* * *_**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、低リソース機械翻訳、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。__**ブシャーン・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に助言している。__**ラジャ・バス** – 金融市場におけるAI、オートメーション、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幹部が読んでいます*** * *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、そしてそれを超える存在だ。AIは大量の詳細を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。 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だ。しばしば、これらの計算モデルは単独でも有用であり、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我々は知っており、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し続けている。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高い価値をもたらす。 現状の最先端モデルは、**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、同じ技術を使って効率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技術で進められることもある。**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ことが多い。** 知識のある人に勝るものはない。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変化したか？クライアントは特定の業界に偏っているか？今後の見通しは？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、アドバイザーは投資提案の範囲や制約を設定できる。**これには個人の好み、リスクの限界、資金の制約、その他の制約条件が含まれる。** **AI支援による資産管理アドバイザリー** ------------------------------------------多くの企業が、AIモデルを用いて株や市場セグメントの動向予測を行っている。**これは、トレンドの動きを予測する予測問題として、またはAIが得意とする分類問題として扱われる。** 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入力さ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** ----------------------------概念的なストローマンモデルは以下のような図になるかもしれない。多様なバリエーションが考えられる。 最も一般的な実装は、単一のGenAIファウンデーションモデルがすべてを行う方式だが、**タスクを分割する方がより良いと考えている。** 各モデルは問題領域の一部を担当し、より小さなモデルになる可能性がある。システムの一部は常時稼働し、他は必要に応じて動作させることもできる。 図中では、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確信できないが、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。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または市場が活発な期間中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することもある。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搭載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、推奨を求めることができる。これをクライアントが同席して行うのが最適だ。**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。** 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、モデル内の情報、データレイク、または市場分析モデルのAPIクエリ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、こうした複雑なトピックの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、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見て、その相手が機械か人間か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引き出すためにプロンプトを工夫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非常に成功している。 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: 株式予測と取引のためのGenAIモデル」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、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与している。 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、多くの変数と方程式不足の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検討すべき技術だ。すでに科学分野の一部の応用で価値を示している。リスク管理のモンテカルロシミュレーションなどに利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、低リソース機械翻訳、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。
ブシャーン・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に助言している。
ラジャ・バス – 金融市場におけるAI、オートメーション、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幹部が読んでいます
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、そしてそれを超える存在だ。AIは大量の詳細を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。
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だ。しばしば、これらの計算モデルは単独でも有用であり、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我々は知っており、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し続けている。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高い価値をもたらす。
現状の最先端モデルは、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、同じ技術を使って効率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技術で進められることもある。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ことが多い。 知識のある人に勝るものはない。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変化したか？クライアントは特定の業界に偏っているか？今後の見通しは？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、アドバイザーは投資提案の範囲や制約を設定できる。これには個人の好み、リスクの限界、資金の制約、その他の制約条件が含まれる。
AI支援による資産管理アドバイザリー
多くの企業が、AIモデルを用いて株や市場セグメントの動向予測を行っている。これは、トレンドの動きを予測する予測問題として、またはAIが得意とする分類問題として扱われる。 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入力さ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
概念的なストローマンモデルは以下のような図になるかもしれない。多様なバリエーションが考えられる。
最も一般的な実装は、単一のGenAIファウンデーションモデルがすべてを行う方式だが、タスクを分割する方がより良いと考えている。
各モデルは問題領域の一部を担当し、より小さなモデルになる可能性がある。システムの一部は常時稼働し、他は必要に応じて動作させることもできる。
図中では、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確信できないが、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。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または市場が活発な期間中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することもある。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搭載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、推奨を求めることができる。これをクライアントが同席して行うのが最適だ。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。
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、モデル内の情報、データレイク、または市場分析モデルのAPIクエリ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、こうした複雑なトピックの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、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見て、その相手が機械か人間か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引き出すためにプロンプトを工夫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非常に成功している。
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: 株式予測と取引のためのGenAIモデル」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、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与している。
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、多くの変数と方程式不足の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検討すべき技術だ。すでに科学分野の一部の応用で価値を示している。リスク管理のモンテカルロシミュレーションなどに利用が提案されている。
未来を見守ろう。