Въведение
Алън Тюринг, компютърен учен, беше първият, който експериментира върху интелигентността на машините, като зададе въпрос„Могат ли машините да мислят?“ Той проведе тест, популярно наречен Тест на Тюринг през далечната 1950 г. Тестът на Тюринг се провежда чрез задаване на един и същи набор от въпроси на Машина (Кажи-А) и Човек (Кажи-Б). Акосъдията (Кажи-C)не може да различи отговорите, дадени от Машината, от тези, дадени от човека, тогава се прави извод, че Машината е преминала теста на Тюринг.
Преди няколко години изкуственият интелект (AI) беше предимно изследователска област, ограничена до академичните среди и изследователските лаборатории, но днес с огромното нарастване на изчислителната мощност и анализите на данни, AI оказа влияние в разработването на приложения в реалния свят. Търговия на дребно, здравеопазване, образование, автомобили, финанси назовават всеки домейн AI и неговото разклонение Machine Learning (ML) играят важна роля.
Финансовите услуги по-специално възприеха иновациите, които се случват в областите на AI и ML, за да предоставят множество услуги, които са автоматизирани и изискват по-малко човешка намеса. Изследователите са идентифицирали общо 3 типа финансови услуги, управлявани от AI и ML. Тази публикация в блога се фокусира основно върху аклиматизирането на читателите относно видовете случаи на употреба, които подкрепят начина, по който AI и ML оказват влияние върху начина, по който се предлагат бъдещите финансови услуги.
Случаи на използване на AI и ML във финансовите услуги
Традиционно финансовите услуги се предлагат на три нива Индикатори за настроение, сигнали за търговия и услуги за борба с прането на пари (AML) и услуги за откриване на измами. На днешната финансова сцена се появиха изобилие от случаи на употреба и от трите слоя. Нека разгледаме няколко интересни случая на употреба:
- Индикаторите за настроениясе използват от организациите на социалните медии за улавяне на настроенията на инвеститорите и същите данни се споделят с финансови организации за печалби.
- Сигналите за търговиясе използват от финансови организации за вземане на решения въз основа на огромно хранилище от данни, което е трудно за разбиране от човешки анализатор. Но предпазливостта при използването на такива случаи на употреба е, че предоставените модели на данни трябва да бъдат чисти и точни. Принципът „Garbage-in Garbage-out“ важи и за дисциплината ML.
- Услугите за AML и откриване на измамисъщо са изградени от много финансови организации, използващи AI и ML. Освен това се прилагат услуги за кредитен мониторинг и смекчаване на риска.
Типични приложения на AI и ML във финансовите услуги
Приложения, ориентирани към клиента
AI и ML вече са използвани във Front-Office в голямо разнообразие от приложения.
- Кредитното качество се оценява чрез използване на алгоритми, работещи върху огромни части от клиентски данни.
- Оценка на рисковете, свързани с продажбата и ценообразуването на застрахователни полици.
- Внедряване на чат-ботове за разговор и комуникация с клиентите.
Пример: Базирани на AI и ML инструменти за кредитен скоринг могат да се използват за ускоряване на решенията за отпускане на заеми. Той също така помага за минимизиране на допълнителния риск. Тъй като кредитирането винаги се е основавало на кредитния рейтинг на клиента. Машинно базираните решения за отпускане на заеми винаги се оказват полезни за финансовите институции.
Оперативни или бек-офис приложения
AI и ML са използвани от финансови организации в бек-офиси като:
- Оптимизиране на капитала в банките
- Приложения за управление на риска
- Моделиране на търговия от големи позиции
Пример: Машинното обучение се използва широко за създаване на „роботи за търговия“, които могат да се самообучават чрез взаимодействие с промените на пазара.
Приложения за търговия и управление на портфолио
AI и техниките за машинно обучение са активни области на изследване и развитие за мениджъри на активи и търговски фирми. В допълнение към значителното научноизследователска и развойна дейност (R&D), някои фирми сега използват машинно обучение за разработване на търговски и инвестиционни стратегии. Степента, в която инвестиционните стратегии за ИИ са автономни или включват човешки надзор, варира за всеки отделен случай.
Пример: Търговските организации използват AI и ML, за да анализират данни и да импровизират способностите за привличане на повече клиенти. Чрез анализиране на миналото търговско поведение на клиент помага на организацията да предвиди следващата поръчка, идваща от клиента. Тъй като търговията включва терабайти данни, машините/инструментите са очевидният избор пред хората да ги анализират
Заключение
AI измина дълъг път от дните на Алън Тюринг, който беше първият, който тества — „Дали машините също могат да мислят като хората?“, Клод Шанън идва с инструмент за търсене на игра на шах, Трите закона на роботиката (1950) на Айзък Азимов Днешното писане на поезия, създаване на компютърен код, базирано на език, обработка на задачи, машини, разработени чрез дълбоко обучение (2020 г.), изобразява начина, по който са се развили изкуственият интелект и машинното обучение. Всъщност те променят начина, по който се държат ежедневните ни приложения. Освен това изкуственият интелект и машинното обучение очевидно са оказали огромно влияние върху функционирането на съвременните финансови институции.
