На высоком уровне искусственный интеллект (ИИ) - это отрасль информатики, которая заставляет машины имитировать разумное поведение человека, имитируя (а часто и превосходя) возможности человека. ИИ, наконец, появился как будущее после неудовлетворенной шумихи, восходящей к 1950-м годам, благодаря таким разработкам, как доступность огромного количества данных, открытый исходный код разработки алгоритмов машинного обучения и прогресс в инфраструктуре параллельной обработки высокой плотности. . Фактически, теперь IBM считает, что рынок технологических решений для ИИ в ближайшее десятилетие составит ошеломляющие 2 триллиона долларов. Данные - это новая нефть, и сейчас 90% данных в мире были созданы только за последние 2 года. Мощь данных фактически уступает технической возможности эффективно и действенно монетизировать их в мире, где использование данных превращается из конкурентного преимущества в требование конкуренции. Таким образом, предприятия в настоящее время переносят фокус разработки с разработки программного обеспечения на инжиниринг данных, и волна слияний и поглощений в области ИИ вряд ли началась, поскольку компаниям во всех секторах в конечном итоге потребуется решение на основе ИИ.

Когнитивные системы на основе искусственного интеллекта предлагают множество определяющих элементов, одним из которых является машинное обучение (ML), при этом глубокое обучение является подмножеством ML. Тем не менее, пока нет четкого консенсуса по определениям терминов под зонтиком ИИ, многие термины теперь используются в качестве модных словечек, и многим трудно расшифровать, что такое настоящий ИИ. Например, машинное обучение - это тип ИИ, который использует алгоритмы, которые самообучаются по мере изменения данных, создавая модель распознавания образов с последующими наборами данных. ML дает компьютерам возможность учиться без программирования, итеративно адаптируя алгоритм для каждого нового добавляемого фрагмента данных. Например, Netflix постоянно адаптирует свои возможности машинного обучения для персонализации рекомендаций своим подписчикам, что резко увеличило свою рыночную капитализацию за счет сокращения оттока пользователей. Самая большая проблема для машинного обучения - наличие больших наборов обучающих данных, которые часто требуют ручной маркировки, пока алгоритм не начнет учиться. Хотя стартапы обычно оснащены для инноваций более быстрыми темпами, чем устоявшиеся крупные игроки, именно крупные компании имеют преимущество существующих больших наборов данных с маркировкой (например, изображений Google), включая Facebook, Google, Amazon и Twitter. С другой стороны, глубокое обучение является передовым подмножеством машинного обучения и включает использование модели человеческих нейронных сетей для прогнозирования новых наборов данных. Наиболее впечатляющие прорывы в будущем, вероятно, будут в машинном обучении без учителя или обучении с подкреплением, которое может самообучаться без ручного обучения или маркированных данных.

Хотя многие опасаются, что ИИ будет означать неизбежный конец работы, ИИ скорее во многих отношениях увеличит человеческих работников, чем заменит их. Когда, например, были введены банкоматы, возникли аналогичные опасения по поводу потери рабочих мест. В конце концов, отделения банка стали более эффективными и прибыльными, что позволило банкам инвестировать в строительство большего числа отделений и найм большего числа сотрудников. Потребители также начинают приспосабливаться к новым технологиям искусственного интеллекта в малых дозах, включая такие, как Google Home и Amazon Alexa, хотя многое из этого не так заметно.

ИИ в финансовых услугах

По данным Research and Markets, рынок ИИ в финансовых услугах вырастет с 1,3 млрд долларов в 2017 году до 7,4 млрд долларов в 2022 году при среднегодовом темпе роста 40,4%. Причина этого в том, что отрасль финансовых услуг сталкивается как с многочисленными возможностями для инноваций, так и с предстоящими проблемами, которые определят будущий ландшафт отрасли после потрясений. Компании, предоставляющие финансовые услуги, которые хотят адаптироваться, также должны будут рассмотреть возможность хранения информации в распределенном реестре на основе блокчейна, защиты информации о клиентах с помощью последних инноваций в области кибербезопасности, автоматизации работы процессов и предоставления полного набора решений через мобильный банкинг. Таким образом, сектор финансовых услуг внедряет ИИ более быстрыми темпами, чем большинство секторов, и самые оптимистичные прогнозы относительно будущего внедрения за пределами самого технологического сектора, согласно диаграмме McKinsey ниже.

Инвестиции в ИИ за пределами США, особенно в Азии, продвигаются более быстрыми темпами при сильной государственной поддержке во многих случаях. Например, Валютное управление Сингапура недавно объявило об инвестициях в размере 20 миллионов долларов (долларов США) для развертывания технологий искусственного интеллекта в финансовых учреждениях по всей стране, субсидируя до 50% проектов, хотя это и не самая крупная правительственная инициатива. Интересно, что рынок ИИ в финансовых услугах особенно быстро растет в Азии: многие финансовые компании Китая делают огромные инвестиции в финансовые технологии, ИИ и блокчейн, причем Китай в последнее время опережает США по инвестициям в финансовые технологии. Китайское правительство недавно наметило дорожную карту для определения приоритетов развития ИИ с подробным планом «возглавить мир» в области ИИ к 2030 году, и на удивление оно уже опубликовало больше научных работ по ИИ, чем какая-либо другая страна на сегодняшний день. AI - это новая космическая гонка.

Энтони Дженкинс, бывший генеральный директор Barclays, недавно предсказал, что отделения банков могут стать таким же обычным явлением, как магазины Blockbuster, если они не будут идти в ногу с технологиями. Однако при внедрении ИИ в финансовых учреждениях сохраняются проблемы, включая устаревшие системы, которые не обмениваются данными, проблемы конфиденциальности, разрозненные хранилища данных, нехватку обученного персонала, кропотливые усилия по обучению контролируемых моделей, отсутствие культурного соответствия и потенциальную предвзятость машины. обучение. Для успешной реализации ИИ требуются большие наборы закрытых данных или эффективный цикл создания данных, таланты и патенты. Банкам также необходимо решить, использовать ли крупный поставщик облачных услуг, внутреннюю сборку, технологию с открытым исходным кодом или проприетарную технологию в рамках своей дорожной карты ИИ.

Основные варианты использования ИИ в финансовых услугах

1.) Управление активами и Робо-консультанты

Робо-консультанты предоставляют автоматизированные услуги финансового планирования и оптимизации портфеля на основе алгоритмов. В то время как люди с определенным уровнем благосостояния не возражают против платы за наличие доверенного управляющего активами, остальная часть рынка уязвима для нарушения работы ИИ, поскольку роботы-консультанты могут обеспечить такой же вес индексного фонда и диверсификацию портфеля без накладных расходов или человеческой ошибки. потенциал. Есть некоторые ограничения на неопределенное будущее, поскольку многие серьезные инвесторы не захотят эффективно делать ставки против самих себя, даже несмотря на то, что исследования показывают, что основанные на фактах алгоритмы предсказывают будущее более точно, чем предсказатели-люди. Размер рынка робо-консультантов может со временем приблизиться к AUM всей отрасли управления активами. Точно так же приложения для анализа личных финансов с поддержкой ИИ помогают потребителям управлять своими финансами, анализировать расходы, автоматизировать заполнение налоговых форм и давать финансовые рекомендации с помощью бизнес-модели, не предполагающей получения комиссионных от инвестиций.

2) Данные как услуга

AI может собирать идеи, которые могут повысить производительность, максимально раскрыть человеческий талант, увеличить доход и сократить расходы. Эту технологию со временем можно будет использовать со значительно более низкими предельными затратами, уравновешивая правила игры, так что даже малые предприятия смогут ее использовать. Можно было бы увидеть «AWS of AI», по сути AI как услугу, которая будет скорее «plug and play» для тех, кому не хватает команд по анализу данных. Алгоритмы с открытым исходным кодом также снижают стоимость создания приложений ИИ, включая Tensor Flow от Google, H2O, DSSTNE от Amazon и различные библиотеки машинного обучения Python, в сочетании с широкими платформами, такими как IBM Watson, Amazon Machine Learning, Google Cloud Platform и Microsoft Cognitive. Услуги.

3.) Автоматизация рабочего процесса и чат-боты

Одним из основных реальных примеров использования ИИ на сегодняшний день является замена части рабочего процесса аналитиков, бэк-офиса и даже исследований, особенно в связи с тем, что банки по всему миру стремятся сократить расходы из-за нормативного бремени и подрывных компаний в сфере финансовых технологий, сокращающих свою собственную маржу. . Обработка естественного языка сделала возможным интерактивное обслуживание клиентов на основе машин, что является огромной возможностью для более интеллектуального взаимодействия с потребителями, увеличения доходов и удовлетворенности клиентов при одновременном сокращении затрат на сотрудников службы поддержки клиентов. Bank of America представил своего интеллектуального виртуального помощника по имени Эрика на Money 20/20 в прошлом году, который использует когнитивные сообщения для предоставления финансовых рекомендаций более чем 45 миллионам клиентов. Finn.ai предлагает чат-бота с белой этикеткой, который интегрируется с существующими платформами обмена сообщениями. Кроме того, JPMorgan разработал платформу под названием Contract Intelligence (COiN), которая может просматривать контракты, такие как кредитное соглашение, за секунды, в отличие от 30 часов FTE, которые обычно требуются для одного соглашения. Банки также могут использовать данные клиентов для персонализации опыта и лучшего таргетинга на них, понимая их привычки, финансовые потребности и жизненный этап, чтобы правильно рекомендовать продукты.Также существуют варианты использования при мониторинге соответствия нормативным требованиям, чтобы гарантировать соблюдение тысяч нормативных требований в режиме реального времени. , дальнейшая автоматизация рабочего процесса.

4.) Обнаружение мошенничества

Технология обнаружения мошенничества, безусловно, не нова. PayPal был разработан на основе передовых протоколов мошенничества путем объединения технической платформы с человеческим суждением, которое позже было адаптировано Питером Тилем и другими выпускниками PayPal при основании Palantir. Новым является то, что машинное обучение может имитировать ассоциативную память человеческого мозга, чтобы идентифицировать вероятное мошенничество с бесконечно большим набором данных. Машинное обучение продолжит сокращать количество ложных срабатываний, которые раздражают потребителей, а точность успешного выявления злоумышленников будет повышаться по мере того, как модели самообучаются с дальнейшими данными транзакций, что представляет собой эффективный цикл. Глубокое обучение еще больше снизит вероятность мошенничества, поскольку оно может принимать тысячи переменных вместо нескольких десятков. В модели машинного обучения для обнаружения мошенничества подается большой объем исторических данных о транзакциях с многочисленными переменными, они улучшают свои алгоритмы при выявлении аномалий или мошенничества и сравнивают помеченные элементы с историей учетной записи, чтобы оценить вероятность мошенничества, зацикливая помощь человека ниже определенный порог уверенности. Также существует потенциал для объединения искусственного интеллекта для обнаружения мошенничества с блокчейном для создания надежного неизменяемого реестра транзакций.

5.) Хедж-фонды и частный капитал

Количественные хедж-фонды исторически были одними из самых продвинутых в разработке алгоритмов. Машинное обучение позволит включать такие данные, как финансовые отчеты, обработка естественного языка для мониторинга новостей, а также внешние источники, такие как каждая веб-страница в Интернете, обсуждения в социальных сетях, доски объявлений о вакансиях, транзакции и настраиваемые каналы. Машинное обучение направлено на более быстрое выявление инвестиционных тенденций и изменений цен на акции, в некоторых случаях самообновляясь, чтобы адаптироваться к меняющимся условиям, сокращая потребность в аналитиках, при этом некоторые новые фонды, ориентированные на ИИ, взимают половину комиссии и без особой команды . В сфере прямых инвестиций такие инструменты, как CB Insights, собирают обширные наборы данных о частных компаниях с помощью прогнозирующего машинного обучения, чтобы выявить те, которые с наибольшей вероятностью подойдут для фонда, и оценивают перспективы получения прибыли с поправкой на высокий риск. . Например, Deep Knowledge Ventures, венчурная фирма из Гонконга, разработала систему искусственного интеллекта, которая принимает инвестиционные решения на основе имеющихся данных, а само программное обеспечение имеет право голоса в инвестиционном комитете.