მანქანური სწავლება ფინანსებში: გამოწვევები, ნდობა და ექსპერტების შეხედულებები

👋 მოგესალმებით ჩვენი მანქანური სწავლების დირექტორთა შეხედულებების სერიის ფინანსურ გამოცემაში! თუ გამოტოვეთ წინა გამოცემები, შეგიძლიათ იხილოთ აქ: ფინანსური სექტორის მანქანური სწავლების დირექტორები უნიკალური გამოწვევების წინაშე დგანან: მოძველებული სისტემების მართვა, ინტერპრეტირებადი მოდელების დანერგვა და მომხმარებლის ნდობის შენარჩუნება, ყოველივე ეს მკაცრი რეგულაციებისა (და მთავრობის დიდი ზედამხედველობის) პირობებში. თითოეული ეს გამოწვევა ღრმა ინდუსტრიულ ცოდნასა და ტექნიკურ ექსპერტიზას მოითხოვს ეფექტური მართვისთვის. შემდეგი ექსპერტები U.S. Bank-დან, კანადის სამეფო ბანკიდან, Moody's Analytics-დან და Bloomberg AI-ის ყოფილი მკვლევარი მეცნიერი, ყველა გვეხმარება მანქანური სწავლებისა და ფინანსების სექტორში უნიკალური აღმოჩენების გამოვლენაში. თქვენ მოისმენთ საბერძნეთის უმცროსთა ეროვნულ ჩემპიონს ჩოგბურთში, გამოქვეყნებულ ავტორს 100-ზე მეტი პატენტით და ველო-პოლოს მოთამაშეს, რომელიც რეგულარულად თამაშობდა მსოფლიოს უძველეს პოლოს კლუბში (კალკუტის პოლოს კლუბი). ყველა მათგანი ფინანსური ML ექსპერტი გახდა. 🚀 მოემზადეთ, წარმოგიდგენთ ფინანსური მანქანური სწავლების ავტორიტეტების მთავარ შეხედულებებს: პასუხისმგებლობის უარყოფა: ყველა მოსაზრება ინდივიდუალურია და არ წარმოადგენს წარსულში ან ამჟამინდელ დამსაქმებელთა პოზიციას. ფონი: იოანისი არის მანქანური სწავლების გატაცებული ექსპერტი, რომელსაც აქვს გამოცდილება მასშტაბირებადი, საწარმოო დონის და უახლესი მანქანური სწავლების გადაწყვეტილებების მიწოდებაში. ის ასევე არის Bak Up Podcast-ის წამყვანი და ხელოვნური ინტელექტის მეშვეობით მსოფლიოზე გავლენის მოხდენას ესწრაფვის. საინტერესო ფაქტი: იოანისი საბერძნეთის უმცროსთა ეროვნული ჩემპიონი იყო ჩოგბურთში.🏆 RBC: მსოფლიოს წამყვანი ორგანიზაციები RBC Capital Markets-ს უყურებენ, როგორც ინოვაციურ, სანდო პარტნიორს კაპიტალის ბაზრებზე, საბანკო და ფინანსურ სექტორში. ჩვენ ყველამ ვიცით, რომ მანქანური სწავლება ტრანსფორმაციული ძალაა ყველა ინდუსტრიაში, რომელიც მუდმივად ქმნის ახალ ბიზნეს შესაძლებლობებს. მანქანური სწავლების წყალობით მრავალი ფინანსური პროდუქტი შეიქმნა ან შეიცვალა, მაგალითად, პერსონალიზებული დაზღვევა და მიზნობრივი მარკეტინგი. ტრანსფორმაცია და მოგება შესანიშნავია, მაგრამ ჩემი საყვარელი ფინანსური გავლენა არის მანქანური სწავლების მიერ ინიცირებული დისკუსია ფინანსურ გადაწყვეტილებებში ნდობის შესახებ. წარსულში, ფინანსური გადაწყვეტილებები, როგორიცაა სესხის დამტკიცება, განაკვეთის განსაზღვრა, პორტფელის მართვა და ა.შ., ხორციელდებოდა ადამიანების მიერ შესაბამისი ექსპერტიზით. არსებითად, ადამიანები ენდობოდნენ „სხვა ადამიანებს“ ან „ექსპერტებს“ ფინანსური გადაწყვეტილებებისთვის (ხშირად კითხვების გარეშე). როდესაც მანქანურმა სწავლებამ ამ გადაწყვეტილების მიღების პროცესის ავტომატიზაცია სცადა, ხალხმა იკითხა: „რატომ უნდა ვენდოთ მოდელს?“ მოდელები ბედისწერის შავ ყუთებად მოგვეჩვენა, რომლებიც პატიოსანი მშრომელი ადამიანების ჩანაცვლებას აპირებდნენ. მაგრამ ამ არგუმენტმა დაიწყო დისკუსია ფინანსურ გადაწყვეტილებებში ნდობისა და ეთიკის შესახებ, მიუხედავად იმისა, თუ ვინ ან რა არის ჩართული. როგორც ინდუსტრია, ჩვენ კვლავ განვსაზღვრავთ ამ დისკუსიას, მაგრამ გაზრდილი გამჭვირვალობით, ფინანსებში ML-ის წყალობით. მე არ შემიძლია კომპანიების სახელით საუბარი, მაგრამ ჩამოყალიბებული ფინანსური ინსტიტუტები, ისევე როგორც ყველა ხანგრძლივი ორგანიზაცია, ერთი უწყვეტი ბრძოლის წინაშე დგანან: მოძველებული სისტემები. ფინანსური ორგანიზაციები დიდი ხანია არსებობენ და დროთა განმავლობაში განვითარდნენ, მაგრამ დღეს მათ თავი რაღაცნაირად „ტექნოლოგიურ კომპანიებად“ აღმოაჩინეს. ასეთ ორგანიზაციებს სჭირდებათ უახლესი ტექნოლოგიების ნაწილი იყვნენ, რათა კონკურენცია გაუწიონ ახალბედა მეტოქეებს, მაგრამ ამავე დროს შეინარჩუნონ ის სიმტკიცე, რაც ჩვენს ფინანსურ სამყაროს მუშაობას უზრუნველყოფს. ეს შიდა ბრძოლა ინსტიტუტების რისკისადმი მიდრეკილებით არის განპირობებული. ფინანსური რისკი წრფივად იზრდება (ჩვეულებრივ) იმ გადაწყვეტილების მასშტაბით, რომელსაც თქვენ უზრუნველყოფთ, რადგან საქმე ფულს ეხება. მაგრამ ამის გარდა, არსებობს რისკის სხვა ფორმებიც, რომლებიც სისტემის უკმარისობამ შეიძლება გამოიწვიოს, როგორიცაა მარეგულირებელი და რეპუტაციული რისკი. ეს გაერთიანებული რისკი, უზარმაზარი, მომწიფებული სისტემის ახალ ტექნოლოგიურ დასტაზე მიგრაციის სირთულესთან ერთად, ჩემი აზრით, უდიდესი გამოწვევაა ისეთი უახლესი ტექნოლოგიების დანერგვისას, როგორიცაა მანქანური სწავლება. მანქანური სწავლება, მიუხედავად ბოლო დროს მისდამი გამოჩენილი ყურადღებისა, ჯერ კიდევ შედარებით ახალი სფეროა პროგრამულ ინჟინერიაში. ML აპლიკაციების დანერგვა ხშირად არ არის კარგად განსაზღვრული პროცესი. ხელოვანი/ინჟინერი შეიძლება მიაწოდოს ML აპლიკაცია, მაგრამ მის გარშემო არსებული სამყარო ჯერ კიდევ არ არის ნაცნობი ტექნიკურ პროცესთან. ტექნიკური და არატექნიკური სამყაროების ამ გადაკვეთაზე მე ყველაზე მეტი „შეცდომა“ მინახავს. ძნელია ბიზნესისა და ML-ის სწორი KPI-ების ოპტიმიზაცია და სწორი ობიექტური ფუნქციის ან სასურველი ეტიკეტების განსაზღვრა. მინახავს აპლიკაციები, რომლებიც ფუჭად წავიდა არასასურველი პროგნოზირების ფანჯრების გამო ან იმიტომ, რომ არასწორ ეტიკეტებს პროგნოზირებდნენ. ყველაზე უარესი შედეგი დგება მაშინ, როდესაც შეუსაბამობა არ გამოვლინდა განვითარების ეტაპზე და მოხვდა წარმოებაში. მაშინ აპლიკაციებმა შეიძლება შექმნას არასასურველი მომხმარებლის ქცევა ან უბრალოდ არასწორი რამ გაზომოს/იწინასწარმეტყველოს. სამწუხაროდ, ჩვენ ML გუნდებს ვაწვდით ინსტრუმენტებსა და კომპიუტერულ რესურსებს, მაგრამ არა მყარ პროცესებსა და საკომუნიკაციო ბუფერებს. არასწორად განსაზღვრული პროცესის დასაწყისში დაშვებული შეცდომები კი ყოველ ნაბიჯზე იზრდება. ძნელია არ აღფრთოვანდე ყველაფრით ახლით, რაც ML-დან მოდის. სფერო იმდენად ხშირად იცვლება, რომ ეს გამომაცოცხლებელია. ამჟამად, ჩვენ კარგად ვუმკლავდებით ინდივიდუალურ პრობლემებს: კომპიუტერული ხედვა, შემდეგი სიტყვის პროგნოზირება, მონაცემთა წერტილის გენერაცია და ა.შ., მაგრამ ჯერ ვერ მოვახერხეთ ერთდროულად მრავალი პრობლემის მოგვარება. მე აღფრთოვანებული ვარ...