ФинТех и ИИ — движущие силы следующей волны инноваций

Анна Шофф – Магистр наук в области речи и обработки естественного языка (NLP) с опытом в глубоких нейросетях, анализе данных и машинном обучении. Её исследовательские интересы включают нейронное расшифрование древних языков, машинный перевод с низкими ресурсами и идентификацию языка. У неё обширный опыт в вычислительной лингвистике, искусственном интеллекте и исследовании NLP в академической и промышленной сферах.

Бхушан Джоши – Лидер по компетенциям для банковских ISV, финансовых рынков и управления активами с обширным опытом в цифровом банкинге, капитальных рынках и облачной трансформации. Он возглавлял бизнес-стратегию, консалтинг и крупномасштабные внедрения финансовых технологий для глобальных банков, сосредоточив внимание на микросервисах, оптимизации процессов и торговых системах.

Кеннет Шофф – Отличный технический специалист 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 вопросам трансформаций, управляемых ИИ, в цепочке поставок и финансовых услугах.

Раджа Басу – Лидер в области управления продуктами и инноваций с опытом в области ИИ, автоматизации и устойчивого развития на финансовых рынках. Обладая сильным опытом в трансформации банковских технологий, он возглавлял глобальные консультационные и внедренческие проекты в США, Канаде, Европе и Азии. В настоящее время является аспирантом в XLRI, где фокусируется на воздействии ИИ на финансовые системы и устойчивость.

Откройте для себя лучшие новости и события финтеха!

Подпишитесь на рассылку FinTech Weekly

Читается руководителями в JP Morgan, Coinbase, Blackrock, Klarna и других

Развитие технологий ИИ для финтеха растёт с большим потенциалом, но рост может быть медленнее, чем в других приложениях из-за сложности проблемы.

ИИ может захватывать шаблоны и аномалии, которые обычно упускают люди благодаря способности систем ИИ обрабатывать очень большие объемы данных в самых разных структурированных и неструктурированных формах.

Тем не менее, человеческий мозг с более чем 600 триллионами синаптических соединений был назван самым сложным объектом, который нам известен где-либо – на Земле, в солнечной системе и за её пределами. ИИ может дополнить человеческий анализ благодаря своей способности обрабатывать множество деталей в объёме, но он не может мыслить.

На занятиях по ИИ в Йельском университете много лет назад ИИ определяли как “изучение когнитивных процессов с помощью вычислительных моделей”. Это определение по-прежнему актуально. Часто получаемые вычислительные модели полезны сами по себе, и их возможности развивались от экспертных систем и небольших искусственных нейронных сетей до технологий глубокого обучения, используемых для создания больших языковых моделей (LLM) и фундаментальных моделей, используемых в генеративном ИИ. Прогресс в аппаратном обеспечении сделал это возможным, и мы уверены, что впереди нас ждут новые достижения.

В 1990-х годах мы знали, что отсутствие общего знания в системах ИИ было значительным ограничивающим фактором, и теперь мы можем предоставить это в крупных моделях ИИ. Ранние технологии ИИ были ограничены очень специфическими задачами, похожими на идиотов-савантов – способных выполнять одну очень конкретную задачу хорошо, но бесполезных для чего-либо другого.

Сказав это, они сделали и все еще могут предоставлять ценность для своих специальных задач с гораздо более низкими вычислительными затратами. По причинам устойчивого развития эти технологии все еще могут выполнять свои роли в ландшафте ИИ.

Возможности обработки естественного языка (NLP) и обработки речи, предоставляемые LLM, теперь способны точно захватывать, возможно, 90% содержания обмена естественным языком, что имеет очень высокую ценность для взаимодействия человека с машиной.

В текущем состоянии искусства модели, используемые для NLP, работают с очень высокими вычислительными затратами (читайте: очень высокими счетами за электроэнергию), что противоречит соображениям устойчивого развития. Имейте в виду, что опытный библиотекарь или подобный специалист может предоставить 100% точные результаты и требует лишь обед. Мы должны использовать соответствующий ресурс в соответствующее время.

Недавно, с развитием таких технологий, как DeepSeek, мы видим оптимизации, достигнутые путем создания более мелких специализированных приложений с использованием тех же технологий, что и в более крупных комплексных моделях. Это выигрышный вариант, позволяющий предоставить надежные технологии ИИ для решения определенной области проблемы, одновременно снижая вычислительные затраты. Например, финтех-ИИ, поддерживающий управление активами, не нуждается в опыте в английской литературе.

Консультирование по управлению активами с помощью ИИ

Рассмотрим управление активами в качестве примера приложения.

Интервью с клиентом для создания профиля клиента может быть основано на базовых техниках ИИ, таких как дерево решений или экспертная система. Тем не менее, исходя из нашего предыдущего опыта с некоторыми интервью на основе экспертной системы, хорошо квалифицированный консультант получит лучшие результаты просто через разговор. Нет замены людям, знающим, что они делают. ИИ должен помогать, но не управлять.

Анализ портфеля

Если у клиента есть текущий портфель, он нуждается в анализе, и ИИ также может помочь здесь. Как показывают инвестиции на протяжении времени? Сосредоточен ли клиент на определенных отраслях? Каков прогноз того, как они, вероятно, будут работать в будущем? Какова история торгов клиента?

На основе профиля клиента и анализа портфеля консультант может ввести конкретные ограничения относительно того, что анализ должен учитывать для предлагающегося инвестиционного портфеля. К ним могут относиться личные предпочтения, пределы риска, пределы доступных средств и любые другие соображения, которые могут ограничить выбор.

Консультирование по управлению активами с помощью ИИ

Существует несколько компаний, которые используют модели ИИ для предоставления рекомендаций относительно того, какие акции или сегменты рынка, вероятно, будут успешными или, наоборот, неудачными. Это либо формулируется как проблема предсказания, в которой можно предсказать движение тренда, либо как проблема классификации, в которой ИИ преуспевает. Консультант может использовать эти существующие услуги для предоставления такой информации.

Экологические, социальные и управленческие (ESG) соображения также могут повлиять на результат. Они могут уже быть включены в входные данные модели ИИ, используемой для анализа. Консультант и клиент должны обсудить, какие конкретные аспекты включить в модель портфеля.

Строительная архитектура

Концептуальный взгляд на модель может выглядеть как диаграмма ниже. Возможны многие вариации.

Одной из очень распространённых реализаций могла бы быть единственная модель GenAI, которая выполняет все, что мы описываем ниже, но мы считаем, что разделение задач является лучшим подходом.

Каждая модель будет решать часть проблемной области и, следовательно, может быть меньше одной комплексной модели. Некоторые системы могут работать постоянно, в то время как другие будут работать по запросу.

На диаграмме мы предполагаем, что будут предсказательные модели генеративного ИИ, служащие консультативными системами для других специализированных моделей ИИ. Эти модели GenAI будут выполнять большую часть рыночного анализа и будут обучены для различных рынков и финансовых инструментов.

Они будут использовать данные, поступающие из потоков, и в сочетании с другими данными из хранилища данных, производить прогнозы рынка для роста и обнаружения аномалий, что может снизить риски. Мы не убеждены, что такие системы пока достигли уровня надежности, но они развиваются.

Результаты каждой предсказательной модели GenAI будут записываться в хранилище данных. Кроме того, модели анализа могут отправлять уведомления другим моделям для выполнения конкретных задач. Эти модели могут работать периодически или, возможно, постоянно в течение времени, когда активен интересующий рынок.

Автономные торговые системы могут использовать статусные данные от рыночного анализа для запуска сделок. Системы классификации будут периодически оценивать активы и вести текущую историю классификации активов в хранилище данных. Наконец, мы приходим к помощнику портфеля GenAI.

Помощник портфеля будет рекомендательной системой на основе ИИ, которая имеет доступ к текущим рыночным данным и истории. Консультант может взаимодействовать с помощником для предоставления профиля клиента и запроса рекомендаций. Это лучше всего делать с присутствием клиента. Взаимодействие консультанта с клиентом должно быть зафиксировано и записано в хранилище данных как входные данные для анализа.

Доступ консультанта к системам ИИ осуществляется через интерфейс NLP, который может быть текстовым или голосовым.

Помощник портфеля будет отвечать консультанту, используя информацию из модели, из хранилища данных или запросов API в модели рыночного анализа. Интерфейс NLP предоставляет мощного помощника, но, исходя из опыта, консультант должен знать, как задавать вопросы, чтобы получить 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 любая предыдущая технология в этой области, но они все еще вряд ли пройдут тест Тьюринга.

Тест Тьюринга требует, чтобы человек не мог отличить машину от другого человека, используя ответы на вопросы, заданные обоим. Эти машины не являются людьми и не могут отвечать так, как это мог бы сделать человек. Многие компании нанимают людей, чья должностная инструкция буквально состоит в том, чтобы взаимодействовать с LLM и системами GenAI, создавая подсказки для получения лучших ответов от модели.

Согласно отчету Juniper Research за 2021 год, 40% глобальных клиентов банков будут использовать NLP-чат-ботов для транзакций к 2025 году. Добавление NLP в любое приложение, ориентированное на клиента, часто является тем, с чего начинается компания. Другие системы ИИ сосредоточены на автоматизации общих задач. Последние были очень успешны в приложениях для цепочки поставок.

Автоматизация на основе ИИ может устранить многие ручные процессы и сделать рабочие процессы более эффективными. NLP и автоматизация задач могут принести пользу почти любому прикладному сектору. Разработка ИИ для анализа финансовых рынков является относительно сложной задачей.

Университет Корнелл разработал модель GenAI StockGPT. См. “StockGPT: A GenAI Model for Stock Prediction and Trading” на

Заключение

Анализ финансовых рынков несколько сложнее, чем приложения, такие как цепочка поставок или даже банковское дело. Существует гораздо больше переменных и сложных поведений, частично обусловленных рыночными цифрами, регуляциями и эмоциональными реакциями участников.

Часть этого можно зафиксировать с помощью статистики для снижения рисков, но предсказания для финансовых рынков попадают в категорию алгебраических задач, где слишком много переменных и недостаточно уравнений. ИИ может искать шаблоны и аномалии, помимо просто выполнения математических расчетов.

Квантовые вычисления – это еще одна технология, которую стоит исследовать. Она уже показывает свою ценность в определенных приложениях в науке. Упоминалась возможность её использования в управлении рисками через методы Монте-Карло как один из финансовых примеров.

Увидим, что будущее нам готовит.