ФинТех и ИИ — движущие силы следующей волны инноваций

Анна Шофф – магистр наук по речевым технологиям и NLP, специалист в области глубокого обучения, науки о данных и машинного обучения. Ее исследовательские интересы включают нейронное дешифрование древних языков, машинный перевод с малыми ресурсами и идентификацию языков. Обладает обширным опытом в области вычислительной лингвистики, ИИ и NLP как в академической среде, так и в индустрии.

Бушан Джоши – руководитель компетенций в области банковских решений ISV, финансовых рынков и управления богатством, с богатым опытом в цифровом банкинге, капитальных рынках и облачных трансформациях. Руководил бизнес-стратегиями, консультациями и крупномасштабными внедрениями финансовых технологий для глобальных банков, сосредотачиваясь на микросервисах, оптимизации процессов и торговых систем.

Кеннет Шофф – ведущий технический специалист в группе Open Group в IBM AI Applications, более 20 лет опыта в банковской сфере, финансовых рынках и финтехе. Специализируется на решениях IBM Sterling, технических продажах и консультировании руководителей высшего звена по вопросам трансформации цепочек поставок и финансовых услуг с помощью ИИ.

Раджа Басу – лидер в области управления продуктами и инноваций, эксперт в области ИИ, автоматизации и устойчивого развития на финансовых рынках. Имеет богатый опыт в трансформации банковских технологий, руководил глобальными консультационными и внедренческими проектами в США, Канаде, Европе и Азии. В настоящее время является аспирантом в XLRI, сосредоточен на влиянии ИИ на финансовые системы и устойчивость.

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читают руководители JP Morgan, Coinbase, Blackrock, Klarna и другие

Развитие технологий ИИ для финтеха растет с большим потенциалом, однако рост может быть медленнее, чем в других сферах, из-за сложности задач.

ИИ способен выявлять паттерны и аномалии, которые обычно пропускают люди, благодаря возможности обработки очень больших объемов данных в структурированной и неструктурированной формах.

Однако, человеческий мозг с более чем 600 триллионами синаптических связей считается самым сложным объектом, известным нам — на Земле, в солнечной системе и за ее пределами. ИИ может дополнять человеческий анализ, обрабатывая множество деталей в больших объемах, но он не способен думать.

На курсах по ИИ в Йельском университете много лет назад определяли ИИ как «исследование когнитивных процессов с помощью вычислительных моделей». Это определение по-прежнему актуально. Часто полученные вычислительные модели сами по себе полезны, и их возможности значительно выросли — от экспертных систем и небольших искусственных нейронных сетей до технологий глубокого обучения, используемых для создания больших языковых моделей (LLMs) и базовых моделей в генеративном ИИ.

Аппаратное обеспечение сделало возможным многое из этого, и мы уверены, что развитие продолжится.

В 1990-х годах мы понимали, что отсутствие общего знания в системах ИИ было значительным ограничением, и сейчас мы можем обеспечить его в больших моделях ИИ. Ранние технологии ИИ были ограничены выполнением очень конкретных задач, похожих на работу идиот-саванта — способных хорошо выполнять одну очень конкретную задачу, но бесполезных для всего остального.

Тем не менее, они и сейчас могут приносить пользу в своих узкоспециализированных задачах при значительно меньших вычислительных затратах. Для устойчивого развития эти технологии могут продолжать выполнять свои функции в ландшафте ИИ.

Возможности обработки естественного языка (NLP) и распознавания речи, предоставляемые LLM, сейчас позволяют точно захватывать примерно 90% содержания диалога на естественном языке, что очень ценно для взаимодействия человека с машиной.

На современном уровне модели для NLP требуют очень больших вычислительных затрат (читай — очень высокие счета за электроэнергию), что противоречит принципам устойчивого развития. Помните, что опытный библиотекарь или специалист подобного профиля может дать 100% точных результатов, при этом потребляя только обед. Следует использовать ресурсы по мере необходимости.

Недавно, с развитием таких решений, как DeepSeek, мы наблюдаем оптимизации за счет создания меньших прикладных моделей, использующих те же технологии, что и крупные комплексные модели. Это выигрыш для обеих сторон: создание надежных ИИ-технологий для решения конкретных задач при снижении затрат на вычисления. Например, система финтех-ИИ для управления богатством не нуждается в знаниях английской литературы.

ИИ-помощник в управлении богатством

Рассмотрим управление богатством как пример приложения.

Интервью с клиентом для создания его профиля можно провести с помощью базовых методов ИИ, таких как дерево решений или экспертная система. Однако, по нашему опыту, хорошо подготовленный консультант добьется лучших результатов просто через разговор. Нет замены людям, знающим свое дело. ИИ должен помогать, а не управлять.

Анализ портфеля

Если у клиента есть текущий портфель, его нужно проанализировать, и ИИ может помочь в этом. Как показывают результаты, как работают инвестиции со временем? Склонен ли клиент сосредотачиваться на определенных отраслях? Каков прогноз их будущей эффективности? Какова история сделок клиента?

На основе профиля клиента и анализа портфеля консультант может установить конкретные ограничения, что учитывать при формировании инвестиционного портфеля. Это могут быть личные предпочтения, риск-лимиты, лимиты доступных средств и другие факторы, ограничивающие выбор.

ИИ-помощник в управлении богатством

Некоторые компании используют модели ИИ для прогнозирования, какие акции или сегменты рынка могут показывать хорошие или плохие результаты. Это либо задача предсказания тренда, где можно предсказать движение рынка, либо задача классификации, в которой ИИ показывает отличные результаты. Консультант может использовать эти сервисы для получения такой информации.

Также на результат могут влиять экологические, социальные и управленческие факторы (ESG). Они могут уже быть включены в входные данные модели ИИ. Консультант и клиент должны обсудить, что именно включать в модель портфеля.

Концептуальная схема

Общая концепция может выглядеть примерно так, как на схеме ниже. Вариации возможны.

Очень распространенной реализацией является использование одной базовой модели GenAI, выполняющей все описанные функции, но мы считаем, что лучше разделить задачи на части.

Каждая модель будет отвечать за свою часть задачи и может быть меньшей по размеру, чем одна универсальная. Некоторые системы могут работать постоянно, другие — по запросу.

На схеме предполагается, что есть предиктивные генеративные модели ИИ, служащие советниками для других специализированных моделей ИИ. Эти модели GenAI будут выполнять большую часть анализа рынка и обучаться для различных рынков и финансовых инструментов.

Они будут получать данные из потоков и, в сочетании с данными из озера данных, выдавать прогнозы роста и обнаружения аномалий, что поможет снизить риски. Пока что такие системы еще не достигли полной надежности, но их развитие продолжается.

Результаты каждой предиктивной модели GenAI будут сохраняться в озере данных. Кроме того, модели анализа могут посылать уведомления другим моделям для выполнения конкретных задач. Эти модели могут работать периодически или постоянно, пока рынок активен.

Автономные торговые системы могут использовать статусные потоки для запуска сделок. Системы классификации периодически оценивают активы и ведут историю классификаций в озере данных. В конце концов, появляется помощник по портфелю на базе GenAI.

Помощник по портфелю — это ИИ-советник, который имеет доступ к текущим рыночным данным и истории. Консультант может взаимодействовать с помощником, чтобы предоставить профиль клиента и запросить рекомендации. Лучше всего — при присутствии клиента. Взаимодействие консультанта с клиентом должно фиксироваться и сохраняться в озере данных как входные данные для анализа.

Доступ к системам ИИ осуществляется через интерфейс NLP, который может быть текстовым или голосовым.

Помощник по портфелю отвечает консультанту, используя информацию из модели, из озера данных или через API-запросы к моделям анализа рынка. Интерфейс NLP — мощный помощник, но, по опыту, консультанту нужно знать, как правильно задавать вопросы, чтобы получать полезные ответы.

Без этого человеческого посредника взаимодействие с NLP-системой по такой сложной теме может быть разочаровывающим для новичка. Большие языковые модели гораздо более способны, чем любые предыдущие технологии в этой области, но они все равно не проходят тест Тьюринга.

Тест Тьюринга предполагает, что человек не сможет отличить машину от другого человека по ответам на вопросы. Эти машины не являются людьми и не могут отвечать так же, как человек. Многие компании нанимают специалистов, чья работа — просто взаимодействовать с LLM и системами GenAI, формулируя подсказки для получения лучших ответов.

По данным отчета Juniper Research 2021 года, к 2025 году 40% клиентов банков по всему миру будут использовать чат-боты на базе NLP для транзакций. Внедрение NLP в клиентские приложения — обычно первый шаг компании. Другие системы ИИ сосредоточены на автоматизации рутинных задач. Последние успешно применяются в цепочках поставок.

Автоматизация на базе ИИ может устранить множество ручных процессов и повысить эффективность рабочих потоков. NLP и автоматизация задач могут принести пользу практически любой отрасли. Разработка ИИ для анализа финансовых рынков — достаточно сложная задача.

Корнелльский университет создал модель GenAI StockGPT. См. «StockGPT: модель GenAI для прогнозирования и торговли акциями» на https://arxiv.org/abs/2404.05101…

Заключение

Анализ финансовых рынков сложнее, чем задачи в цепочках поставок или даже в банковской сфере. Там много переменных и сложных поведения, частично обусловленных рыночными цифрами, регуляциями и эмоциональной реакцией участников.

Некоторые аспекты можно учесть с помощью статистики для снижения рисков, но прогнозы по финансовым рынкам — это скорее алгебраические задачи с множеством переменных и недостатком уравнений. ИИ способен искать паттерны и аномалии, а также выполнять математические вычисления.

Квантовые вычисления — еще одна технология, которую стоит изучить. Уже сейчас она показывает ценность в некоторых научных приложениях. Предполагается использование квантовых вычислений для управления рисками через моделирование Монте-Карло в финансовой сфере.

Посмотрим, что принесет будущее.