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 языка. У нее есть обширный опыт в области вычислительной лингвистики, ИИ и исследований NLP в академической среде и 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». Эта дефиниция по-прежнему актуальна.

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.

Аппаратное обеспечение сделало многое из этого возможным, и мы уверены, что впереди еще много нового.

В 1990-х годах мы понимали, что недостаток общего знания в системах ИИ был значительным ограничением, и сейчас мы можем обеспечить это в больших моделях ИИ.

Ранние технологии ИИ были ограничены 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 сейчас могут приносить пользу в своих узкоспециализированных задачах при значительно меньших вычислительных затратах.

Для устойчивого развития эти технологии все еще могут выполнять свои роли в ландшафте ИИ.

Возможности обработки естественного языка (NLP) и обработки речи, предоставляемые большими языковыми моделями, теперь способны точно захватывать, возможно, 90% содержания диалога на естественном языке, что очень ценно для взаимодействия человека с машиной.

В современном состоянии технологий модели для NLP работают при очень высоких вычислительных затратах (читается очень высокий электрический счет), что противоречит принципам устойчивого развития.

Помните, что опытный библиотекарь или аналогичный специалист может обеспечить 100% точность результатов и при этом только пообедать.

Нам нужно использовать ресурсы по мере необходимости и в нужное время.

Недавно, с развитием таких решений, как DeepSeek, мы видим оптимизации за счет создания меньших прикладных моделей, использующих те же технологии, что и крупные комплексные модели.

Это выигрыш для всех: надежные ИИ-технологии для решения конкретных задач при снижении затрат на вычисления.

Например, финтех-ИИ-система поддержки управления богатством не нуждается в знаниях английской литературы.

ИИ-поддержка консультаций 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 с квалифицированным консультантом.

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?

Фокусируется ли клиент 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, риск-лимиты, лимиты доступных средств и любые другие ограничения, влияющие на выбор.

ИИ-поддержка консультаций по управлению богатством

Некоторые компании используют модели ИИ для определения, какие акции или сегменты рынка, вероятно, покажут хорошие или плохие результаты.

Это либо задача предсказания, когда можно прогнозировать движение тренда, либо задача классификации, в которой ИИ показывает отличные результаты.

Консультант может использовать эти сервисы для получения такой информации.

Экологические, социальные и управленческие (ESG) факторы также могут влиять на результат.

Эти факторы уже могут быть включены в модель ИИ для анализа.

Консультант и клиент должны обсудить, что именно включать в модель портфеля.

Концептуальная архитектура

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

Много вариантов реализации.

Один из распространенных — это 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 может быть меньше по размеру, чем одна комплексная модель.

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 потреблять данные из потоков и, в сочетании с данными из озера данных, создавать прогнозы рынка, обнаруживать аномалии и снижать риски.

Мы не уверены, что такие системы уже достигли достаточной зрелости, чтобы быть полностью надежными, 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, когда рынок активен.

Автономные торговые системы могут использовать статусные потоки анализа рынка для запуска сделок.

Классификационные системы будут периодически оценивать активы и вести историю классификаций в озере данных.

В конце — 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 записываться 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 по портфелю отвечает консультанту, используя информацию из модели, из озера данных или API-запросы к моделям анализа рынка.

Интерфейс NLP — мощный помощник, 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 человек и не могут отвечать так же, как человек.

Многие компании нанимают людей, чья работа — буквально взаимодействовать с LLM и системами GenAI, создавая 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 NLP для транзакций.

Добавление 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 — достаточно сложная задача.

Корнелльский университет создал модель GenAI StockGPT.

Смотрите «StockGPT: модель GenAI для прогнозирования и торговли акциями» на https://arxiv.org/abs/2404.05101.

Заключение

Анализ финансовых рынков несколько сложнее, чем такие приложения, как цепочки поставок или даже банковское дело.

Много переменных и сложных поведения, частично обусловленных рыночными цифрами, регуляциями и эмоциональными реакциями 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 простых расчетов.

Квантовые вычисления — еще одна технология, которую стоит изучить.

Она уже показывает ценность в некоторых научных приложениях.

Предлагается использовать их для управления рисками через моделирование Монте-Карло в одном из финансовых примеров.

Посмотрим, что принесет будущее.