三問(wèn)（why?what?how?）金融領(lǐng)域的機(jī)器學(xué)習(xí)
2018-07-31 來(lái)源：raincent
機(jī)器學(xué)習(xí)已經(jīng)在金融服務(wù)行業(yè)中取得重大進(jìn)展。讓我們看看為什么金融公司可以通過(guò)AI和機(jī)器學(xué)習(xí)實(shí)現(xiàn)什么解決方案，以及他們?nèi)绾螒?yīng)用這項(xiàng)技術(shù)。
定義
我們可以將機(jī)器學(xué)習(xí)定義為數(shù)據(jù)科學(xué)的一個(gè)子集，它使用統(tǒng)計(jì)模型來(lái)繪制洞察并進(jìn)行預(yù)測(cè)。下圖解釋了人工智能，數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)之間的關(guān)系。為了簡(jiǎn)單起見(jiàn)，我們?cè)谶@篇文章中專(zhuān)注于機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)解決方案的神奇之處在于，他們可以從經(jīng)驗(yàn)中學(xué)習(xí)而無(wú)需明確編程。簡(jiǎn)而言之，你需要選擇模型并將數(shù)據(jù)提供給它們。然后，模型會(huì)自動(dòng)調(diào)整其參數(shù)以改善結(jié)果。
數(shù)據(jù)科學(xué)家使用現(xiàn)有數(shù)據(jù)集訓(xùn)練機(jī)器學(xué)習(xí)模型，然后將訓(xùn)練有素的模型應(yīng)用于現(xiàn)實(shí)生活中。
模型作為后臺(tái)進(jìn)程運(yùn)行，并根據(jù)其訓(xùn)練方式自動(dòng)提供結(jié)果。數(shù)據(jù)科學(xué)家可以根據(jù)需要重新訓(xùn)練模型，以使其保持有效性。
通常，你提供的數(shù)據(jù)越多，結(jié)果就越準(zhǔn)確。巧合的是，龐大的數(shù)據(jù)集在金融服務(wù)行業(yè)中非常普遍。關(guān)于交易、客戶、賬單、匯款等有PB級(jí)別的數(shù)據(jù)非常適合機(jī)器學(xué)習(xí)。
隨著技術(shù)的發(fā)展和最佳算法的開(kāi)源，很難想象沒(méi)有機(jī)器學(xué)習(xí)的金融服務(wù)的未來(lái)。因?yàn)榇蠖鄶?shù)金融服務(wù)公司都還沒(méi)有準(zhǔn)備好來(lái)用這一技術(shù)的真正價(jià)值，原因如下：
1. 企業(yè)往往對(duì)機(jī)器學(xué)習(xí)及其組織的價(jià)值抱有完全不切實(shí)際的期望。
2. 人工智能和機(jī)器學(xué)習(xí)研究和開(kāi)發(fā)成本很高。
3. DS / ML工程師的短缺是另一個(gè)主要問(wèn)題，下圖顯示了人工智能和機(jī)器學(xué)習(xí)技能需求的爆炸性增長(zhǎng)。
4. 在更新數(shù)據(jù)基礎(chǔ)架構(gòu)方面，老牌金融企業(yè)不夠靈活。
我們將在本文稍后討論如何克服這些問(wèn)題。首先，讓我們看看為什么金融服務(wù)公司不能忽視機(jī)器學(xué)習(xí)。
為什么要考慮金融機(jī)器學(xué)習(xí)?
因?yàn)槊媾R挑戰(zhàn)，許多金融公司已經(jīng)利用了這項(xiàng)技術(shù)。下圖顯示金融服務(wù)的高管非常重視機(jī)器學(xué)習(xí)，大多出于以下原因：
1. 由于過(guò)程自動(dòng)化，降低了運(yùn)營(yíng)成本。
2. 通過(guò)提高生產(chǎn)力和增強(qiáng)用戶體驗(yàn)，增加收入。
3. 更好地遵守和加強(qiáng)安全性。
有各種各樣的開(kāi)源機(jī)器學(xué)習(xí)算法和工具，可以很好地適應(yīng)金融數(shù)據(jù)。此外，成熟的金融服務(wù)公司擁有大量現(xiàn)金，他們可以負(fù)擔(dān)得起在最先進(jìn)的計(jì)算硬件上花費(fèi)。對(duì)于金融領(lǐng)域的定量性和大量的歷史數(shù)據(jù)，機(jī)器學(xué)習(xí)有望提升金融生態(tài)系統(tǒng)。
這就是為什么如此多的金融公司在機(jī)器學(xué)習(xí)研發(fā)方面投入巨資。至于落后者，忽視AI和ML可能會(huì)被證明是代價(jià)高昂的。
什么是金融機(jī)器學(xué)習(xí)用例?
讓我們來(lái)看看金融領(lǐng)域一些有前景的機(jī)器學(xué)習(xí)應(yīng)用程序。
過(guò)程自動(dòng)化
過(guò)程自動(dòng)化是機(jī)器學(xué)習(xí)在金融領(lǐng)域最常見(jiàn)的應(yīng)用之一。該技術(shù)可以替代手動(dòng)工作，自動(dòng)執(zhí)行重復(fù)性任務(wù)并提高生產(chǎn)率。
因此，機(jī)器學(xué)習(xí)使公司能夠優(yōu)化成本，改善客戶體驗(yàn)并擴(kuò)展服務(wù)。以下是金融機(jī)器學(xué)習(xí)的自動(dòng)化用例：
1.聊天機(jī)器人;
2.呼叫中心自動(dòng)化;
3.文本工作自動(dòng)化等等;
以下是銀行業(yè)務(wù)流程自動(dòng)化的一些示例：
摩根大通：推出了一個(gè)智能合約(COiN)平臺(tái)，該平臺(tái)利用自然語(yǔ)言處理技術(shù)，它解決了從法律文件中提取重要數(shù)據(jù)。對(duì)12,000份年度商業(yè)信貸協(xié)議進(jìn)行人工審查通常需要約360,000個(gè)工時(shí)。然而，機(jī)器學(xué)習(xí)允許在短短幾個(gè)小時(shí)內(nèi)審查相同數(shù)量的合同。
BNY Mello：將流程自動(dòng)化集成到他們的銀行生態(tài)系統(tǒng)中。這項(xiàng)創(chuàng)新每年可節(jié)省30萬(wàn)美元，并帶來(lái)了極大的改善了運(yùn)營(yíng)情況。
Privatbank：一家烏克蘭銀行，通過(guò)其移動(dòng)和網(wǎng)絡(luò)平臺(tái)實(shí)施聊天機(jī)器人助理。Chatbots加快了一般客戶查詢的解決速度，并減少人工助理的數(shù)量。
安全
隨著交易、用戶和第三方集成的數(shù)量不斷增加，財(cái)務(wù)中的安全威脅也在不斷增加。機(jī)器學(xué)習(xí)算法非常適合檢測(cè)欺詐行為。
例如，銀行可以使用該技術(shù)實(shí)時(shí)監(jiān)控每個(gè)賬戶的數(shù)千個(gè)交易參數(shù)。該算法檢查持卡人采取的每個(gè)動(dòng)作，并評(píng)估嘗試的活動(dòng)是否是該特定用戶的特征。這種模型具有高精度的欺詐行為。
如果系統(tǒng)識(shí)別可疑帳戶行為，則它可以請(qǐng)求用戶提供額外的標(biāo)識(shí)以驗(yàn)證交易。如果至少有95%的可能性是欺詐行為，甚至可以完全阻止交易。機(jī)器學(xué)習(xí)算法只需幾秒鐘來(lái)評(píng)估交易，有助于實(shí)時(shí)防止欺詐，而不僅僅是在犯罪發(fā)生后發(fā)現(xiàn)它們。
財(cái)務(wù)監(jiān)控是金融機(jī)器學(xué)習(xí)的另一個(gè)安全用例。數(shù)據(jù)科學(xué)家可以訓(xùn)練系統(tǒng)檢測(cè)大量小額支付，并將這種洗錢(qián)技術(shù)標(biāo)記為smurfing。
機(jī)器學(xué)習(xí)算法也可以顯著增強(qiáng)網(wǎng)絡(luò)安全性。數(shù)據(jù)科學(xué)家訓(xùn)練系統(tǒng)發(fā)現(xiàn)和隔離網(wǎng)絡(luò)威脅，因?yàn)闄C(jī)器學(xué)習(xí)在分析數(shù)千個(gè)參數(shù)和實(shí)時(shí)是首屈一指的。這項(xiàng)技術(shù)有可能在最近的將來(lái)為最先進(jìn)的網(wǎng)絡(luò)安全網(wǎng)絡(luò)提供支持。
Adyen、Payoneer、Paypal、Stripe和Skrill是一些值得注意的金融科技公司，他們?cè)诎踩珯C(jī)器學(xué)習(xí)方面投入巨資。
承保和信用評(píng)分
機(jī)器學(xué)習(xí)算法完全適合金融和保險(xiǎn)行業(yè)中常見(jiàn)的承保任務(wù)。
數(shù)據(jù)科學(xué)家在數(shù)千個(gè)客戶檔案中訓(xùn)練模型，為每個(gè)客戶提供數(shù)百個(gè)數(shù)據(jù)條目。然后，訓(xùn)練有素的系統(tǒng)可以在現(xiàn)實(shí)環(huán)境中執(zhí)行相同的承保和信用評(píng)分任務(wù)。這種評(píng)分引擎可以幫助人員更快，更準(zhǔn)確地工作。
銀行和保險(xiǎn)公司擁有大量歷史消費(fèi)者數(shù)據(jù)，因此他們可以使用這些條目來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型。他們可以利用大型電信或公用事業(yè)公司生成的數(shù)據(jù)集。
例如，BBVA Bancomer正與另一個(gè)信用評(píng)分平臺(tái)Destacame合作。該銀行旨在為拉丁美洲信用記錄薄的客戶增加信貸準(zhǔn)入，Destacame通過(guò)開(kāi)放API訪問(wèn)公用事業(yè)公司的賬單支付信息。使用賬單支付行為，Destacame為客戶生成信用評(píng)分并將結(jié)果發(fā)送給銀行。
算法交易
在算法交易中，機(jī)器學(xué)習(xí)有助于做出更好的交易決策。數(shù)學(xué)模型實(shí)時(shí)監(jiān)控新聞和交易結(jié)果，并檢測(cè)可能迫使股價(jià)上漲或下跌的模式。然后，它可以根據(jù)其預(yù)測(cè)主動(dòng)出售、持有或購(gòu)買(mǎi)股票。
機(jī)器學(xué)習(xí)算法可以同時(shí)分析數(shù)千個(gè)數(shù)據(jù)源，這是人類(lèi)無(wú)法實(shí)現(xiàn)的。機(jī)器學(xué)習(xí)算法可以幫助人類(lèi)交易者在市場(chǎng)平均水平上占據(jù)一席之地。而且，鑒于大量的交易操作，這種小優(yōu)勢(shì)通常會(huì)轉(zhuǎn)化為巨額利潤(rùn)。
ROBO-咨詢
機(jī)器人顧問(wèn)現(xiàn)在在金融領(lǐng)域司空見(jiàn)慣。目前，在咨詢領(lǐng)域中有兩種主要的機(jī)器學(xué)習(xí)應(yīng)用。
投資組合管理：是一種在線財(cái)富管理服務(wù)，它使用算法和統(tǒng)計(jì)數(shù)據(jù)來(lái)分配，管理和優(yōu)化客戶的資產(chǎn)。用戶輸入他們目前的金融資產(chǎn)和目標(biāo)，例如，在50歲時(shí)節(jié)省一百萬(wàn)美元。機(jī)器人顧問(wèn)然后根據(jù)風(fēng)險(xiǎn)偏好和期望目標(biāo)在投資機(jī)會(huì)中分配當(dāng)前資產(chǎn)。
金融產(chǎn)品推薦：許多在線保險(xiǎn)服務(wù)使用機(jī)器人顧問(wèn)向特定用戶推薦個(gè)性化保險(xiǎn)計(jì)劃。由于費(fèi)用較低，客戶選擇機(jī)器人顧問(wèn)而不是個(gè)人理財(cái)顧問(wèn)，以及個(gè)性化和校準(zhǔn)的推薦。
如何利用金融機(jī)器學(xué)習(xí)?
盡管人工智能和機(jī)器學(xué)習(xí)具有所有優(yōu)勢(shì)，但即使是擁有雄厚財(cái)力的公司也很難從這項(xiàng)技術(shù)中獲取真正的價(jià)值。金融服務(wù)公司希望利用機(jī)器學(xué)習(xí)的獨(dú)特機(jī)會(huì)，但實(shí)際上，他們對(duì)數(shù)據(jù)科學(xué)如何運(yùn)作以及如何使用它有一個(gè)模糊的概念。
他們遇到類(lèi)似的挑戰(zhàn)，例如缺乏業(yè)務(wù)KPI。反過(guò)來(lái)，這會(huì)導(dǎo)致不切實(shí)際的估計(jì)并導(dǎo)致預(yù)算耗盡。擁有合適的軟件基礎(chǔ)設(shè)施是不夠的，它需要一個(gè)清晰的愿景，扎實(shí)的技術(shù)人才，以及提供有價(jià)值的機(jī)器學(xué)習(xí)開(kāi)發(fā)項(xiàng)目的決心。
一旦你充分了解此技術(shù)將如何幫助實(shí)現(xiàn)業(yè)務(wù)目標(biāo)，請(qǐng)繼續(xù)進(jìn)行構(gòu)思驗(yàn)證。這是數(shù)據(jù)科學(xué)家的任務(wù)。他們調(diào)查這個(gè)想法，幫助你制定可行的KPI并做出切合實(shí)際的估算。
根據(jù)具體的使用案例和業(yè)務(wù)條件，金融公司可以采用不同的途徑來(lái)采用機(jī)器學(xué)習(xí)。
放棄機(jī)器學(xué)習(xí)，轉(zhuǎn)而專(zhuān)注于大數(shù)據(jù)工程
通常，金融公司開(kāi)始他們的機(jī)器學(xué)習(xí)項(xiàng)目只是為了意識(shí)到他們只需要適當(dāng)?shù)臄?shù)據(jù)工程。馬克斯Nechepurenko的高級(jí)數(shù)據(jù)科學(xué)家為N-IX評(píng)論：
在開(kāi)發(fā)數(shù)據(jù)科學(xué)解決方案時(shí)，我建議使用Occam的剃刀原理，這意味著不會(huì)過(guò)度復(fù)雜。大多數(shù)以機(jī)器學(xué)習(xí)為目標(biāo)的公司實(shí)際上需要關(guān)注可靠的數(shù)據(jù)工程，將統(tǒng)計(jì)數(shù)據(jù)應(yīng)用于聚合數(shù)據(jù)以及對(duì)數(shù)據(jù)進(jìn)行可視化。
僅僅將統(tǒng)計(jì)模型應(yīng)用于處理過(guò)的和結(jié)構(gòu)良好的數(shù)據(jù)就足以讓銀行隔離其運(yùn)營(yíng)中的各種瓶頸和低效率。
這種瓶頸有哪些例子?這可能是特定分支的隊(duì)列，可以消除的重復(fù)性任務(wù)，低效的人力資源活動(dòng)，移動(dòng)銀行應(yīng)用程序的缺陷等等。
更重要的是，任何數(shù)據(jù)科學(xué)項(xiàng)目中最重要的部分都?xì)w結(jié)為構(gòu)建一個(gè)協(xié)調(diào)的平臺(tái)生態(tài)系統(tǒng)，從數(shù)百個(gè)來(lái)源(如CRM、報(bào)告軟件、電子表格等)收集孤立的數(shù)據(jù)。
在應(yīng)用任何算法之前，你需要對(duì)數(shù)據(jù)進(jìn)行適當(dāng)?shù)慕Y(jié)構(gòu)化和清理。只有這樣，你才能進(jìn)一步將這些數(shù)據(jù)轉(zhuǎn)化為洞察力。事實(shí)上，ETL(提取，轉(zhuǎn)換和加載)和進(jìn)一步清理數(shù)據(jù)占機(jī)器學(xué)習(xí)項(xiàng)目時(shí)間的80%左右。
使用第三方機(jī)器學(xué)習(xí)解決方案
即使你的公司決定在即將開(kāi)展的項(xiàng)目中使用機(jī)器學(xué)習(xí)，你也不一定需要開(kāi)發(fā)新的算法和模型。
大多數(shù)機(jī)器學(xué)習(xí)項(xiàng)目都處理已經(jīng)解決的問(wèn)題。谷歌、微軟和阿里巴巴等科技巨頭將機(jī)器學(xué)習(xí)軟件作為一種服務(wù)出售。
這些開(kāi)箱即用的解決方案已經(jīng)過(guò)訓(xùn)練，可以解決各種業(yè)務(wù)任務(wù)。如果你的項(xiàng)目涉及相同的用例，你是否認(rèn)為你的團(tuán)隊(duì)可以通過(guò)龐大的研發(fā)中心超越這些技術(shù)巨頭的算法?
機(jī)器學(xué)習(xí)工程師可以實(shí)施專(zhuān)注于你的特定數(shù)據(jù)和業(yè)務(wù)領(lǐng)域的系統(tǒng)。專(zhuān)家需要從不同來(lái)源提取數(shù)據(jù)，將其轉(zhuǎn)換為適合此特定系統(tǒng)，接收結(jié)果并可視化結(jié)果。
權(quán)衡取舍是缺乏對(duì)第三方系統(tǒng)的控制和有限的解決方案靈活性。此外，機(jī)器學(xué)習(xí)算法并不適合每個(gè)用例。高級(jí)數(shù)據(jù)科學(xué)家IHAR Rubanau評(píng)論：
尚不存在通用機(jī)器學(xué)習(xí)算法，數(shù)據(jù)科學(xué)家需要在將算法應(yīng)用于不同領(lǐng)域的不同業(yè)務(wù)案例之前對(duì)其進(jìn)行調(diào)整和微調(diào)。
因此，如果Google的現(xiàn)有解決方案解決了你特定域中的特定任務(wù)，你應(yīng)該使用它。如果沒(méi)有，請(qǐng)致力于定制開(kāi)發(fā)和集成。
創(chuàng)新與整合
從頭開(kāi)始開(kāi)發(fā)機(jī)器學(xué)習(xí)解決方案是風(fēng)險(xiǎn)最大，成本最高且耗時(shí)的選擇。盡管如此，這可能是將ML技術(shù)應(yīng)用于某些商業(yè)案例的唯一方法。
機(jī)器學(xué)習(xí)研究和開(kāi)發(fā)針對(duì)特定利基市場(chǎng)的獨(dú)特需求，并要求進(jìn)行深入調(diào)查。如果沒(méi)有為解決這些特定問(wèn)題而開(kāi)發(fā)的現(xiàn)成解決方案，則第三方機(jī)器學(xué)習(xí)軟件可能會(huì)產(chǎn)生不準(zhǔn)確的結(jié)果。
不過(guò)，你可能需要嚴(yán)重依賴(lài)Google的開(kāi)源機(jī)器學(xué)習(xí)庫(kù)。當(dāng)前的機(jī)器學(xué)習(xí)項(xiàng)目主要是將現(xiàn)有的最先進(jìn)的庫(kù)應(yīng)用于特定的域和用例。
在N-iX，我們確定了機(jī)器學(xué)習(xí)中成功的企業(yè)研發(fā)項(xiàng)目的七個(gè)共同特征：
1. 一個(gè)明確的目標(biāo)：在收集數(shù)據(jù)之前，你至少需要對(duì)通過(guò)AI和機(jī)器學(xué)習(xí)實(shí)現(xiàn)的結(jié)果有一些大致的了解。在項(xiàng)目的早期階段，數(shù)據(jù)科學(xué)家將幫助你將這一想法轉(zhuǎn)化為實(shí)際的KPI。
2. 機(jī)器學(xué)習(xí)解決方案的強(qiáng)大架構(gòu)設(shè)計(jì)：你需要經(jīng)驗(yàn)豐富的軟件架構(gòu)師來(lái)執(zhí)行此任務(wù)。
3. 適當(dāng)?shù)拇髷?shù)據(jù)工程生態(tài)系統(tǒng)(基于Apache Hadoop)是必不可少的：它允許從金融服務(wù)公司的眾多孤立數(shù)據(jù)源中收集、集成、存儲(chǔ)和處理大量數(shù)據(jù)。大數(shù)據(jù)架構(gòu)師和大數(shù)據(jù)工程師負(fù)責(zé)構(gòu)建生態(tài)系統(tǒng)。
4. 在新創(chuàng)建的生態(tài)系統(tǒng)上運(yùn)行ETL過(guò)程(提取，轉(zhuǎn)換和加載)：大數(shù)據(jù)架構(gòu)師或機(jī)器學(xué)習(xí)工程師執(zhí)行此任務(wù)。
5. 數(shù)據(jù)準(zhǔn)備：除數(shù)據(jù)轉(zhuǎn)換和技術(shù)清理外，數(shù)據(jù)科學(xué)家可能還需要進(jìn)一步優(yōu)化數(shù)據(jù)，使其適用于特定的業(yè)務(wù)案例。
6. 應(yīng)用適當(dāng)?shù)乃惴ǎ夯谶@些算法創(chuàng)建模型，微調(diào)模型以及使用新數(shù)據(jù)重新訓(xùn)練模型。數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師執(zhí)行這些任務(wù)。
7. 清晰可見(jiàn)的洞察力：商業(yè)智能專(zhuān)家對(duì)此負(fù)責(zé)。此外，你可能需要前端開(kāi)發(fā)人員創(chuàng)建具有易于使用的UI的儀表板。
小型項(xiàng)目可能需要更少的工作量和更小的團(tuán)隊(duì)。例如，一些研發(fā)項(xiàng)目涉及小型數(shù)據(jù)集，因此他們可能不需要復(fù)雜的大數(shù)據(jù)工程。在其他情況下，根本不需要復(fù)雜的儀表板或任何數(shù)據(jù)可視化。
關(guān)鍵要點(diǎn)：
· 金融老牌企業(yè)最常使用機(jī)器學(xué)習(xí)來(lái)實(shí)現(xiàn)流程自動(dòng)化和安全性;
· 在收集數(shù)據(jù)之前，你需要清楚地了解數(shù)據(jù)科學(xué)所期望的結(jié)果;
· 在項(xiàng)目開(kāi)始之前，需要設(shè)置可行的KPI并做出切合實(shí)際的估算;
· 許多金融服務(wù)公司需要數(shù)據(jù)工程、統(tǒng)計(jì)和數(shù)據(jù)可視化，而不是數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí);
· 訓(xùn)練數(shù)據(jù)集越大越清潔，機(jī)器學(xué)習(xí)解決方案產(chǎn)生的結(jié)果就越準(zhǔn)確;
· 你可以根據(jù)需要隨時(shí)重新訓(xùn)練模型，而無(wú)需停止機(jī)器學(xué)習(xí)算法;
· 沒(méi)有通用的機(jī)器學(xué)習(xí)解決方案適用于不同的業(yè)務(wù)案例;
· 具有機(jī)器學(xué)習(xí)功能的財(cái)務(wù)軟件的開(kāi)發(fā)成本很高;
· 像谷歌這樣的科技巨頭創(chuàng)造了機(jī)器學(xué)習(xí)解決方案。如果你的項(xiàng)目涉及此類(lèi)用例，那么你不能指望其優(yōu)于Google，Amazon或IBM的算法。
標(biāo)簽： Google 安全 大數(shù)據(jù) 大數(shù)據(jù)架構(gòu) 谷歌 金融 網(wǎng)絡(luò) 網(wǎng)絡(luò)安全 網(wǎng)絡(luò)安全性
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。
