ФінТех і ШІ керують наступною хвилею інновацій

Анна Шофф – магістр з мовлення та NLP з експертизою 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 обчислювальній лінгвістиці, ШІ та дослідженнях у галузі NLP у академічних та промислових сферах.

Бушан Джоші – керівник компетенцій у сфері банківських ІСВ, фінансових ринків та управління багатством з великим досвідом у цифровому банкінгу, капітальних ринках та хмарних трансформаціях. Він керував бізнес-стратегіями, консалтингом та впровадженнями великих фінансових технологій для глобальних банків, зосереджуючись на мікросервісах, оптимізації процесів та торгових системах.

Кеннет Шофф – видатний технічний спеціаліст групи Open Group у IBM AI Applications з понад 20-річним досвідом у банківській справі, фінансових ринках та фінтех. Він спеціалізується на рішеннях IBM Sterling, технічних продажах та консультуванні керівників вищої ланки щодо трансформацій на основі AI у ланцюгах постачання та фінансових послугах.

Раджа Басу – лідер у сфері управління продуктами та інновацій з експертизою в AI, автоматизації та сталому розвитку у фінансових ринках. Маючи міцний 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.

Відкрийте для себе найновіші новини та події у сфері фінтех!

Підписуйтеся на розсилку FinTech Weekly

Читають керівники у JP Morgan, Coinbase, Blackrock, Klarna та інших

Розвиток технологій AI 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 багатьох структурованих та неструктурованих 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 своєю здатністю обробляти багато деталей у великому обсязі, 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 є корисними, і їх можливості зросли від експертних систем і малих штучних нейронних мереж до технік глибокого навчання, які використовуються 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 знали, що відсутність загальних знань у системах AI була значним обмеженням, і тепер ми можемо забезпечити це у великих моделях AI.

Ранні технології AI були обмежені дуже конкретними завданнями, схожими на ідіотів-савантів – здатними добре виконувати одне дуже конкретне завдання, але марними для будь-чого іншого.

Проте, вони вже тоді і досі можуть приносити цінність у своїх спеціалізованих задачах із набагато меншими обчислювальними затратами.

З міркувань сталого розвитку ці технології все ще можуть виконувати свої ролі у ландшафті AI.

Можливості Обробки природної мови (NLP) та обробки мовлення, які забезпечують LLM, тепер здатні точно захоплювати, можливо, 90% змісту природної мовної взаємодії, що має дуже високу цінність для взаємодії людини з машиною.

У сучасних моделях для NLP використовується дуже високий обчислювальний ресурс (читати дуже високий електричний рахунок), що суперечить принципам сталого розвитку.

Зважайте, що досвідчений бібліотекар або подібний фахівець може забезпечити 100% точність результатів і при цьому лише пообідати.

Ми повинні використовувати відповідні ресурси у відповідний час.

Останнім часом, з розвитком таких систем, як DeepSeek, ми бачимо оптимізації, досягаючи яких, створюються менші спеціалізовані застосунки, що використовують ті ж технології, що й великі моделі.

Це вигідно обом сторонам: забезпечує міцний AI-технології для вирішення конкретної проблеми та зменшує обчислювальні витрати.

Наприклад, Fintech AI-система для управління багатством не потребує глибоких знань англійської літератури.

AI-підтримуване консультування з управління багатством

Розглянемо управління багатством як приклад застосунку.

Інтерв’ю з клієнтом для створення профілю може бути кероване базовими техніками AI, такими як дерево рішень або експертна система.

Однак, на основі нашого досвіду з деякими інтерв’ю, керованими експертними системами, добре кваліфікований радник досягне кращих результатів просто через розмову.

Немає заміни людям, які знають, що роблять. AI має допомагати, але не керувати.

Аналіз портфеля

Якщо у клієнта є поточний портфель, його потрібно проаналізувати, і AI може допомогти й тут.

Як показували дослідження, як працювали інвестиції з часом?

Чи схильний клієнт зосереджуватися на окремих галузях?

Який прогноз щодо їхньої майбутньої продуктивності?

Яка історія торгів клієнта?

На основі профілю клієнта та аналізу портфеля радник може ввести конкретні обмеження щодо того, що має враховуватися у пропонованому інвестиційному портфелі.

Це можуть бути особисті переваги, обмеження ризику, обмеження доступних коштів та будь-які інші фактори, що обмежують вибір.

AI-підтримане консультування з управління багатством

Існує кілька компаній, які використовують моделі AI для надання рекомендацій щодо того, які акції або сегменти ринку, ймовірно, покажуть хороші або погані результати.

Це або формулюється як проблема прогнозування, де можна передбачити рух тренду, або як класифікаційна задача, у якій AI має переваги.

Радник може використовувати ці існуючі сервіси для отримання такої інформації.

Розгляд питань навколишнього середовища, соціальної відповідальності та управління (ESG) також може впливати на результат.

Ці фактори вже можуть бути включені як вхідні дані до моделі AI для аналізу.

Радник і клієнт повинні обговорити, які конкретні аспекти включити до моделі портфеля.

Концептуальна архітектура “солом’янка”

Модель “солом’янки” може виглядати приблизно так, як показано на нижченаведеному діаграмі.

Можна зробити багато варіацій.

Один із поширених варіантів – це базування на одній базовій моделі GenAI, яка виконує все, що описано нижче, але ми вважаємо, що розподіл завдань є кращим підходом.

Кожна модель буде охоплювати частину проблемної області і може бути меншою за одну цілісну модель.

Деякі системи можуть працювати постійно, інші – за запитом.

На діаграмі ми припускаємо, що будуть використовуватися прогностичні генеративні моделі AI, які слугуватимуть консультативними системами для інших спеціалізованих моделей AI.

Ці моделі GenAI виконуватимуть більшу частину аналізу ринку і будуть навчатися для різних ринків і фінансових інструментів.

Вони споживатимуть дані з потоків і, у поєднанні з іншими даними з озера даних, генеруватимуть прогнози ринку щодо зростання та виявлення аномалій, що може зменшити ризики.

Ми не впевнені, що такі системи вже достатньо зрілі для надійної роботи, але вони активно розвиваються.

Результати кожної прогностичної моделі GenAI будуть записані у озеро 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, ми дійшли до портфельного асистента GenAI.

Асистент портфеля буде системою рекомендацій, що базується на AI і має доступ до актуальних даних ринку та історії.

Радник може взаємодіяти з асистентом, щоб надати профіль клієнта і запитати рекомендації.

Найкраще це робити за присутності клієнта.

Взаємодія радника з клієнтом має бути зафіксована і записана у озері даних як вхідні дані для аналізу.

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

Асистент портфеля відповідатиме раднику, використовуючи інформацію з моделі, з озера даних або через API-запити до моделей аналізу ринку.

Інтерфейс NLP забезпечує потужного помічника, але, з досвіду, раднику потрібно знати, як ставити питання, щоб отримати корисні результати.

Без цього людського посередника взаємодія з системою NLP для такої складної теми може бути розчаровуючою для новачка.

Великі мовні моделі набагато більш здатні, ніж будь-які попередні технології у цій галузі, але вони все ще навряд чи пройдуть 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 точно так, як людина.

Багато компаній наймають людей, чиї обов’язки буквально полягають у взаємодії з LLM та системами GenAI через створення підказок для отримання кращих відповідей.

Згідно з доповіддю Juniper research 2021 року, 40% глобальних банківських клієнтів використовуватимуть NLP-чатботи для транзакцій до 2025 року.

Додавання NLP до будь-якого клієнтського застосунку часто є першим кроком компанії.

Інші системи AI зосереджені на автоматизації поширених завдань.

Останніми роками це було дуже успішним у сферах ланцюгів постачання.

Автоматизація на базі AI може усунути багато ручних процесів і зробити робочі процеси більш ефективними.

NLP та автоматизація завдань можуть принести користь майже будь-якій галузі.

Розробка AI для аналізу фінансових ринків є досить складним завданням.

Корнельський університет створив модель GenAI StockGPT.

Дивіться “StockGPT: модель GenAI для прогнозування та торгівлі акціями” на

Висновок

Аналіз фінансових ринків є дещо складнішим, ніж застосунки у сферах ланцюгів постачання або навіть банківської справи.

Є багато змінних і складних поведінкових факторів, частково зумовлених ринковими цифрами, регуляціями та емоційною реакцією учасників.

Частина цього може бути врахована за допомогою статистики для зменшення ризиків, але прогнози для фінансових ринків належать до категорії алгебраїчних задач, де занадто багато змінних і недостатньо рівнянь.

AI може шукати шаблони та аномалії, крім простої математики.

Ще однією технологією, яку варто досліджувати, є квантові обчислення.

Вони вже демонструють цінність у певних наукових застосунках.

Їх пропонують використовувати для управління ризиками через Монте-Карло симуляції у одному з фінансових прикладів.

Подивимося, що принесе майбутнє.