ФінТех і ШІ — рушій наступної хвилі інновацій

Анна Шофф – магістр з мовлення та NLP, експерт у глибокому навчанні, науці про дані та машинному навчанні. Її дослідження включають нейронне розшифрування давніх мов, машинний переклад з низькими ресурсами та ідентифікацію мов. Вона має великий досвід у галузі комп’ютерної лінгвістики, штучного інтелекту та NLP у академічних та промислових сферах.

Бушан Джоші – керівник компетенцій у банківській ІСВ, фінансових ринках та управлінні багатством, з великим досвідом у цифровому банкінгу, капітальних ринках та трансформації хмарних технологій. Він керував бізнес-стратегіями, консультаціями та впровадженнями фінансових технологій для глобальних банків, зосереджуючись на мікросервісах, оптимізації процесів та торгових системах.

Кеннет Шофф – видатний технічний спеціаліст у IBM AI Applications у групі Open Group з понад 20 роками досвіду у банківській справі, фінансових ринках та фінтех. Спеціалізується на рішеннях IBM Sterling, технічних продажах та консультуванні керівників в області AI-інновацій у ланцюгах постачання та фінансових послугах.

Раджа Басу – керівник з управління продуктами та інноваціями, експерт у галузі AI, автоматизації та сталого розвитку на фінансових ринках. Маючи глибокий досвід у трансформації банківських технологій, він керував глобальними консультаційними та впроваджувальними проектами у США, Канаді, Європі та Азії. Наразі він є докторантом у XLRI, зосереджуючись на впливі AI на фінансові системи та сталий розвиток.

Дізнайтеся про провідні новини та події у фінтеху!

Підписуйтеся на розсилку FinTech Weekly

Читають керівники JP Morgan, Coinbase, Blackrock, Klarna та інші

Розвиток технологій штучного інтелекту для фінтеху зростає з великим потенціалом, але цей ріст може бути повільнішим, ніж у інших сферах через складність проблеми.

AI може виявляти шаблони та аномалії, які зазвичай пропускають люди, завдяки здатності систем AI обробляти дуже великі обсяги даних у структурованій та неструктурованій формах.

Однак, людський мозок із понад 600 трильйонами синаптичних зв’язків вважається найскладнішим об’єктом, який ми знаємо — на Землі, у Сонячній системі та за її межами. AI може доповнювати людський аналіз, обробляючи багато деталей одночасно, але він не може мислити.

На заняттях з AI у Йельському університеті багато років тому їх визначали як “дослідження когнітивних процесів за допомогою обчислювальних моделей”. Це визначення досі актуальне. Часто отримані обчислювальні моделі самі по собі корисні, і їх можливості зросли від експертних систем і малих штучних нейронних мереж до глибокого навчання, яке використовується для створення великих мовних моделей (LLMs) та базових моделей у генеративному AI.

Апаратура зробила багато з цього можливим, і ми впевнені, що попереду ще багато розвитку.

У 1990-х роках ми розуміли, що відсутність загальних знань у системах AI була значним обмеженням, і тепер ми можемо забезпечити це у великих AI-моделях. Ранні технології AI були обмежені дуже конкретними завданнями, схожими на ідіотів-савантів — здатних добре виконувати одне дуже специфічне завдання, але марних для будь-чого іншого.

Проте вони й досі можуть приносити цінність у своїх спеціалізованих сферах з набагато меншими обчислювальними затратами. З міркувань сталого розвитку ці технології й досі відіграють важливу роль у ландшафті AI.

Можливості Обробки природної мови (NLP) та Обробки мовлення, які забезпечують LLMs, тепер здатні точно захоплювати приблизно 90% змісту природної мовної взаємодії, що має дуже високу цінність для людсько-машинної взаємодії.

На сучасному рівні розвитку моделі для NLP працюють із дуже високими обчислювальними витратами (читати — дуже високий електроспожив), що суперечить принципам сталого розвитку. Варто пам’ятати, що досвідчений бібліотекар або подібний фахівець може забезпечити 100% точність і потребує лише обіду. Тому потрібно використовувати ресурси відповідно до ситуації.

Останнім часом, з розвитком таких систем, як DeepSeek, ми бачимо оптимізації шляхом створення менших спеціалізованих застосунків із використанням тих самих технологій, що й у великих моделях. Це вигідно обом сторонам: забезпечує надійний AI для конкретної проблемної сфери та зменшує обчислювальні витрати. Наприклад, Fintech AI-система для управління багатством не потребує глибоких знань англійської літератури.

AI-підтримка консультацій з управління багатством

Розглянемо управління багатством як приклад застосунку.

Інтерв’ю з клієнтом для створення профілю може бути проведене за допомогою базових технік AI, таких як дерево рішень або експертна система. Однак, досвід показує, що кваліфікований консультант досягає кращих результатів просто через розмову. Немає заміни людям, які знають свою справу. AI має допомагати, але не керувати процесом.

Аналіз портфеля

Якщо у клієнта вже є портфель, його потрібно проаналізувати, і тут також може допомогти AI. Як показували результати, як працювали інвестиції з часом? Чи зосереджений клієнт на конкретних галузях? Який прогноз щодо їхньої майбутньої продуктивності? Яка історія торгів клієнта?

На основі профілю клієнта та аналізу портфеля консультант може встановити конкретні обмеження щодо врахування у пропонованому інвестиційному портфелі. Це можуть бути особисті переваги, ризикові обмеження, обмеження доступних коштів та інші фактори, що обмежують вибір.

AI-підтримка консультацій з управління багатством

Деякі компанії використовують моделі AI для прогнозування, які акції або сегменти ринку, ймовірно, покажуть хороші або погані результати. Це або прогнозування тренду, або класифікація — область, у якій AI дуже сильний. Консультант може використовувати ці сервіси для отримання такої інформації.

Екологічні, соціальні та управлінські (ESG) фактори також можуть впливати на результати. Вони вже можуть бути враховані як вхідні дані у модель AI для аналізу. Консультант і клієнт повинні обговорити, які конкретні параметри включити до портфельної моделі.

Концептуальна архітектура

Модель-стратом може виглядати приблизно так, як на малюнку нижче. Варіанти реалізації дуже різноманітні.

Один із поширених варіантів — це базування на одній базовій моделі GenAI, яка виконує всі описані функції, але ми вважаємо, що краще розподілити завдання між кількома моделями.

Кожна модель вирішує частину проблемної сфери і може бути меншою за обсягом, ніж одна комплексна модель. Деякі системи працюватимуть постійно, інші — за запитом.

На малюнку передбачено, що існуватимуть прогностичні генеративні моделі AI, які слугуватимуть системами рекомендацій для інших спеціалізованих моделей AI. Ці GenAI моделі виконуватимуть більшу частину аналізу ринку і навчатимуться для різних ринків і фінансових інструментів.

Вони споживатимуть дані з потоків і, у поєднанні з іншими даними з озера даних, генеруватимуть прогнози щодо зростання та виявлення аномалій, що може зменшити ризики. Ми не впевнені, що такі системи вже достатньо зрілі, але їх розвиток триває.

Результати кожної прогностичної GenAI моделі зберігатимуться у озері даних. Крім того, моделі аналізу можуть надсилати сповіщення іншим моделям для виконання конкретних завдань. Ці моделі можуть працювати періодично або постійно під час активності ринку.

Автономні торгові системи можуть використовувати статусні потоки з аналізу ринку для запуску торгів. Класифікаційні системи періодично оцінюватимуть активи і зберігатимуть історію класифікацій у озері даних. Нарешті, з’явиться ГенAI-портфельний асистент.

Асистент портфеля — це AI-підтримувана система рекомендацій, яка має доступ до актуальних даних ринку та історії. Консультант може взаємодіяти з асистентом для надання профілю клієнта та запиту рекомендацій. Це найкраще робити за присутності клієнта. Взаємодія консультанта з клієнтом має фіксуватися та зберігатися в озері даних як вхідні дані для аналізу.

Доступ до систем AI для консультанта здійснюється через інтерфейс NLP, який може бути текстовим або голосовим.

Асистент портфеля відповідатиме консультанту, використовуючи інформацію з моделі, з озера даних або API-запитами до моделей аналізу ринку. Інтерфейс NLP забезпечує потужного помічника, але, за досвідом, консультанту потрібно знати, як правильно ставити питання, щоб отримати корисні результати.

Без цього людського посередника взаємодія з NLP-системою для такої складної теми може бути розчаровуючою для новачка. Великі мовні моделі значно перевищують можливості будь-яких попередніх технологій у цій галузі, але вони ще не здатні пройти тест Тюрінга.

Тест Тюрінга вимагає, щоб людина не могла відрізнити машину від іншої людини за відповідями на запитання. Ці машини не є людьми і не можуть відповідати так само, як людина. Багато компаній наймають людей, чиї обов’язки — просто взаємодіяти з LLM та системами GenAI через створення підказок для отримання кращих відповідей.

За даними звіту Juniper Research 2021 року, до 2025 року 40% клієнтів банків по всьому світу використовуватимуть NLP-чатботи для транзакцій. Впровадження NLP у будь-який клієнтський застосунок — це часто перший крок компанії. Інші системи AI зосереджені на автоматизації звичних завдань. Останні дуже успішні у сферах ланцюгів постачання.

Автоматизація на базі AI може усунути багато ручних процесів і зробити робочі процеси більш ефективними. NLP та автоматизація завдань можуть бути корисними майже в будь-якій галузі. Розробка AI для аналізу фінансових ринків — досить складне завдання.

Корнелльський університет створив модель GenAI StockGPT. Детальніше дивіться у статті “StockGPT: A GenAI Model for Stock Prediction and Trading” на

Висновки

Аналіз фінансових ринків є дещо складнішим за застосунки, такі як ланцюги постачання або навіть банківська справа. Тут багато змінних і складних поведінок, частково зумовлених ринковими цифрами, регуляціями та емоційною реакцією учасників.

Частково це можна врахувати за допомогою статистики для зменшення ризиків, але прогнози щодо фінансових ринків належать до категорії алгебраїчних задач, де занадто багато змінних і недостатньо рівнянь. AI може шукати шаблони та аномалії, крім простого обчислення.

Квантові обчислення — ще одна технологія, яку варто досліджувати. Вже зараз вони демонструють цінність у наукових застосунках. Зокрема, їх пропонують використовувати для управління ризиками через Монте-Карло у фінансових моделях.

Подивимося, що принесе майбутнє.