მანქანური სწავლება ფინანსურ სექტორში: გამოწვევები, ნდობა და ინოვაციების როლი

კეთილი იყოს თქვენი დაბრუნება ჩვენს ML ინსაითების სერიის, ფინანსური გამოცემის, დირექტორთან! თუ გამოტოვეთ წინა გამოცემები, შეგიძლიათ იხილოთ აქ: ფინანსურ სექტორში მანქანური სწავლების (ML) დირექტორები უნიკალური გამოწვევების წინაშე დგანან: მოძველებული სისტემების მართვა, ინტერპრეტაციული მოდელების დანერგვა და მომხმარებელთა ნდობის შენარჩუნება, ეს ყველაფერი მკაცრი რეგულაციების (მთავრობის ზედამხედველობის ქვეშ) პირობებში. თითოეული ეს გამოწვევა მოითხოვს ინდუსტრიის ღრმა ცოდნას და ტექნიკურ ექსპერტიზას ეფექტური მართვისთვის. შემდეგი ექსპერტები U.S. Bank-დან, კანადის სამეფო ბანკიდან, Moody's Analytics-იდან და Bloomberg AI-ის ყოფილი მკვლევარი მეცნიერი გვეხმარებიან მანქანური სწავლების x ფინანსების სექტორში უნიკალური ასპექტების გამოვლენაში. თქვენ მოისმენთ საბერძნეთის ახალგაზრდულ ჩემპიონს ჩოგბურთში, გამოქვეყნებულ ავტორს 100-ზე მეტი პატენტით და ველოსიპედის პოლოს მოთამაშეს, რომელიც რეგულარულად თამაშობდა მსოფლიოს უძველეს პოლოს კლუბში (კალკუტის პოლოს კლუბი). ყველა მათგანი ფინანსური ML ექსპერტად იქცა. 🚀 მოემზადეთ, აქ მოცემულია ფინანსური ML მაძიებლების მთავარი შეხედულებები: პასუხისმგებლობის უარყოფა: ყველა მოსაზრება ინდივიდების მიერ არის გამოთქმული და არ წარმოადგენს რომელიმე წარსული ან ამჟამინდელი დამსაქმებლის პოზიციას. ფონი: იოანისი არის მანქანური სწავლების ვნებიანი ექსპერტი, რომელსაც აქვს გამოცდილება მასშტაბური, საწარმოო დონის და უახლესი მანქანური სწავლების გადაწყვეტილებების მიწოდებაში. იოანისი ასევე არის Bak Up Podcast-ის წამყვანი და ცდილობს AI-ის საშუალებით გავლენა მოახდინოს მსოფლიოზე. საინტერესო ფაქტი: იოანისი საბერძნეთის ახალგაზრდულ ჩემპიონი იყო ჩოგბურთში.🏆 კანადის სამეფო ბანკი (RBC): მსოფლიოს წამყვანი ორგანიზაციები RBC Capital Markets-ს უყურებენ, როგორც ინოვაციურ, სანდო პარტნიორს კაპიტალის ბაზრებზე, საბანკო და საფინანსო სექტორში. ჩვენ ყველამ ვიცით, რომ ML არის გარდამტეხი ძალა ყველა ინდუსტრიაში, რომელიც მუდმივად ქმნის ახალ ბიზნეს შესაძლებლობებს. მრავალი ფინანსური პროდუქტი შეიქმნა ან შეიცვალა ML-ის გამო, როგორიცაა პერსონალიზებული დაზღვევა და მიზნობრივი მარკეტინგი. გარდამტეხი ცვლილებები და მოგება მშვენიერია, მაგრამ ჩემი საყვარელი ფინანსური გავლენა არის ML-ის მიერ ინიცირებული დისკუსია ფინანსურ გადაწყვეტილებებში ნდობის ირგვლივ. წარსულში, ფინანსური გადაწყვეტილებები, როგორიცაა სესხის დამტკიცება, განაკვეთების განსაზღვრა, პორტფელის მართვა და ა.შ., ხორციელდებოდა ადამიანების მიერ შესაბამისი ექსპერტიზით. არსებითად, ადამიანები ენდობოდნენ „სხვა ადამიანებს“ ან „ექსპერტებს“ ფინანსური გადაწყვეტილებებისთვის (და ხშირად კითხვების გარეშე). როდესაც ML-მა სცადა ამ გადაწყვეტილების მიღების პროცესის ავტომატიზაცია, ადამიანებმა იკითხეს: „რატომ უნდა ვენდოთ მოდელს?“ მოდელები აღიქმებოდა, როგორც „შავი ყუთები“, რომლებიც პატიოსანი მშრომელი ადამიანების ჩანაცვლებას აპირებდნენ. მაგრამ ამ არგუმენტმა დაიწყო დისკუსია ფინანსურ გადაწყვეტილებებსა და ეთიკაში ნდობის შესახებ, მიუხედავად იმისა, თუ ვინ ან რა არის ჩართული. როგორც ინდუსტრია, ჩვენ ჯერ კიდევ ვადგენთ ამ დისკუსიას, მაგრამ უფრო მეტი გამჭვირვალობით, ფინანსებში ML-ის წყალობით. მე არ შემიძლია კომპანიების სახელით საუბარი, მაგრამ დაარსებული 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 ახალ მოწინააღმდეგეებს, 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) მოწოდებული გადაწყვეტის მასშტაბთან ერთად, რადგან საუბარია ფულზე. მაგრამ ამის გარდა, არსებობს რისკის სხვა ფორმები, რასაც სისტემის გაუმართაობა გამოიწვევს, როგორიცაა მარეგულირებელი და რეპუტაციული რისკი. ეს გაერთიანებული რისკი, უზარმაზარი, მომწიფებული სისტემის ახალ ტექნოლოგიურ სტეკზე გადატანის სირთულესთან ერთად, ჩემი აზრით, ყველაზე დიდი გამოწვევაა უახლესი ტექნოლოგიების, როგორიცაა ML, დანერგვაში. ML, მთელი მისი ბოლოდროინდელი ყურადღების მიუხედავად, პროგრამული ინჟინერიის შედარებით ახალი სფეროა. ML აპლიკაციების დანერგვა ხშირად კარგად განსაზღვრული პროცესი არ არის. ხელოვანი/ინჟინერი შეიძლება აწვდიდეს ML აპლიკაციას, მაგრამ მის გარშემო სამყარო ჯერ კიდევ არ არის ნაცნობი ტექნიკურ პროცესთან. ტექნიკური და არატექნიკური სამყაროების ამ გადაკვეთაზე ყველაზე მეტი „შეცდომა“ მინახავს. ძნელია ოპტიმიზაცია სწორი ბიზნეს და ML KPI-ებისთვის და სწორი მიზნობრივი ფუნქციის ან სასურველი ეტიკეტების განსაზღვრა. მინახავს აპლიკაციები, რომლებიც ფუჭად იკარგება არასასურველი პროგნოზირების დროის გამო ან იმიტომ, რომ ისინი არასწორ ეტიკეტებს პროგნოზირებენ. ყველაზე უარესი შედეგი დგება მაშინ, როდესაც შეუსაბამობა არ ვლინდება განვითარების ეტაპზე და ხვდება წარმოებაში. შემდეგ აპლიკაციებმა შეიძლება შექმნან არასასურველი მომხმარებლის ქცევა ან უბრალოდ არასწორი რამ გაზომონ/იწინასწარმეტყველონ. სამწუხაროდ, ჩვენ მიდრეკილნი ვართ ML გუნდებს აღვჭურვოთ ინსტრუმენტებითა და გამოთვლითი რესურსებით, მაგრამ არა მყარი პროცესებითა და საკომუნიკაციო ბუფერებით. ხოლო შეცდომები ცუდად განსაზღვრული პროცესის დასაწყისში ყოველ ნაბიჯთან ერთად იზრდება. ძნელია არ აღფრთოვანდე ყველაფერი ახლით, რაც ML-დან მოდის. სფერო იმდენად ხშირად იცვლება, რომ გამამხნევებელია. ამჟამად, ჩვენ კარგად ვუმკლავდებით ინდივიდუალურ პრობლემებს: კომპიუტერულ ხედვას, შემდეგი სიტყვის პროგნოზირებას, მონაცემთა წერტილების გენერირებას და ა.შ., მაგრამ ჩვენ ვერ შევძელით მრავალი პრობლემის ერთდროულად გადაჭრა. მე აღფრთოვანებული ვარ...