し続け、今もそれが可能だ。サステナビリティの観点から、これらの技術はAIの領域における役割を今なお果たし得る。
LLMによって提供される 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少なくとも90%を正確に捉えられる可能性があり、これは人間と機械の相互作用にとって非常に高い価値がある。
最先端の現状では、NLPに使われるモデルは 非常に高い計算コスト（非常に高額な電気代を意味する）で動かされており、これはサステナビリティの考慮に逆行する。経験ある図書館員、あるいは同様の専門家であれば、100%正確な結果を提供でき、必要なのは昼食だけだということを念頭に置いてほしい。私たちは適切なリソースを、適切なタイミングで使うべきだ。
より最近では、DeepSeekのような開発によって、より大規模で包括的なモデルと同じ技術を用いながら、より小さなアプリケーション特化型のアプリを構築することで最適化が得られることが見えてきた。 これは、計算コストを下げながら、問題領域に対処するための堅牢なAIテクノロジーを提供するという意味で、双方にとっての勝利だ。 たとえば、ウェルスマネジメントを支援するFintechのAIシステムは、英文学のバックグラウンドを必要としない。
AI支援型ウェルスマネジメント・アドバイザリー
ウェルスマネジメントを一つの例として考えてみよう。
クライアントのプロフィールを作成するためのクライアント面談は、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手法によって導かれ得る。 しかし、いくつかのエキスパートシステム主導の面談によるこれまでの経験に基づけば、有資格のアドバイザーは会話だけでより良い結果を得られる。 やるべきことを分かっている人々に代わるものはない。AIは支援すべきであって、主導すべきではない。
ポートフォリオ分析
クライアントが現在のポートフォリオを持っている場合、それは分析が必要であり、ここでもAIは支援できる。投資は時間の経過とともにどう推移したのか？クライアントは特定の業界に重点を置く傾向があるのか？これらが将来どのように推移しそうかという見通しはどうなっているのか？クライアントの取引の履歴はどうなっているのか？
クライアントプロフィールとポートフォリオ分析に基づき、アドバイザーは、提案する投資ポートフォリオに対して分析が考慮すべき内容について、特定の制限を導入することがある。 それには、個人的な嗜好、リスクの上限、利用可能な資金の上限、そして選択肢を制約し得るその他のあらゆる考慮事項が含まれる可能性がある。
AI支援型ウェルスマネジメント・アドバイザリー
どの銘柄、またはどの市場セグメントがうまくいきそう／うまくいきそうにないかについてのガイダンスを提供するために、AIモデルを使う企業はいくつかある。 これは、トレンドの動きが予測され得るという形の予測問題として構成される場合もあれば、AIが得意とする領域である分類問題として構成される場合もある。 アドバイザーは、これらの既存サービスを利用して、この種の情報を提供できる。
環境・社会・ガバナンス（ESG） の考慮も、結果に影響を与え得る。これらは、分析を行うために用いられるAIモデルへの入力として、すでに含まれている可能性がある。アドバイザーとクライアントは、ポートフォリオモデルに含めるべき具体的な内容について話し合う必要がある。
ストローマン・アーキテクチャ
ストローマンの概念的な見取り図は、下の図のようなものになるかもしれない。さまざまなバリエーションが可能だ。
非常によくある実装は、ここで説明するすべてを一つのGenAI基盤モデルで行うものに基づくかもしれないが、 私たちはタスクを分割するほうがよいアプローチだと考えている。
各モデルは問題領域の一部に対応するため、単一の包括的なモデルよりも小さくできる。あるシステムは継続的に動作し、別のシステムは要求に応じて動作するかもしれない。
図では、他の目的特化型AIモデルに対してアドバイザリーシステムとして機能する、予測型の生成AIモデルが存在すると仮定している。これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場と金融商品について学習される。
それらはデータフィードを消費し、データレイクからの他のデータと組み合わせることで、成長と異常検知のための市場予測を生成し、リスクの低減につながり得る。 そのようなシステムがまだ信頼できる水準まで成熟しているとは確信できていないが、開発は進んでいる。
各予測型GenAIモデルの結果はデータレイクに記録される。加えて、分析モデルは、特定のタスクを他のモデルに実行させるために、通知をプッシュできる。これらのモデルは、一定の周期で実行される場合もあれば、対象とする市場が活動している期間は継続的に実行される可能性もある。
自律型トレーディングシステムは、市場分析から得られるステータスフィードを用いて取引をトリガーし得る。分類システムは、資産に対して定期的に評価を行い、データレイク上で資産の分類に関する履歴を更新し続ける。最後に、GenAIポートフォリオ・アシスタントが登場する。
ポートフォリオ・アシスタントは、現在の市場データと履歴にアクセスできる、AI裏付けの推奨（レコメンダー）システムである。 アドバイザーは、アシスタントと対話して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、クライアントが同席している状態で行うのが最も良い。 アドバイザーがクライアントと行うやり取りは、分析への入力としてデータレイクに記録・保存されるべきだ。
アドバイザーがAIシステムにアクセスする方法は、NLPインターフェースであり、テキストまたは音声ベースになり得る。
ポートフォリオ・アシスタントは、モデル内の情報、データレイク、または市場分析モデルへのAPIクエリから得た情報を用いて、アドバイザーに応答する。NLPインターフェースは強力なアシスタントを提供するが、経験に基づけば、アドバイザーは有用な結果を得るために質問の仕方を理解している必要がある。
その人間の仲介がなければ、このような複雑なテーマについてNLPシステムと対話する経験は、初心者にとっては苛立たしいものになり得る。この領域において、Large Language Modelsはそれ以前のいかなる技術よりもはるかに高い能力を持つが、それでもチューリングテストを通過する可能性は低い。
チューリングテストは、人間が、双方に対して出した質問への返信を用いて、機械を他の人間と区別できないことを求める。これらの機械は人間ではなく、人間があり得るそのままの形で正確に応答することはできない。 多くの企業は、LLMやGenAIシステムと対話することだけが職務内容であり、プロンプトを工夫してモデルからより良い回答を引き出すために人を雇っている。
Juniper Researchの2021年のレポートによれば、2025年までに世界の銀行顧客の40%が取引のためにNLPチャットボットを利用する。顧客向けアプリケーションの前段にNLPを追加することは、多くの場合、企業が最初に着手するところだ。ほかの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。後者はサプライチェーン向けのアプリケーションで非常に成功してきた。
AIベースの自動化は、多くの手作業プロセスを削減し、ワークフローをより効率化できる。NLPとタスク自動化は、ほぼあらゆる業界のアプリケーションで恩恵をもたらし得る。金融市場の分析のためのAI開発は、比較的難易度の高いタスクである。
コーネル大学はGenAIモデルのStockGPTを開発した。 「StockGPT: A GenAI Model for Stock Prediction and Trading」を参照。掲載先は
結論
金融市場の分析は、サプライチェーンや、さらにはバンキングといった用途よりも、いくらか複雑である。市場の数値、規制、そして参加者の感情的な反応によって、一部駆動される変数や複雑な挙動は、はるかに多い。
このうちの一部は統計を用いてリスクを減らすために捉えられるが、金融市場の予測は代数の問題のカテゴリーに入り、変数は多いのに方程式が足りない。AIは、単に計算をするだけでなく、パターンや異常を探し出せる。
量子コンピューティングは、もう一つ検討すべき技術だ。これはすでに科学分野の特定の用途で価値を示している。金融の例として、モンテカルロシミュレーションを通じたリスク管理での利用が提案されている。
未来がどうなるか見ていこう。