FinTech dan AI Menggerakkan Gelombang Inovasi Berikutnya

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

Bhushan Joshi – Pemimpin Kompetensi untuk Banking 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 berskala besar untuk bank global, dengan fokus pada mikroservis, optimisasi proses, dan sistem perdagangan.

Kenneth Schoff – Spesialis Teknis Terhormat di Open Group di IBM AI Applications dengan lebih dari 20 tahun pengalaman di perbankan, pasar keuangan, dan fintech. Dia mengkhususkan diri dalam solusi IBM Sterling, penjualan teknis, dan memberi nasihat kepada eksekutif C-suite tentang transformasi berbasis AI dalam rantai pasokan dan layanan keuangan.

Raja Basu – Seorang pemimpin manajemen produk dan inovasi dengan keahlian dalam AI, otomatisasi, dan keberlanjutan di pasar keuangan. Dengan latar belakang yang kuat dalam transformasi teknologi perbankan, dia telah memimpin proyek konsultasi dan implementasi global di AS, Kanada, Eropa, dan Asia. Saat ini seorang doktoral di XLRI, dia fokus pada dampak AI terhadap sistem keuangan dan keberlanjutan.

Temukan berita dan acara fintech teratas!

Langganan buletin FinTech Weekly

Dibaca oleh eksekutif di JP Morgan, Coinbase, Blackrock, Klarna, dan lainnya

Pengembangan teknologi AI untuk FinTech tumbuh dengan potensi besar, tetapi pertumbuhannya mungkin lebih lambat dibandingkan aplikasi lain karena kompleksitas masalahnya.

AI dapat menangkap pola dan anomali yang biasanya terlewat oleh manusia karena kemampuan sistem AI untuk mengkonsumsi jumlah data yang sangat besar dalam banyak 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 pun – bumi, sistem tata surya, dan seterusnya. AI dapat meningkatkan analisis manusia melalui kemampuannya untuk memproses banyak detail dalam volume, tetapi tidak dapat berpikir.

Dalam kelas tentang AI di Yale bertahun-tahun yang lalu, mereka mendefinisikan AI sebagai “studi tentang proses kognitif dengan menggunakan model komputasional.” Definisi ini masih berlaku. Seringkali, model komputasional yang dihasilkan berguna dengan sendirinya, dan ini telah berkembang dalam kemampuan dari Sistem Ahli dan Jaringan Saraf Buatan kecil hingga teknik Pembelajaran Mendalam yang digunakan untuk membangun Model Bahasa Besar (LLM) dan Model Dasar yang digunakan dalam AI Generatif. Kemajuan perangkat keras telah membuat banyak hal ini mungkin, dan kami yakin masih ada lebih banyak yang akan datang.

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

Meskipun demikian, mereka telah dan masih dapat memberikan nilai untuk tugas khusus mereka dengan biaya komputasi yang jauh lebih rendah. Karena alasan keberlanjutan, teknologi ini masih dapat memenuhi perannya di lanskap AI.

Kemampuan Pemrosesan Bahasa Alami (NLP) dan Pemrosesan Suara yang disediakan oleh LLM sekarang mampu menangkap mungkin 90% dari konten pertukaran Bahasa Alami dengan akurat, yang sangat berharga 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. Perlu diingat bahwa seorang 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.

Belakangan ini, dengan perkembangan seperti DeepSeek, kami melihat optimisasi yang diperoleh dengan membangun aplikasi spesifik yang lebih kecil menggunakan teknologi yang sama yang digunakan dalam model komprehensif yang lebih besar. Ini adalah situasi saling menguntungkan dengan memberikan teknologi AI yang kuat untuk menangani domain masalah sambil mengurangi biaya komputasi. Misalnya, sistem AI Fintech yang mendukung manajemen kekayaan tidak memerlukan latar belakang dalam sastra Inggris.

Konsultasi Manajemen Kekayaan yang Dibantu 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 Ahli. Namun, berdasarkan pengalaman kami sebelumnya dengan beberapa wawancara yang didorong oleh Sistem Ahli, seorang penasihat yang berkualitas baik akan mendapatkan hasil yang lebih baik hanya melalui percakapan. Tidak ada pengganti untuk orang-orang yang tahu apa yang mereka lakukan. AI harus membantu tetapi tidak mengarah.

Analisis Portofolio

Jika klien memiliki portofolio saat ini, ini perlu dianalisis, dan AI juga dapat membantu di sini. Bagaimana kinerja investasi dari waktu ke waktu? Apakah klien cenderung fokus pada industri tertentu? Apa prognosis tentang bagaimana ini kemungkinan akan berkinerja di masa depan? Apa sejarah perdagangan klien?

Berdasarkan profil klien dan analisis portofolio, penasihat dapat memperkenalkan batasan tertentu mengenai apa yang harus dipertimbangkan dalam analisis untuk portofolio investasi yang diusulkan. Ini mungkin termasuk preferensi pribadi, batasan risiko, batasan dana yang tersedia, dan pertimbangan lain yang mungkin membatasi pilihan.

Konsultasi Manajemen Kekayaan yang Dibantu 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 diformulasikan 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 memberikan informasi semacam 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 spesifik apa yang harus dimasukkan ke dalam model portofolio.

Arsitektur Strawman

Pandangan konseptual strawman mungkin terlihat seperti diagram di bawah ini. Banyak variasi mungkin ada.

Salah satu implementasi yang sangat umum akan didasarkan pada satu model dasar GenAI yang melakukan semua yang kami jelaskan di bawah ini, tetapi kami berpikir bahwa membagi tugas adalah pendekatan yang lebih baik.

Setiap model akan menangani sebagian dari domain masalah dan karenanya dapat lebih kecil daripada satu model komprehensif. Beberapa sistem mungkin berjalan terus-menerus sementara yang lain akan berjalan sesuai permintaan.

Dalam diagram, kami mengasumsikan bahwa akan ada model AI Generatif Prediktif yang berfungsi sebagai sistem nasihat untuk model AI spesifik tujuan lainnya. Model GenAI ini akan melakukan sebagian besar analisis pasar dan akan dilatih untuk berbagai pasar dan instrumen keuangan.

Mereka akan mengkonsumsi umpan data dan, digabungkan dengan data lain dari danau data, menghasilkan prediksi pasar untuk pertumbuhan dan deteksi anomali yang dapat mengurangi risiko. Kami tidak yakin bahwa sistem semacam itu telah matang hingga titik dapat diandalkan, tetapi mereka sedang berkembang dalam pengembangan.

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

Sistem perdagangan otonom mungkin menggunakan umpan status dari analisis pasar untuk memicu perdagangan. Sistem klasifikasi akan secara berkala menilai aset dan menjaga riwayat klasifikasi aset yang berjalan di danau data. Akhirnya, kami sampai pada Asisten Portofolio GenAI.

Asisten Portofolio akan menjadi sistem Rekomendasi yang didukung AI yang memiliki akses ke data pasar saat ini dan sejarah. Penasihat dapat berinteraksi dengan asisten untuk memberikan profil klien dan meminta rekomendasi. Ini sebaiknya dilakukan dengan klien hadir. Interaksi penasihat dengan klien harus ditangkap dan dicatat di danau data sebagai input untuk analisis.

Akses penasihat ke sistem AI adalah melalui antarmuka NLP yang dapat berbasis teks atau suara.

Asisten Portofolio akan merespons penasihat menggunakan informasi dalam model, dari danau data, atau kueri 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 semacam ini mungkin membuat frustrasi bagi pemula. Model Bahasa Besar jauh lebih mampu daripada teknologi sebelumnya di area ini, tetapi mereka masih tidak mungkin lulus Uji Turing.

Uji Turing mengharuskan bahwa seorang manusia tidak dapat membedakan mesin dari manusia lain dengan menggunakan jawaban atas pertanyaan yang diajukan kepada keduanya. Mesin-mesin ini bukan manusia dan tidak dapat merespons persis seperti yang mungkin dilakukan manusia. Banyak perusahaan mempekerjakan orang yang deskripsi pekerjaan mereka secara harfiah adalah untuk berinteraksi dengan LLM dan sistem GenAI melalui pembuatan prompt untuk mendapatkan respons yang lebih baik dari model.

Menurut laporan 2021 dari penelitian Juniper, 40% pelanggan perbankan global akan menggunakan chatbot NLP untuk transaksi pada tahun 2025. Menambahkan NLP di depan aplikasi yang berhadapan dengan pelanggan seringkali adalah tempat perusahaan memulai. Sistem AI lainnya fokus pada otomatisasi tugas umum. Yang terakhir ini sangat berhasil untuk aplikasi Rantai Pasokan.

Otomatisasi berbasis AI dapat menghilangkan banyak proses manual dan membuat alur kerja lebih efisien. NLP dan otomatisasi tugas dapat memberikan manfaat hampir untuk aplikasi industri mana pun. Pengembangan AI untuk analisis Pasar Keuangan adalah tugas yang relatif sulit.

Universitas Cornell mengembangkan Model GenAI StockGPT. Lihat “StockGPT: A GenAI Model for Stock Prediction and Trading” di

Kesimpulan

Analisis pasar keuangan agak lebih kompleks daripada aplikasi seperti Rantai Pasokan atau bahkan Perbankan. Ada banyak variabel dan perilaku kompleks yang dipicu sebagian oleh angka pasar, regulasi, dan respons emosional para peserta.

Sebagian dari ini dapat ditangkap menggunakan statistik untuk mengurangi risiko, tetapi prediksi untuk pasar keuangan masuk ke dalam kategori masalah aljabar di mana ada terlalu banyak variabel dan tidak cukup persamaan. AI dapat mencari pola dan anomali selain hanya melakukan perhitungan.

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

Kita akan lihat apa yang akan terjadi di masa depan.