* * *_**アンナ・ショッフ** – 音声と自然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、低リソース機械翻訳、言語識別を含む。彼女は学術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。彼は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優秀技術スペシャリスト。銀行、金融市場、フィンテックで20年以上の経験を持つ。彼はIBMスターリングソリューション、技術販売、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の経営者に助言することを専門とする。__**ラジャ・バス** – AI、自動化、持続可能性における製品管理とイノベーションのリーダー。金融市場の銀行技術変革の強い背景を持ち、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あり、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る*** * *フィンテック向けAI技術の開発は大きな可能性とともに進展しているが、その成長は他の応用よりも遅いかもしれない。 **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**のは、AIシステムが多くの構造化・非構造化データを大量に消費できる能力による。 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** – 地球、太陽系、そしてそれを超えて。AIは詳細を大量に処理することで人間の分析を補完できるが、思考はできない。 何年も前のイェール大学のAIの授業で、彼らはAIを**「計算モデルによる認知過程の研究」**と定義した。この定義は今も有効である。しばしば、得られる計算モデルはそれ自体で有用であり、エキスパートシステムや小さな人工ニューラルネットワークから、LLMs（大規模言語モデル）や生成AIに用いられるファウンデーションモデルまで、能力が向上してきた。 ハードウェアの進歩により、多くのことが可能になり、今後もさらなる進展が期待されている。 1990年代には、**AI**システムの一般知識の欠如が大きな制約要因であることを認識しており、現在では大規模な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、非常に特定のタスクに限定されており、いわば「バカ天才」のようなもので、一つの非常に特定のタスクは得意だが、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対しては、はるかに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の風景の中で役割を果たし続けることができる。 LLMsが提供する**自然言語処理（NLP）**と**音声処理**の能力は、今や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、人間と機械のインタラクションに非常に高い価値をもたらしている。 現状の最先端モデルは、**非常に高い計算コスト**を要し、(非常に高い電気代)となるため、持続可能性の観点からは問題がある。経験豊富な司書や類似の専門家は、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、同じ技術を使って最適化を図る例も見られる。**これは、問題領域に対して堅牢な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支援資産管理アドバイザリー**------------------------------------------資産管理を例として考えよう。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技術で駆動できる。**しかし、過去のエキスパートシステムを用いた面談経験から、優秀なアドバイザーは会話だけでより良い結果を得られる。** 人々が何をしているかを知っている人に代わるものはない。AIは補助すべきであり、主導すべきではない。 **ポートフォリオ分析**----------------------クライアントに既存のポートフォリオがあれば、それの分析もAIが支援できる。投資は時間とともにどう推移したか？クライアントは特定の業界に偏っているか？今後のパフォーマンス予測は？取引履歴はどうか？ クライアントの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された投資ポートフォリオの考慮範囲に特定の制限を設けることができる。**これには個人の好み、リスクの制限、利用可能な資金の制限、その他選択を制約する要素が含まれる。** **AI支援資産管理アドバイザリー**------------------------------------------いくつかの企業は、AIモデルを用いて、どの株や市場セグメントが良好に推移しそうか、または悪化しそうかを予測するサービスを提供している。**これは予測問題としてフレーム化されることも、トレンドの動きを予測する分類問題としても扱われ、AIの得意分野だ。** アドバイザーはこれらの既存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可能性がある。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、ポートフォリオモデル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**-------------------------ストローマンの概念的な図は以下のようなものになる。多くのバリエーションが考えられる。 非常に一般的な実装は、すべてを記述する単一のGenAIファウンデーションモデルに基づくものだが、**タスクの分割の方がより良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し、より小さなモデルとなる可能性がある。いくつかのシステムは常時稼働し、他は必要に応じて動作する。 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モデルにサービスを提供することを想定している。これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場や金融商品に対して訓練される。 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て、市場の成長予測や異常検知を行い、リスクを軽減する。**こうしたシステムがまだ成熟段階にあるとは確信していないが、開発は進んでいる。** 各予測生成AIモデルの結果はデータレイクに記録される。さらに、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。これらのモデルは定期的に、または市場が活発な期間中は継続的に動作することもある。 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するかもしれない。分類システムは資産を定期的に評価し、資産分類の履歴をデータレイクに記録し続ける。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、現在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、推奨を求めるためにアシスタントと対話できる。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、入力として分析に記録されるべきだ。** アドバイザーのAIシステムへのアクセスは、テキストまたは音声ベースのNLPインターフェースを通じて行われる。 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への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、経験から、質問の仕方を知っていなければ有用な結果は得られない。 **その人間の仲介なしに**、このような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苛立たしいものとなる可能性がある。大規模言語モデルはこの分野の以前の技術よりはるかに高性能だが、まだチューリングテストに合格する可能性は低い。 チューリングテストは、人間が質問の回答を通じて機械と人間を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、モデルからより良い応答を得るためにプロンプトを工夫することを仕事とする人を雇っている。** 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した取引を行うと予測されている。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。その他の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。 サプライチェーンのアプリケーションでは、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に寄与している。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タスクだ。 * * *コーネル大学は、GenAIモデルのStockGPTを開発した。詳細は「StockGPT: A GenAI Model for Stock Prediction and Trading」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やや複雑だ。多くの変数と複雑な挙動が、市場の数字、規制、参加者の感情的反応によって部分的に駆動されている。 これらの一部は統計を用いてリスクを低減できるが、金融市場の予測は、多すぎる変数と十分な方程式がない代数問題のカテゴリーに属する。AIはパターンや異常を探し出すだけでなく、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。すでに科学分野の特定の応用で価値を示している。リスク管理のためのモンテカルロシミュレーションなどに提案されている。 **未来がどうなるか見守ろう。**
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 – 音声と自然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、低リソース機械翻訳、言語識別を含む。彼女は学術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。彼は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優秀技術スペシャリスト。銀行、金融市場、フィンテックで20年以上の経験を持つ。彼はIBMスターリングソリューション、技術販売、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の経営者に助言することを専門とする。
ラジャ・バス – AI、自動化、持続可能性における製品管理とイノベーションのリーダー。金融市場の銀行技術変革の強い背景を持ち、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あり、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る
フィンテック向けAI技術の開発は大きな可能性とともに進展しているが、その成長は他の応用よりも遅いかもしれない。
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のは、AIシステムが多くの構造化・非構造化データを大量に消費できる能力による。
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 – 地球、太陽系、そしてそれを超えて。AIは詳細を大量に処理することで人間の分析を補完できるが、思考はできない。
何年も前のイェール大学のAIの授業で、彼らはAIを**「計算モデルによる認知過程の研究」**と定義した。この定義は今も有効である。しばしば、得られる計算モデルはそれ自体で有用であり、エキスパートシステムや小さな人工ニューラルネットワークから、LLMs（大規模言語モデル）や生成AIに用いられるファウンデーションモデルまで、能力が向上してきた。
ハードウェアの進歩により、多くのことが可能になり、今後もさらなる進展が期待されている。
1990年代には、AIシステムの一般知識の欠如が大きな制約要因であることを認識しており、現在では大規模な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、非常に特定のタスクに限定されており、いわば「バカ天才」のようなもので、一つの非常に特定のタスクは得意だが、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対しては、はるかに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の風景の中で役割を果たし続けることができる。
LLMsが提供する自然言語処理（NLP）と音声処理の能力は、今や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、人間と機械のインタラクションに非常に高い価値をもたらしている。
現状の最先端モデルは、非常に高い計算コストを要し、(非常に高い電気代)となるため、持続可能性の観点からは問題がある。経験豊富な司書や類似の専門家は、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、同じ技術を使って最適化を図る例も見られる。これは、問題領域に対して堅牢な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支援資産管理アドバイザリー
資産管理を例として考えよう。
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技術で駆動できる。しかし、過去のエキスパートシステムを用いた面談経験から、優秀なアドバイザーは会話だけでより良い結果を得られる。 人々が何をしているかを知っている人に代わるものはない。AIは補助すべきであり、主導すべきではない。
ポートフォリオ分析
クライアントに既存のポートフォリオがあれば、それの分析もAIが支援できる。投資は時間とともにどう推移したか？クライアントは特定の業界に偏っているか？今後のパフォーマンス予測は？取引履歴はどうか？
クライアントの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された投資ポートフォリオの考慮範囲に特定の制限を設けることができる。これには個人の好み、リスクの制限、利用可能な資金の制限、その他選択を制約する要素が含まれる。
AI支援資産管理アドバイザリー
いくつかの企業は、AIモデルを用いて、どの株や市場セグメントが良好に推移しそうか、または悪化しそうかを予測するサービスを提供している。これは予測問題としてフレーム化されることも、トレンドの動きを予測する分類問題としても扱われ、AIの得意分野だ。 アドバイザーはこれらの既存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可能性がある。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、ポートフォリオモデル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
ストローマンの概念的な図は以下のようなものになる。多くのバリエーションが考えられる。
非常に一般的な実装は、すべてを記述する単一のGenAIファウンデーションモデルに基づくものだが、タスクの分割の方がより良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し、より小さなモデルとなる可能性がある。いくつかのシステムは常時稼働し、他は必要に応じて動作する。
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モデルにサービスを提供することを想定している。これらのGenAIモデルは、市場分析の大部分を担い、さまざまな市場や金融商品に対して訓練される。
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て、市場の成長予測や異常検知を行い、リスクを軽減する。こうしたシステムがまだ成熟段階にあるとは確信していないが、開発は進んでいる。
各予測生成AIモデルの結果はデータレイクに記録される。さらに、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。これらのモデルは定期的に、または市場が活発な期間中は継続的に動作することもある。
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するかもしれない。分類システムは資産を定期的に評価し、資産分類の履歴をデータレイクに記録し続ける。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、現在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、推奨を求めるためにアシスタントと対話できる。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、入力として分析に記録されるべきだ。
アドバイザーのAIシステムへのアクセスは、テキストまたは音声ベースのNLPインターフェースを通じて行われる。
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への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、経験から、質問の仕方を知っていなければ有用な結果は得られない。
その人間の仲介なしに、このような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苛立たしいものとなる可能性がある。大規模言語モデルはこの分野の以前の技術よりはるかに高性能だが、まだチューリングテストに合格する可能性は低い。
チューリングテストは、人間が質問の回答を通じて機械と人間を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、モデルからより良い応答を得るためにプロンプトを工夫することを仕事とする人を雇っている。
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した取引を行うと予測されている。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。その他の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。
サプライチェーンのアプリケーションでは、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に寄与している。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タスクだ。
コーネル大学は、GenAIモデルのStockGPTを開発した。詳細は「StockGPT: A GenAI Model for Stock Prediction and Trading」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やや複雑だ。多くの変数と複雑な挙動が、市場の数字、規制、参加者の感情的反応によって部分的に駆動されている。
これらの一部は統計を用いてリスクを低減できるが、金融市場の予測は、多すぎる変数と十分な方程式がない代数問題のカテゴリーに属する。AIはパターンや異常を探し出すだけでなく、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。すでに科学分野の特定の応用で価値を示している。リスク管理のためのモンテカルロシミュレーションなどに提案されている。
未来がどうなるか見守ろう。