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 обчислювальної 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, консалтингом та впровадженням фінтех-інновацій 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 консультаціях керівникам 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 міцний досвід у трансформації банківських технологій, він керував глобальними консультаційними та впроваджувальними проектами у США, Канаді, Європі та Азії. Наразі є докторантом у XLRI, зосереджуючись на впливі AI на фінансові системи та сталий розвиток.

Дізнайтеся про провідні новини та події у сфері фінтех!

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 темпи можуть бути повільнішими, 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, обробляючи 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 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 усвідомлювали, 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 — здатних добре виконувати одне дуже конкретне завдання, але марних для будь-чого іншого.

Проте вони і досі можуть приносити цінність у своїх спеціалізованих задачах із значно 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 взаємодії людини з машиною.

У сучасних моделях для NLP використовується дуже високі обчислювальні ресурси (читати — дуже високий рахунок за електроенергію), що суперечить принципам сталого розвитку. Пам’ятайте, що досвідчений бібліотекар або подібний фахівець може забезпечити 100% точність і потребує лише обіду. Ми маємо використовувати ресурси відповідно до ситуації.

Останнім часом, з розвитком таких систем, як DeepSeek, ми бачимо оптимізації, досягаючи створення менших спеціалізованих застосунків із використанням тих самих технологій, що й у великих комплексних моделях. Це вигідно обом сторонам: забезпечує надійний AI для конкретної проблемної області та зменшує обчислювальні витрати. Наприклад, фінтех-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 побудоване на базі 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 є поточний портфель, його потрібно проаналізувати, і AI може допомогти тут. Як працювали інвестиції з часом? Чи зосереджений клієнт на конкретних галузях? Які прогнози щодо їхньої майбутньої продуктивності? Яка історія торгів клієнта?

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

AI-підтримане консультування 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, у якій AI має переваги. Консультант може використовувати ці сервіси для отримання такої інформації.

На результат може впливати також екологічні, соціальні та управлінські (ESG) фактори. Вони вже можуть бути враховані як вхідні дані для моделі AI. Консультант і клієнт повинні обговорити, що саме включити до портфельної моделі.

Концептуальна архітектура

Модель-стратом може виглядати приблизно так, як на малюнку нижче. Варіацій багато.

Один із поширених варіантів — це базова модель GenAI, яка виконує всі описані функції, але ми вважаємо, що краще розподілити завдання між кількома моделями.

Кожна модель вирішуватиме частину проблемної області і може бути меншою за одну комплексну модель. Деякі системи працюватимуть постійно, інші — за запитом.

На малюнку передбачається, що існуватимуть прогностичні генеративні моделі AI, які слугуватимуть радниками для інших спеціалізованих моделей AI. Ці GenAI моделі виконуватимуть більшу частину аналізу ринку і будуть навчатися для різних ринків та 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 вони розвиваються.

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 угод. Класифікаційні системи періодично оцінюватимуть активи та зберігатимуть історію класифікацій у озері даних. Нарешті, з’явиться ГенAI-портфельний помічник.

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

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

Помічник з 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 людськими 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.

Згідно з доповіддю Juniper research 2021 року, 40% клієнтів банківського сектору у світі використовуватимуть NLP-чатботи для транзакцій до 2025 року. Додавання NLP у будь-який клієнтський застосунок — це часто перший крок компанії. Інші системи AI зосереджені на автоматизації поширених 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.

Корнельський університет створив модель GenAI StockGPT. Дивіться “StockGPT: Модель GenAI для прогнозування та торгівлі акціями” на https://arxiv.org/abs/2404.05101.

Висновок

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 для 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. Вони вже демонструють цінність у деяких наукових застосунках. Також пропонували використовувати їх для управління ризиками через Монте-Карло у фінансових прикладах.

Подивимося, що принесе майбутнє.