ФинТех и ИИ — движущие силы следующей волны инноваций

Анна Шофф – Выпускница магистратуры (MSc) по речи и NLP со специализацией в глубоком обучении, data science и машинном обучении. Ее научные интересы включают нейронную дешифровку древних языков, машинный перевод для низкоресурсных языков и идентификацию языка. У нее обширный опыт в исследованиях по вычислительной лингвистике, ИИ и NLP в академической среде и в индустрии.

Бхушан Джоши – Лидер компетенций для Banking ISV, финансовых рынков и управления капиталом, с обширным опытом в цифровом банкинге, рынках капитала и облачной трансформации. Он руководил бизнес-стратегией, консалтингом и крупномасштабными внедрениями финансовых технологий для глобальных банков, уделяя внимание микросервисам, оптимизации процессов и торговым системам.

Кеннет Шофф – Distinguished Technical Specialist в Open Group в IBM AI Applications с более чем 20-летним опытом в банковском секторе, финансовых рынках и финтехе. Он специализируется на решениях IBM Sterling, технических продажах и консультировании руководителей уровня C-suite по AI-ориентированным трансформациям в цепочках поставок и финансовых услугах.

Раджа Басу – Руководитель продуктового управления и инноваций с экспертизой в ИИ, автоматизации и устойчивом развитии на финансовых рынках. Имея сильный опыт в трансформации банковских технологий, он руководил глобальными консультационными и внедренческими проектами в США, Канаде, Европе и Азии. В настоящее время он является докторантом в XLRI; его фокус — влияние ИИ на финансовые системы и устойчивое развитие.

Откройте для себя главные новости и события в финтехе!

Подпишитесь на рассылку FinTech Weekly

Читают руководители в JP Morgan, Coinbase, Blackrock, Klarna и др.

Развитие технологий ИИ для FinTech растет и обладает большим потенциалом, но рост может быть медленнее, чем в других применениях, из-за сложности задачи.

ИИ может улавливать паттерны и аномалии, которые люди обычно не замечают, благодаря тому, что ИИ-системы способны потреблять очень большие объемы данных в самых разных структурированных и неструктурированных формах.

Однако человеческий мозг с более чем 600 триллионами синаптических связей называют самым сложным объектом, который мы знаем где бы то ни было — на Земле, во всей Солнечной системе и дальше. ИИ может дополнять человеческий анализ за счет способности обрабатывать множество деталей в больших объемах, но он не умеет мыслить.

На занятиях по ИИ в Йейле много лет назад они определяли ИИ как «изучение когнитивных процессов с помощью вычислительных моделей». Это определение по-прежнему актуально.  Часто получающиеся вычислительные модели полезны и сами по себе, а их возможности эволюционировали от экспертных систем и небольших искусственных нейронных сетей к техникам глубокого обучения, используемым для создания больших языковых моделей (LLM), и к foundation models, применяемым в Generative AI.   Прогресс в аппаратном обеспечении сделал многое из этого возможным, и мы уверены, что будет и дальше.

Вернемся в 1990-е: мы знали, что отсутствие общих знаний в системах ИИ является значимым ограничивающим фактором, и теперь мы можем обеспечить это в больших моделях ИИ. Ранняя технология ИИ была ограничена очень узкими задачами — примерно как идиот-савант: она могла хорошо справляться с одной конкретной задачей, но была бесполезной для всего остального.

Тем не менее, они могли и по-прежнему могут приносить ценность в своих специальных задачах при значительно более низких вычислительных затратах.  По причинам устойчивого развития эти технологии по-прежнему могут выполнять свои роли в ландшафте ИИ.

Возможности обработки естественного языка (NLP) и обработки речи, предоставляемые LLM, теперь способны точно улавливать, возможно, 90% содержания обмена на естественном языке, что имеет очень высокую ценность для взаимодействия «человек—машина».

В современном состоянии моделей, используемых для NLP, вычислительные затраты очень высокие (читай: очень высокий счет за электричество), что идет вразрез с соображениями устойчивого развития. Помните: опытный библиотекарь или похожий профессионал может дать результаты на 100% и при этом ему достаточно только обеда. Мы должны использовать подходящий ресурс в подходящее время.

Совсем недавно, на фоне разработок вроде DeepSeek, мы видим оптимизации, достигаемые за счет построения более небольших прикладных приложений под конкретные задачи, используя те же технологии, что и в более крупных комплексных моделях. Это ситуация «выигрыш—выигрыш»: предоставляем надежные технологии ИИ для решения предметной области, одновременно снижая вычислительные затраты. Например, финтех-ИИ-система, поддерживающая управление капиталом, не нуждается в образовании по английской литературе.

Консультации по управлению капиталом с помощью ИИ

Давайте рассмотрим управление капиталом как пример прикладной задачи.

Интервью с клиентом для создания профиля клиента может направляться базовыми методами ИИ, такими как дерево решений или экспертная система.  Однако, исходя из нашего прежнего опыта с интервью, построенными на некоторых экспертных системах, хорошо квалифицированный консультант даст лучшие результаты просто в ходе разговора. Нет замены людям, которые знают, что делают. ИИ должен помогать, но не управлять.

Анализ портфеля

Если у клиента есть текущий портфель, его нужно проанализировать, и ИИ может помочь и здесь. Как инвестиции работали во времени? Тяготеет ли клиент к определенным отраслям? Каков прогноз относительно того, как они, вероятно, будут вести себя в будущем? Какова история сделок клиента?

Основываясь на профиле клиента и анализе портфеля, консультант может ввести конкретные ограничения относительно того, что должен учитывать анализ при предложенном инвестиционном портфеле. Эти ограничения могут включать личные предпочтения, лимиты рисков, лимиты доступных средств и любые другие факторы, которые могут ограничивать выбор.

Консультации по управлению капиталом с помощью ИИ

Есть несколько компаний, которые используют ИИ-модели, чтобы давать рекомендации о том, какие акции или рыночные сегменты, вероятно, будут показывать хорошие результаты, а какие — плохие. Это можно оформить либо как задачу предсказания, где можно предсказать движение тренда, либо как задачу классификации — область, в которой ИИ особенно силен. Консультант может использовать эти существующие сервисы, чтобы предоставлять такой тип информации.

На исход также могут влиять соображения ESG (Environmental, Social, and Governance — охрана окружающей среды, социальная ответственность и качество управления). Эти факторы могут быть уже включены в качестве входных данных в модель ИИ, используемую для анализа. Консультанту и клиенту нужно обсудить, какие именно детали следует включить в модель портфеля.

Эскизная архитектура

Концептуальный взгляд на эскизную архитектуру может выглядеть примерно так, как показано на диаграмме ниже. Возможны многие вариации.

Одно очень распространенное внедрение могло бы опираться на одну foundation-модель GenAI, которая выполняет все то, что мы описываем ниже, но мы считаем, что разбиение задач — лучший подход.

Каждая модель будет решать свою часть предметной области и, следовательно, может быть меньше, чем одна комплексная модель. Некоторые системы могут работать непрерывно, в то время как другие — по требованию.

На диаграмме мы предполагаем, что Predictive Generative AI-модели выступают в роли advisory-систем для других AI-моделей, ориентированных на конкретные цели. Эти GenAI-модели выполняют большую часть анализа рынка и обучаются для различных рынков и финансовых инструментов.

Они будут потреблять потоки данных и, в сочетании с другими данными из data lake, формировать рыночные прогнозы для роста и выявления аномалий, что может снижать риски. Мы не уверены, что такие системы уже достаточно созрели, чтобы быть надежными, но они продолжают развиваться.

Результаты каждой Predictive GenAI-модели будут записываться в data lake. Кроме того, модели анализа могут отправлять уведомления в другие модели, чтобы они выполняли конкретные задачи. Эти модели могут запускаться периодически либо, возможно, непрерывно в течение периода, когда интересующий рынок активен.

Автономные торговые системы могут использовать статусные потоки из маркет-анализов, чтобы запускать сделки. Системы классификации будут периодически оценивать активы и вести непрерывную историю классификаций активов в data lake. Наконец, мы приходим к GenAI Portfolio Assistant.

Portfolio Assistant будет рекомендательной системой с поддержкой ИИ (Recommender system), которая имеет доступ к актуальным рыночным данным и истории. Консультант сможет взаимодействовать с ассистентом, чтобы передать профиль клиента и запросить рекомендации. Это лучше всего делать при присутствии клиента.  Взаимодействие консультанта с клиентом должно быть зафиксировано и записано в data lake как входные данные для анализа.

Доступ консультанта к AI-системам осуществляется через интерфейс NLP, который может быть текстовым или основанным на речи.

Portfolio Assistant будет отвечать консультанту, используя информацию из модели, из data lake или результаты API-запросов к Market Analysis-моделям. Интерфейс NLP дает мощного ассистента, но, основываясь на опыте, консультанту нужно понимать, как формулировать вопросы, чтобы получать полезные результаты.

Без этого человеческого посредника опыт взаимодействия с NLP-системой на такую сложную тему может быть разочаровывающим для новичка. Большие языковые модели (LLM) намного более способны, чем любое предыдущее поколение технологий в этой области, но все еще вряд ли смогут пройти тест Тьюринга.

Тест Тьюринга требует, чтобы человек не мог отличить машину от другого человека, используя ответы на вопросы, заданные обоим. Эти машины не являются людьми и не могут отвечать ровно так, как мог бы человек. Многие компании нанимают людей, чья должностная инструкция буквально заключается в том, чтобы просто взаимодействовать с LLM и системами GenAI, составляя подсказки, чтобы получать от модели более удачные ответы.

Согласно отчету Juniper Research за 2021 год, 40% глобальных банковских клиентов будут использовать NLP-чатботов для транзакций к 2025 году. Добавление NLP перед любым приложением, ориентированным на клиента, часто является тем местом, с которого компания начинает. Другие AI-системы фокусируются на автоматизации типовых задач. Вторая группа задач была очень успешной для приложений цепочек поставок.

Автоматизация на базе ИИ может устранить многие ручные процессы и сделать рабочие процессы более эффективными. NLP и автоматизация задач могут принести пользу почти любому отраслевому приложению. Разработка ИИ для анализа финансовых рынков — относительно сложная задача.

Корнелльский университет разработал GenAI-модель StockGPT. См. «StockGPT: A GenAI Model for Stock Prediction and Trading» по адресу

Заключение

Анализ финансовых рынков несколько более сложен, чем приложения вроде Supply Chain или даже банковского сектора.  Существует гораздо больше переменных и сложных моделей поведения, обусловленных отчасти рыночными цифрами, нормативными требованиями и эмоциональными реакциями участников.

Часть этого можно фиксировать с помощью статистики для снижения рисков, но прогнозы для финансовых рынков относятся к классу алгебраических задач, где слишком много переменных и недостаточно уравнений. ИИ может искать паттерны и аномалии, помимо простого выполнения расчетов.

Квантовые вычисления — еще одна технология, которую стоит изучить. Она уже демонстрирует ценность в некоторых приложениях в науке. Было предложено использовать ее для управления рисками через Монте-Карло симуляции на примере одной финансовой задачи.

Посмотрим, что принесет будущее.