ФинТех и ИИ движут следующей волной инноваций

Анна Шофф – выпускница магистратуры по речи и NLP с экспертизой в области глубокого обучения, науки о данных и машинного обучения. Ее исследовательские интересы включают нейронное дешифрование древних языков, машинный перевод с низкими ресурсами и идентификацию языков. У нее есть обширный опыт в области вычислительной лингвистики, ИИ и исследований NLP как в академической среде, так и в индустрии.

Бушан Джоши – лидер компетенций в области банковских ИСВ, финансовых рынков и управления богатством с большим опытом в цифровом банкинге, капитальных рынках и облачной трансформации. Он руководил бизнес-стратегиями, консультациями и крупномасштабными внедрениями финансовых технологий для глобальных банков, сосредотачиваясь на микросервисах, оптимизации процессов и торговых систем.

Кеннет Шофф – выделенный технический специалист группы Open Group в IBM AI Applications с более чем 20-летним опытом работы в банковской сфере, финансовых рынках и финтехе. Он специализируется на решениях IBM Sterling, технических продажах и консультировании руководителей высшего звена по трансформациям на базе ИИ в цепочках поставок и финансовых услугах.

Раджа Басу – лидер в области управления продуктами и инновациями с экспертизой в ИИ, автоматизации и устойчивом развитии на финансовых рынках. Обладая сильным опытом в трансформации банковских технологий, он руководил глобальными консультационными и внедренческими проектами в США, Канаде, Европе и Азии. В настоящее время он является аспирантом в XLRI и 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, но рост может быть медленнее, чем в других сферах, из-за сложности задачи.

ИИ способен выявлять паттерны и аномалии, которые обычно пропускают люди благодаря возможности систем ИИ обрабатывать очень большие объемы данных в различных структурированных и неструктурированных формах.

Однако, человеческий мозг с более чем 600 триллионами синаптических связей считается самым сложным объектом, который мы знаем – Земля, солнечная система и за их пределами.  ИИ может дополнять человеческий анализ своей способностью обрабатывать множество деталей в больших объемах, но он не умеет думать.

На занятиях по ИИ в Йельском университете много лет назад их определяли 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 методов глубокого обучения, используемых для создания больших языковых моделей (LLMs) и базовых моделей, применяемых в генеративном ИИ.   Аппаратные достижения сделали многое из этого возможным, и мы уверены, что впереди еще много нового.

Еще в 1990-х годах мы понимали, что недостаток общего знания в системах ИИ — это значительный ограничивающий фактор, и сейчас мы можем обеспечить его в больших моделях ИИ.  Ранняя технология ИИ была ограничена очень конкретными задачами, похожими на работу идиотских вундеркиндов — способных хорошо выполнять одну очень конкретную задачу, но бесполезных для всего остального.

Тем не менее, они и по сей день могут приносить пользу в своих узкоспециализированных задачах при значительно меньших вычислительных затратах.  В целях устойчивого развития эти технологии все еще могут выполнять свои функции в ландшафте ИИ.

Возможности обработки естественного языка (NLP) и обработки речи, предоставляемые LLM, теперь способны точно захватывать, возможно, 90% содержания обмена на естественном языке, что очень ценно для взаимодействия человека и машины.

На современном уровне технологий модели для NLP работают при очень высокой вычислительной стоимости (чтение очень высокого электрического счета), что противоречит принципам устойчивого развития.  Помните, что опытный библиотекарь или подобный специалист может дать 100% точных результатов, при этом потребляя только обед.  Следует использовать ресурсы по мере необходимости.

В последнее время, благодаря таким разработкам, как DeepSeek, мы видим оптимизации, достигаемые за счет создания меньших прикладных моделей, использующих те же технологии, что и крупные комплексные модели.  Это выигрыш для обеих сторон: предоставление надежных ИИ-технологий для решения конкретных задач при снижении затрат на вычисления.  Например, финтех-ИИ-система поддержки управления богатством не нуждается в знаниях английской литературы.

ИИ-поддерживаемое консультирование по управлению 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, исходя из нашего опыта с некоторыми интервью, управляемыми экспертными системами, более качественные результаты даст просто разговор.  Нет ничего лучше людей, 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 в этом.  Как показывают 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 предложении инвестиционного портфеля.  Это могут быть личные предпочтения, лимиты риска, лимиты доступных средств и любые другие ограничения, которые могут ограничивать выбор.

ИИ-поддерживаемое консультирование по управлению богатством

Некоторые компании используют модели ИИ для предоставления рекомендаций о том, какие акции или сегменты рынка, вероятно, покажут хорошие результаты или, наоборот, будут плохими.  Это либо задача предсказания, в которой можно предсказать движение тренда, либо задача классификации, в которой ИИ показывает отличные результаты. Консультант может использовать эти существующие сервисы для получения такой информации.

Экологические, социальные и управленческие (ESG) аспекты также могут влиять на результат.  Эти параметры уже могут быть включены в входные данные модели ИИ, используемой для анализа.  Консультант и клиент должны обсудить, что конкретно включать в модель портфеля.

Концептуальная архитектура

Общая концептуальная схема может выглядеть примерно так, как на диаграмме ниже. Возможны различные вариации.

Очень распространенной реализацией является использование одной базовой модели GenAI, выполняющей все описанное ниже, но мы считаем, что лучше разделить задачи.

Каждая модель будет отвечать за часть проблемной области и, следовательно, может быть меньшей по размеру, чем одна комплексная модель.  Некоторые системы могут работать постоянно, другие — по требованию.

На диаграмме 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 потреблять данные из потоков и, в сочетании с другими данными из озера данных, создавать прогнозы рынка для роста и обнаружения аномалий, что может снизить риски.  Мы не уверены, что такие системы уже достигли достаточной зрелости, чтобы быть надежными, но их развитие продолжается.

Результаты каждой предиктивной модели GenAI будут записываться в озеро данных.  Кроме того, модели анализа могут посылать уведомления другим моделям для выполнения конкретных задач.  Эти модели могут работать периодически или постоянно, в зависимости от активности рынка.

Автономные торговые системы могут использовать статусные потоки анализа рынка для запуска сделок.  Системы классификации периодически оценивают активы и ведут историю классификаций в озере данных. В конце концов, мы приходим к помощнику портфеля GenAI.

Помощник портфеля — это ИИ-основанный рекомендательный сервис, имеющий доступ к текущим рыночным данным и истории.  Консультант может взаимодействовать с помощником, чтобы предоставить профиль клиента и запросить рекомендации.  Лучше всего это делать при присутствии клиента.  Взаимодействие консультанта с клиентом должно быть зафиксировано и записано в озере данных как входные данные для анализа.

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

Помощник портфеля отвечает консультанту, используя информацию из модели, из озера данных или API-запросы к моделям анализа рынка. Интерфейс NLP обеспечивает мощного помощника, но, исходя из опыта, консультанту нужно знать, как правильно задавать вопросы, чтобы получать полезные результаты.

Без этого человеческого посредника взаимодействие с системой NLP 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 людей, чья работа буквально заключается в взаимодействии с LLM и системами GenAI через создание подсказок для получения лучших ответов от модели.

По данным отчета Juniper research 2021 года, к 2025 году 40% клиентов банков по всему миру будут использовать чат-боты NLP для транзакций.  Внедрение NLP в клиентские приложения — это часто 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 процессов.  NLP и автоматизация задач могут принести пользу практически любой отрасли. Разработка ИИ для анализа финансовых рынков — довольно сложная задача.

Корнелльский университет создал модель GenAI StockGPT. См. «StockGPT: модель GenAI для прогнозирования и торговли акциями» по ссылке

Заключение

Анализ финансовых рынков несколько сложнее, чем такие приложения, как цепочки поставок или даже банковское дело.  Там много переменных и сложных поведений, частично обусловленных рыночными цифрами, регуляциями и эмоциональной реакцией участников.

Некоторые из этих аспектов можно учесть с помощью статистики для снижения риска, но прогнозы для финансовых рынков относятся к категории алгебраических задач, где слишком много переменных и недостаточно уравнений.  ИИ может искать паттерны и аномалии, помимо простого подсчета.

Квантовые вычисления — еще одна технология, которую стоит изучить.  Уже сейчас она показывает ценность в некоторых областях науки. Предлагается использовать их для управления рисками через моделирование Монте-Карло в одном из финансовых примеров.

Посмотрим, что принесет будущее.