Большие данные, машинное обучение и суперкомпьютеры стали неотъемлемой частью научных исследований и произвели фурор в индустрии квантовых финансов. Лидеры в этих областях рассказывают о научных прорывах, которые были бы невозможны без этих технологий, и о том, какую большую пользу финансовые учреждения могли бы извлечь из внедрения этих инструментов и подходов. От управления многомиллиардными портфелями институциональных инвесторов с использованием методов машинного обучения и суперкомпьютерных технологий. К созданию решений для машинного обучения (ML) и глубокого обучения для прогнозирования спроса практически на все, что продает Amazon. Это пример вероятностного прогнозирования множественных временных рядов, который очень распространен в мире количественных финансов. Не говоря уже о вычислительных пределах и возможностях квантовых вычислений для задач искусственного интеллекта (ИИ). В Лаборатории квантового ИИ НАСА, в рамках проекта квантового машинного обучения, они разрабатывают алгоритмы, способные ускорить и улучшить существующие конвейеры машинного обучения. Все это приводит к интересной работе на стыке квантовых вычислений, машинного обучения и финансовых приложений.

За последний год на первый план вышли большие данные, машинное обучение и суперкомпьютеры. Я думаю, это связано с некоторыми впечатляющими, понятными и широко разрекламированными успехами. Мало кто замечает, когда компьютер используется для доказательства топологической теоремы. Победите действующего чемпиона Jeopardy, и это попадет в новости. Добавьте широко используемые распознаватели речи (Alexa, Siri и им подобные) и установите их на телефоны, и все это заметят. ИИ существует уже несколько десятилетий и добился впечатляющих, но малоизвестных успехов.

В то время как журналисты любят сосредотачиваться на миллионах рабочих мест, которые могут быть заменены МО, они, похоже, игнорируют тот факт, что внедрение этих технологий нетривиально и требует значительных инвестиций в человеческий капитал. За последние пару лет полезность решений машинного обучения была убедительно продемонстрирована в нескольких важных и разнообразных областях, от распознавания речи и обработки естественного языка до победы над людьми в настольных играх, таких как го (Google Alpha Go). В конце прошлого года ML стал лидером в игре в покер — недетерминированной игре, которая сильно отличается от типов шахмат и го. И что впечатляет, обучение моделей было достигнуто за счет так называемой «самоигры», когда машина играет в миллионы игр сама с собой. Это зависит от огромной вычислительной мощности. Большинство фундаментальных алгоритмов глубокого обучения известны с 80-х и 90-х годов прошлого века. Именно огромный прогресс в области вычислительной мощности и памяти сделал эти старые алгоритмы такими эффективными.

Недавние прорывы были достигнуты раньше, чем большинство людей ожидало их. Сегодня эти технологии могут выполнять задачи, которые до недавнего времени могли выполнять только опытные люди. Высокопроизводительные вычисления (HPC), большие данные (BD) и машинное обучение сегодня повсеместно присутствуют в нашей повседневной жизни. Возьмем, к примеру, авиаперевозки, когда сегодня пилоты принимают лишь часть решений, которые они принимали бы в прошлом. В аэропортах алгоритмы досмотра проводят проверку биографических данных, выискивая любые подозрительные закономерности. Для тех, кто нашел свой багаж, они должны поблагодарить алгоритм, а для тех, кто его не нашел, алгоритм скоро вернет чемодан, который потерял какой-то человек.

Помимо значительного прогресса в машинном обучении и искусственном интеллекте, есть еще масса проблем, с которыми с трудом справляются даже крупнейшие суперкомпьютерные центры, а некоторые из них не будут решены в ближайшие десятилетия. Тем не менее, квантовые вычисления вышли на передний план, а также стали альтернативой, способной произвести революцию в компьютерной индустрии, а финтех является одним из основных приложений.

Одним из устойчивых заблуждений является вера в то, что эти технологии готовы к использованию или работают сами по себе. Как было сказано ранее, внедрение этих технологий нетривиально и требует значительных вложений человеческого капитала. Тех, кто сопротивляется прогрессу, заменят не машины, а те, кто примет его и адаптируется. Другим заблуждением является убеждение, что эти технологии находятся на ранней стадии развития. Правда в том, что эти технологии являются зрелыми и уже много лет демонстрируют свою мощь в крупномасштабных исследовательских программах. Только сейчас публика соприкоснулась с ними через потребительские товары.

Многим неизвестно, что сегодня практически все прорывы в экспериментальной науке связаны с некоторыми или всеми этими технологиями. Вот некоторые из них: открытие так называемой «частицы Бога», охота за сверхновыми, разработка доступной генетической диагностики. Настоящим успехам сопутствует много хайпа, который, я думаю, неизбежен в такой горячей области, как машинное обучение. Одно устойчивое заблуждение, которое меня раздражает, — это неправильное использование слова ИИ. Я предпочитаю заниматься конкретными проблемами, алгоритмами и системами, оставляя философские вопросы на более позднем этапе. Также много шумихи вокруг того, что квантовые вычисления способны сделать в ближайшей перспективе. Хотя мы переживаем захватывающий исторический период, я думаю, нам нужно четко сообщать о проблемах, с которыми мы сталкиваемся. Понимание и открытый разговор об этом будут определять основные события в этой области и помогут сбалансировать ожидания инвесторов. Я думаю, что мы должны признать, что квантовые вычисления как потенциальная суперкомпьютерная технология все еще находятся на ранних стадиях. Таким образом, у нас нет «прорыва», демонстрирующего реальную мощь технологии в реальном приложении. Несмотря на огромный потенциал и быстрый прогресс, мощность современных квантовых компьютеров сравнима с мощностью первых компьютеров 50-х или 60-х годов.

С другой стороны, было несколько разработок, вдохновленных исследованиями в области квантовых алгоритмов. Одним из примеров является разработка постквантовой криптографии, которая включает в себя ряд криптографических алгоритмов, которые, как ожидается, будут устойчивы к атакам со стороны квантовых компьютеров. Кроме того, машинное обучение проникает во все области, и квантовые вычисления здесь не исключение. Мы можем видеть примеры методов машинного обучения как ценного инструмента для характеристики квантовых систем, и я ожидаю увидеть больше таких методов в ближайшем будущем.

Самые драматические недавние достижения были обеспечены законом Мура, позволяющим нам создавать и запускать более глубокие нейронные сети. Несмотря на слухи о его кончине, рост, столь точно предсказанный Муром, продолжается. В сочетании с достижениями в области эффекторов, технологий взаимодействия с физическим миром (роботы, большие и наномасштабные, компьютерное производство, автономные транспортные средства), вероятно, произойдут серьезные изменения в экономическом ландшафте. Я надеюсь увидеть все больше и больше решений с квантовой поддержкой на границе машинного обучения и финансов. Эти технологии представляют собой совершенно иной вычислительный подход, и мы ощущаем мощный импульс со стороны инвесторов, продвигающих этот переход от научных кругов к промышленным технологиям квантовых вычислений. Я с оптимизмом смотрю на то, что мы, как сообщество, будем продвигать алгоритмические и аппаратные прорывы, способные обеспечить уникальные решения реальных проблем в ближайшей перспективе (в течение 5–10 лет).

Предсказать технологический прогресс на 5 лет, вероятно, невозможно. Несколько предположений в произвольном порядке: цифровые помощники и беспилотные автомобили приближаются к практической полезности. Диалоговые системы станут обычным явлением. Широкое распространение машинного обучения в здравоохранении, особенно в диагностике и роботизированных операциях. В идеальном мире машины всегда будут соблюдать закон, если они запрограммированы на это. Риск заключается в том, что машины смогут ориентироваться в многомерном лабиринте международных финансовых правил и разрабатывать сложные стратегии «орел, я выиграю, решка, которую вы проиграете», которые используют конфликты интересов стратегии, которые используют конфликты интересов и лазейки, напоминающие сложные структуры с высокой долей заемных средств, которые привели к финансовому кризису 2008 года. Финансы, возможно, являются последним оставшимся сектором экономики, который до сих пор практически не затронут этими технологиями. Мы живем в 21 веке, когда такие культовые виды деятельности, как технический анализ, по-прежнему имеют больше поклонников или активов под управлением, чем фонды, основанные на ОД. Часть проблемы заключается в том, что финансы — особенно сложная область для ML. Стандартные методы машинного обучения, как правило, терпят неудачу при решении инвестиционных задач. Финансы составляют около 10-20% ВВП в Соединенных Штатах, в зависимости от различных определений. Это дает вам представление о масштабах потрясений, которые нам предстоит испытать.

Я думаю, что финансовые учреждения всегда были в авангарде технического прогресса и активно внедряют машинное обучение в целом и глубокое обучение. Что касается финансовой сферы, то количественная оценка рисков и неопределенностей имеет большое значение, что требует дальнейших исследований и разработок в области ОД. Как и в других отраслях, финансовые учреждения могут извлечь выгоду за счет повышения производительности, конкурентоспособности, повышения качества и повышения маржи. Кроме того, есть одно важное преимущество, характерное для финансов: разрешение конфликта интересов. Будучи эмоциональными существами, подверженными страхам, надеждам и планам, люди не особенно хороши в принятии решений, основанных на фактах, особенно когда эти решения связаны с конфликтом интересов. В таких ситуациях инвесторы лучше обслуживаются, когда машина делает звонки, основываясь на фактах, полученных из достоверных данных. Это относится не только к разработке инвестиционной стратегии, но и практически ко всем областям финансового консультирования: выдача кредита, рейтинг облигаций, классификация компании, наем талантов, прогнозирование доходов, прогнозирование инфляции и т. д. Кроме того, машины будут подчиняться закону, всегда, когда это запрограммировано. Если принято сомнительное решение, инвесторы могут вернуться к логам и понять, что именно произошло. Гораздо проще улучшить алгоритмический инвестиционный процесс, чем полностью полагаться на людей.

Многие рутинные функции финансового анализа и администрирования будут выполняться машинами — роботами-белыми воротничками. Это хорошо для тех, кто хочет сократить численность персонала, и плохо для тех, чьи головы сняты с учета. В более широком смысле, есть одно важное потенциальное преимущество, связанное с финансами: разрешение конфликта интересов. Это лишь некоторые из нескольких важных преимуществ, которые машинное обучение и суперкомпьютеры могут дать финансовому сектору. Только представьте, что вы могли бы сделать, если бы вы могли решить эти проблемы не только быстрее, но и подключиться к проблемам, о решении которых мы сегодня даже не мечтаем, даже если мы объединим мощь всех крупнейших суперкомпьютерных центров мира. Это реальная потенциальная мощь квантовых вычислений. Не как незначительное улучшение, выходящее за пределы ограничений закона Мура, а как радикально отличающийся подход с потенциалом использования вычислительных ресурсов, недоступных в обычных классических вычислительных моделях.