Trendy uczenia maszynowego w fintechu i dlaczego Python jest kluczem

Cyberbezpieczeństwo to ważna część fintechu, bo przestępcy atakują tam, gdzie są pieniądze. Wyłudzenie dostępu do Twojego konta w mediach społecznościowych to co innego niż do konta bankowego.

Zapobieganie utracie danych czy oznaczanie podejrzanych zachowań to część zadań, które mogą wykonywać algorytmy uczenia maszynowego.

Firmy fintechowe zajmujące się cyberbezpieczeństwem szybko rosną, bo sektor przyjął metodykę lean startup jako najskuteczniejszy model innowacji.

Główne wektory zagrożeń, z którymi mierzą się firmy finansowe, dotyczą prywatności, przestarzałego oprogramowania, kompatybilności, bezpieczeństwa po stronie podmiotów trzecich, prania pieniędzy, cyfrowych kanałów i wykorzystania danych przez podmioty trzecie oraz środowisk chmurowych.

AI może ograniczać ryzyko oszustw prewencyjnie albo proaktywnie. Możesz monitorować zachowania klientów i oznaczać podejrzane działania.

Metody ML reagują na transakcje w czasie rzeczywistym. Sieci neuronowe można wytrenować tak, żeby wykrywały potencjalnie oszukańcze działania. Następny krok to bezpośredni kontakt z klientem telefonicznie lub mailowo z pytaniem, czy to on lub ona wykonał(a) transakcję albo się zalogował(a). To najlepszy sposób na kontrolę dostępu.

Firmy z sektora finansowego wykorzystują techniki ML do wykrywania oszustw. Oszustwa to duże wyzwanie dla branży, a motywacja do inwestowania w skalowalne, automatyczne rozwiązania jest silna, więc to świetne pole do rozwoju AI.

Algorytmy ML można trenować na dużych historycznych zbiorach danych. Gdy wskaże się im, co w przeszłości było oszustwem, a co nie, potrafią potem natychmiast oznaczać podejrzane działania.

Ten problem lepiej znają osoby z branży finansowej. Fałszywe alarmy (false positives) to sytuacje, w których legalna transakcja zostaje automatycznie odrzucona jako podejrzana. Takie błędne odrzucenia wynikają z niedoskonałej automatyzacji wykrywania oszustw. Kilka firm oferuje taką "drugą warstwę" usług, np. Aida czy Socure.

Kolejny ciekawy trend to aplikacje mobilne z automatycznym doradcą, które zarządzają portfelem klienta albo pomagają prowadzić budżet domowy na podstawie danych finansowych. Tak jak Twoją pocztę może sortować prosty algorytm ML (nawet zwykłe drzewo decyzyjne), tak samo można porządkować Twoje wydatki.

Rozwiązania ML radzą sobie też z bardziej złożonymi zadaniami, takimi jak konsolidacja zadłużenia na kartach kredytowych, refinansowanie kredytu hipotecznego czy zarządzanie inwestycjami.

Automatyzacja ma w tradingu długą tradycję. Liczy się szybkość realizacji, a maszyny od dawna znacznie szybciej podejmują proste decyzje na podstawie nowych danych. W tradingu algorytmicznym komputery uruchamiają algorytmy, które składają zlecenia.

Handel wysokich częstotliwości ma za sobą mniej więcej dwie dekady. Jak łatwo się domyślić, jest tu ogrom danych do analizy i trenowania algorytmów.

Automatyczny trading pozwala działać szybciej i zestawiać informacje z wielu różnych rynków.

Trwają też eksperymenty z autonomicznymi funduszami hedgingowymi zarządzanymi przez AI. To niezwykle złożona dziedzina i wiele trzeba zrobić, zanim pojawią się udane rozwiązania oparte na ML, ale motywacja jest silna.

Scoring społeczny to rzecz przyszłości, która łatwo może stać się dystopią. Nic jednak nie powstrzyma firm finansowych przed profilowaniem klientów na podstawie big data o ich zachowaniach. Startupy fintechowe oferują szybkie pożyczki przyznawane na podstawie natychmiastowej, automatycznej analizy zdolności kredytowej.

To podstawa działalności każdej instytucji finansowej - czy to ubezpieczyciela, czy banku inwestycyjnego. Cała sztuka polega na tym, żeby trafnie odczytać przyszłe ryzyka. Od stuleci to właśnie było kluczem do dużych pieniędzy.

Algorytmy AI można wytrenować tak, żeby trafnie prognozowały dla pojedynczych klientów, firm i całych rynków. Produkty do zarządzania ryzykiem należą do najbardziej skomplikowanych produktów ML.

Liderami tego segmentu są m.in. Dataminr, system wykrywania informacji w czasie rzeczywistym, oraz AlphaSense, wyszukiwarka oparta na AI do analizy rynku.

Chatboty są popularne w wielu sektorach, a finanse nie są wyjątkiem. Wraz z rozwojem frameworków do przetwarzania języka naturalnego coraz łatwiej zautomatyzować najwcześniejsze etapy sprzedaży i obsługi klienta. Z drugiej strony klientom coraz trudniej odróżnić żywego konsultanta od bota.

Chatboty łatwo też wychwytują nastrój klienta. Emocje takie jak frustracja mogą zostać oznaczone, a doświadczony konsultant szybko reaguje.

Legal tech to szybko rosnąca dziedzina fintechu. Banki i ubezpieczyciele wydają miliardy na kwestie regulacyjne. Prawna strona ich działalności często wiąże się z ukrytymi ryzykami i szansami.

Może to brzmieć dziwnie, ale wciąż około 30% rozliczeń (czyli przeniesienia papierów wartościowych na rachunek kupującego, a gotówki na rachunek sprzedającego) odbywa się ręcznie. Algorytmy ML zmniejszają jednak tę liczbę, bo sieci neuronowe coraz lepiej wskazują, dlaczego transakcja się nie powiodła, i często podpowiadają rozwiązanie.

Uczenie maszynowe nie tylko ustala przyczynę nieudanych transakcji - potrafi też przeanalizować, dlaczego je odrzucono, zaproponować rozwiązanie i przewidzieć, które transakcje mogą się nie powieść w przyszłości.

Programiści od lat kochają Pythona, bo da się w nim bardzo szybko zbudować praktycznie każde oprogramowanie. Jednak do niedawna uchodził za technologię zbyt mało poważną do projektów oprogramowania finansowego. Branża wybierała raczej Javę niż Pythona.

To się zmieniło. Python stał się jednym z najpopularniejszych języków programowania. Sprawdza się jako świetne i wydajne rozwiązanie do analiz ilościowych i innych zadań typowych dla sektora finansowego.

Jednocześnie większość frameworków, platform i innych narzędzi do uczenia maszynowego jest napisana w Pythonie. Na liście są m.in. TensorFlow od Google, Keras, Theano, PyTorch i wiele innych.

Dlatego jeśli budujesz produkt finansowy albo myślisz o włączeniu metod ML do swoich procesów, warto porozmawiać z zespołem programistów Pythona, który ma doświadczenie w projektach na zamówienie.