ФінТех і ШІ — рушії наступної хвилі інновацій

Анна Шофф – випускниця магістратури (MSc) зі спеціалізацією на мовленні та NLP, має експертизу в глибокому навчанні, data science та машинному навчанні. Її наукові інтереси включають нейронне дешифрування давніх мов, машинний переклад для малоресурсних мов і ідентифікацію мови. Вона має значний досвід у дослідженнях з комп’ютерної лінгвістики, ШІ та NLP як в академічному середовищі, так і в індустрії.

Бхушан Джоші – лідер компетенцій для Banking ISV, Financial Markets і Wealth Management, має великий досвід у цифровому банкінгу, ринках капіталу та трансформації в хмарі. Він очолював бізнес-стратегію, консалтинг і масштабні впровадження фінансових технологій для глобальних банків, зосереджуючись на мікросервісах, оптимізації процесів і торговельних системах.

Кеннэт Шофф – Distinguished Technical Specialist у Open Group в IBM AI Applications із понад 20-річним досвідом у банкінгу, фінансових ринках і фінтеху. Він спеціалізується на рішеннях IBM Sterling, технічних продажах і консультуванні керівників рівня C-suite щодо трансформацій, керованих ШІ, у ланцюгах постачання та фінансових сервісах.

Раджа Басу – лідер продуктового менеджменту та інновацій із експертизою в ШІ, автоматизації та сталому розвитку на фінансових ринках. Завдяки сильному бекграунду в трансформації банківських технологій він очолював глобальні advisory та проєкти впровадження в США, Канаді, Європі та Азії. Наразі він є докторантом в XLRI, зосереджуючись на впливі ШІ на фінансові системи та сталий розвиток.

Відкрийте для себе топові новини та події з фінтеху!

Підпишіться на розсилку FinTech Weekly

Читають керівники в JP Morgan, Coinbase, Blackrock, Klarna та багатьох інших

Розвиток технологій ШІ для FinTech швидшає і має великий потенціал, але зростання може бути повільнішим, ніж в інших застосуваннях, через складність задачі.

ШІ здатен виявляти патерни й аномалії, які люди зазвичай пропускають завдяки можливості систем ШІ споживати дуже великі обсяги даних у багатьох структурованих і неструктурованих формах.

Однак людський мозок із понад 600 трильйонами синаптичних зв’язків називають найскладнішим об’єктом, який ми знаємо десь у світі — на Землі, у Сонячній системі й далі.  ШІ може доповнювати людський аналіз завдяки здатності обробляти багато деталей у великому обсязі, але він не може мислити.

На заняттях з ШІ в Єлі багато років тому його визначали як “дослідження когнітивних процесів за допомогою обчислювальних моделей”.  Це визначення досі актуальне.  Часто отримані обчислювальні моделі корисні самі по собі, і їхні можливості еволюціонували від експертних систем та невеликих штучних нейронних мереж до технік глибокого навчання, які використовують для побудови Large Language Models (LLM) і Foundation Models, що застосовуються в Generative AI.   Поступ у апаратному забезпеченні зробив багато з цього можливим, і ми впевнені, що попереду ще більше.

Ще в 1990-х ми знали, що нестача загальних знань у системах ШІ є суттєвим обмежувальним фактором, і тепер ми можемо забезпечити це в великих моделях ШІ.  Ранній ШІ був обмежений дуже специфічними задачами — дещо подібно до “ідіотських геніїв”: він міг дуже добре виконувати одну конкретну задачу, але був марним для будь-чого іншого.

Втім, вони і досі можуть давати цінність у своїх спеціалізованих задачах за значно нижчих обчислювальних витрат.  З огляду на міркування сталого розвитку ці технології все ще можуть виконувати свої ролі в ландшафті ШІ.

Здатності Natural Language Processing (NLP) та Speech Processing, що надаються LLM, наразі можуть достовірно вловлювати, можливо, 90% змісту обміну природною мовою, що має дуже високу цінність для взаємодії людина—машина.

У сучасному стані індустрії моделі для NLP працюють із дуже високою обчислювальною вартістю (читай: дуже високим рахунком за електроенергію), що суперечить міркуванням сталого розвитку.  Пам’ятайте: досвідчений бібліотекар або подібний фахівець може надати результати зі 100% точністю і йому достатньо лише обіду.  Ми маємо використовувати відповідний ресурс у відповідний час.

Нещодавно, з розвитком, таким як DeepSeek, ми бачимо оптимізації, досягнуті шляхом створення менших застосунків, що працюють під конкретні потреби, використовуючи ті самі технології, що й у більших комплексних моделях.  Це ситуація win-win: надаємо надійну технологію ШІ, щоб вирішувати проблему в конкретній предметній області, водночас знижуючи обчислювальні витрати.  Наприклад, системі Fintech AI, яка підтримує керування статками (wealth management), не потрібен бекграунд з англійської літератури.

Консультації з wealth management за допомогою ШІ

Розгляньмо керування статками як приклад застосування.

Інтерв’ю клієнта, щоб створити профіль клієнта, може вестися базовими техніками ШІ, такими як дерево рішень або експертна система.  Однак, спираючись на наш попередній досвід із інтерв’ю, керованими експертними системами, добре кваліфікований радник дасть кращі результати лише через розмову.  Немає заміни людям, які точно знають, що роблять.  ШІ має допомагати, але не керувати.

Аналіз портфеля

Якщо у клієнта є поточний портфель, його потрібно проаналізувати, і ШІ може допомогти і тут.  Як інвестиції працювали з часом?  Чи схильний клієнт зосереджуватися на конкретних галузях?  Який прогноз щодо того, як вони, найімовірніше, працюватимуть у майбутньому?  Яка історія угод клієнта?

На основі профілю клієнта та аналізу портфеля радник може запровадити конкретні обмеження щодо того, що має враховувати запропонований інвестиційний портфель.  Це може включати персональні вподобання, обмеження щодо ризику, ліміти доступних коштів та будь-які інші міркування, які можуть обмежувати вибір.

Консультації з wealth management за допомогою ШІ

Є кілька компаній, які використовують моделі ШІ, щоб надавати рекомендації щодо того, які акції або сегменти ринку, імовірно, покажуть себе добре, а які — погано. Це може бути оформлено або як задача прогнозування, де рух тренду можна передбачити, або як задача класифікації — сфера, у якій ШІ досягає успіху. Радник може використати ці наявні сервіси, щоб надати таку інформацію.

Міркування Environmental, Social, and Governance (ESG) також можуть вплинути на результат.  Вони можуть бути вже включені як вхідні дані в модель ШІ, яка використовується для аналізу.  Раднику та клієнту потрібно буде обговорити, які конкретні деталі включати в модель портфеля.

Ескізна (Strawman) архітектура

Ескізний концептуальний погляд може виглядати приблизно так, як показано на діаграмі нижче. Можливі багато варіацій.

Одна дуже поширена реалізація могла б базуватися на одному foundation-моделі GenAI, яка робить усе, що ми описуємо нижче, але ми вважаємо, що розподіл задач є кращим підходом.

Кожна модель відповідатиме за частину предметної області і, отже, може бути меншою, ніж одна комплексна модель.  Деякі системи можуть працювати безперервно, тоді як інші працюватимуть за запитом.

На діаграмі ми припускаємо, що існуватимуть Predictive GenAI-моделі, які працюватимуть як advisory-системи для інших моделей ШІ, призначених для конкретних цілей.  Ці моделі GenAI виконуватимуть більшу частину аналізу ринку та будуть навчатися для різних ринків і фінансових інструментів.

Вони споживатимуть потоки даних і, поєднуючи їх з іншими даними з data lake, формуватимуть прогнози щодо ринку — зокрема для виявлення зростання та аномалій — що може зменшувати ризики.  Ми не впевнені, що такі системи вже дозріли до рівня надійності, але вони просуваються в розробці.

Результати кожної Predictive GenAI-моделі буде записано в data lake.  Додатково моделі аналізу можуть надсилати push-сповіщення іншим моделям для виконання конкретних задач.  Ці моделі можуть запускатися періодично або, можливо, безперервно впродовж того періоду, коли ринок, який нас цікавить, є активним.

Автономні торговельні системи можуть використовувати статусні потоки з аналізу ринку, щоб ініціювати угоди.  Класифікаційні системи періодично оцінюватимуть активи та зберігатимуть поточну історію класифікацій активів у data lake. Нарешті, ми приходимо до GenAI Portfolio Assistant.

Portfolio Assistant буде рекомендальною системою з підтримкою ШІ, яка має доступ до поточних ринкових даних і історії.  Радник зможе взаємодіяти з асистентом, щоб передати профіль клієнта та попросити рекомендації.  Найкраще це робити за присутності клієнта.  Взаємодію радника з клієнтом потрібно зафіксувати й записати в data lake як вхідні дані для аналізу.

Доступ радника до систем ШІ відбуватиметься через інтерфейс NLP, який може бути текстовим або голосовим.

Portfolio Assistant відповідатиме раднику, використовуючи інформацію з моделі, з data lake або запити API до Market Analysis-моделей. Інтерфейс NLP надає потужного асистента, але, спираючись на досвід, раднику потрібно знати, як ставити запитання, щоб отримати корисні результати.

Без цього людського посередника досвід взаємодії з NLP-системою на таку складну тему може бути фруструючим для новачка. Large Language Models набагато спроможніші, ніж будь-яка попередня технологія в цій галузі, але все ще малоймовірно, що вони пройдуть Turing Test.

Turing Test вимагає, щоб людина не могла відрізнити машину від іншої людини, використовуючи відповіді на питання, задані і тій машині, і іншій людині.  Ці машини не є людьми і не можуть відповідати точно так, як могла б людина. Багато компаній наймають людей, чий опис роботи буквально полягає лише в тому, щоб взаємодіяти з LLMs і системами GenAI через формулювання промптів, щоб отримувати кращі відповіді від моделі.

Згідно з доповіддю Juniper Research за 2021 рік, 40% клієнтів у глобальному банкінгу використовуватимуть NLP-чатботи для транзакцій до 2025 року.  Додавання NLP перед будь-яким застосунком, орієнтованим на клієнта, — це часто те, з чого компанія починає.  Інші системи ШІ зосереджуються на автоматизації типових задач.  Останнє дуже добре спрацювало для застосувань у ланцюгах постачання.

Автоматизація на основі ШІ може усунути багато ручних процесів і зробити робочі процеси ефективнішими.  NLP і автоматизація задач можуть принести користь майже будь-якій галузевій прикладній сфері. Розробка ШІ для аналізу фінансового ринку — відносно складне завдання.

Корнельський університет розробив GenAI Model StockGPT.  Див. “StockGPT: A GenAI Model for Stock Prediction and Trading” за адресою

Висновок

Аналіз фінансових ринків є дещо складнішим, ніж застосування на кшталт Supply Chain або навіть Banking.  Існує значно більше змінних і складніших поведінкових патернів, які зумовлюються частково ринковими цифрами, регуляторними нормами та емоційними реакціями учасників.

Деяке з цього можна відобразити статистикою, щоб зменшити ризик, але прогнози для фінансових ринків належать до категорії алгебраїчних задач, де забагато змінних і недостатньо рівнянь.  ШІ може шукати патерни й аномалії на додачу до того, щоб просто робити обчислення.

Quantum Computing — це ще одна технологія, яку варто дослідити.  Вона вже показує цінність у певних застосуваннях у науках. Також припускали її використання для управління ризиками через Монте-Карло симуляції на одному фінансовому прикладі.

Побачимо, що принесе майбутнє.