Direttore delle intuizioni di Machine Learning [Parte 3 Edizione Finanza]

'Direttore Machine Learning [Parte 3 Edizione Finanza]'

Se sei interessato a costruire soluzioni di ML più velocemente, visita oggi hf.co/support!

👋 Bentornato alla nostra serie del Direttore degli Insight di ML, Edizione Finanza! Se ti sei perso le edizioni precedenti, puoi trovarle qui:

• Direttore degli Insight di Machine Learning [Parte 1]
• Direttore degli Insight di Machine Learning [Parte 2: Edizione SaaS]

I direttori di Machine Learning nel settore finanziario affrontano sfide uniche nella navigazione dei sistemi legacy, nella distribuzione di modelli interpretabili e nel mantenimento della fiducia dei clienti, il tutto mentre sono sottoposti a una regolamentazione rigorosa (con molta supervisione governativa). Ognuna di queste sfide richiede una profonda conoscenza del settore e competenze tecniche per essere affrontata in modo efficace. Gli esperti di U.S. Bank, Royal Bank of Canada, Moody’s Analytics e un ex ricercatore scientifico presso Bloomberg AI aiutano a scoprire gemme uniche nel settore del Machine Learning x Finanza.

Ascolterai un campione di tennis nazionale greco, un autore pubblicato con oltre 100+ brevetti e un giocatore di polo su bicicletta che ha giocato regolarmente nel club di polo più antico del mondo (il Calcutta Polo Club). Tutti si sono trasformati in esperti di ML finanziario.

• Intel e Hugging Face si uniscono per democratizzare l’accelerazione hardware dell’apprendimento automatico
• Converti Transformers in ONNX con Hugging Face Optimum
• Iniziare con gli Embeddings

🚀 Preparati, ecco i principali insight dei Maestri del ML finanziario:

Avviso legale: Tutti i punti di vista sono di singoli individui e non di ex o attuali datori di lavoro.

Ioannis Bakagiannis – Direttore di Machine Learning, Scienza del Marketing presso RBC

Background: Esperto appassionato di Machine Learning con esperienza nella fornitura di soluzioni di Machine Learning scalabili, di produzione e all’avanguardia. Ioannis è anche l’host del Bak Up Podcast e cerca di fare un impatto sul mondo attraverso l’IA.

Curiosità: Ioannis è stato un campione nazionale juniores di tennis greco.🏆

RBC: Le principali organizzazioni del mondo si rivolgono a RBC Capital Markets come partner innovativo e affidabile nei mercati dei capitali, nella banca e nella finanza.

1. In che modo il Machine Learning ha avuto un impatto positivo sulla finanza?

Tutti sappiamo che il Machine Learning è una forza dirompente in tutti i settori, creando continuamente nuove opportunità di business. Molti prodotti finanziari sono stati creati o modificati grazie al Machine Learning, come assicurazioni personalizzate e marketing mirato.

Le interruzioni e i profitti sono ottimi, ma il mio impatto finanziario preferito è stata la conversazione avviata dal ML sulla fiducia nelle decisioni finanziarie.

In passato, decisioni finanziarie come l’approvazione di prestiti, la determinazione dei tassi, la gestione del portafoglio, ecc. sono state prese da esseri umani con competenze pertinenti. Fondamentalmente, le persone si fidavano di “altri individui” o di “esperti” per le decisioni finanziarie (e spesso senza domande).

Quando il ML ha cercato di automatizzare quel processo decisionale, le persone si sono chieste: “Perché dovremmo fidarci di un modello?”. I modelli sembravano essere scatole nere di pericolo destinate a sostituire persone oneste che lavoravano. Ma questo argomento ha avviato la conversazione sulla fiducia nelle decisioni finanziarie ed etiche, indipendentemente da chi o cosa sia coinvolta.

Come industria, stiamo ancora definendo questa conversazione, ma con maggiore trasparenza, grazie al ML nella finanza.

2. Quali sono le principali sfide del Machine Learning nella finanza?

Non posso parlare per le aziende, ma le istituzioni finanziarie consolidate affrontano una lotta continua, come tutte le organizzazioni a lunga vita: i sistemi legacy.

Le organizzazioni finanziarie esistono da un po’ di tempo e si sono evolute nel tempo, ma oggi si trovano in qualche modo come “aziende tecnologiche”. Tali organizzazioni devono far parte delle tecnologie all’avanguardia per poter competere con i nuovi concorrenti, ma allo stesso tempo mantenere la solidità che fa funzionare il nostro mondo finanziario.

Questa lotta interna è influenzata dall’appetito al rischio delle istituzioni. Il rischio finanziario aumenta linearmente (di solito) con la scala della soluzione fornita, dal momento che stiamo parlando di denaro. Ma oltre a ciò, ci sono altre forme di rischio che una mancata riuscita del sistema comporterà, come il rischio regolamentare e reputazionale. Questo rischio composto insieme alla complessità della migrazione di un sistema enorme e maturo verso una nuova tecnologia è, almeno secondo me, la sfida più grande nell’adozione di tecnologie all’avanguardia come il ML.

3. Qual è un errore comune che vedi nelle persone che cercano di integrare il ML nelle applicazioni finanziarie?

Il Machine Learning, nonostante tutta l’attenzione recente, è ancora un campo relativamente nuovo nell’ingegneria del software. La distribuzione di applicazioni di ML spesso non è un processo ben definito. L’artista/ingegnere può consegnare un’applicazione di ML, ma il mondo circostante non è ancora familiare con il processo tecnico. In quell’incrocio tra mondi tecnici e non tecnici, ho visto i più “errori”.

È difficile ottimizzare per le giuste KPI aziendali e di ML e definire la giusta funzione obiettivo o le etichette desiderate. Ho visto applicazioni andare sprecate a causa di finestre di previsione indesiderate o perché prevedono etichette sbagliate.

Il peggior risultato si verifica quando la mancata allineazione non viene scoperta nella fase di sviluppo e si verifica in produzione.

Allora le applicazioni possono creare comportamenti indesiderati degli utenti o semplicemente misurare/prevedere cose sbagliate. Purtroppo, tendiamo ad equipaggiare le squadre di ML con strumenti e calcolo ma non con processi solidi e buffer di comunicazione. E gli errori all’inizio di un processo mal definito crescono ad ogni passo.

4. Cosa ti entusiasma di più riguardo al futuro del ML?

È difficile non entusiasmarsi per tutto ciò che di nuovo esce dal ML. Il campo cambia così frequentemente che è rinfrescante.

Attualmente, siamo bravi a risolvere problemi individuali: visione artificiale, previsione della prossima parola, generazione di punti dati, ecc., ma non siamo stati in grado di affrontare contemporaneamente problemi multipli. Sono entusiasta di vedere come possiamo modellare tali comportamenti in espressioni matematiche che al momento sembrano contraddirsi a vicenda. Spero che ci arriveremo presto!

Debanjan Mahata – Direttore di AI e ML presso Moody’s Analytics / Ex Ricercatore Scientifico @ Bloomberg AI

Sfondo: Debanjan è Direttore di Machine Learning nel Team di AI presso Moody’s Analytics e serve anche come Docente Aggiunto presso IIIT-Delhi, India. È un ricercatore attivo e attualmente è interessato a vari problemi di estrazione delle informazioni e tecniche di adattamento del dominio in NLP. Ha una comprovata esperienza nella formulazione e applicazione del machine learning a vari casi d’uso. Partecipa attivamente al comitato di programma di diverse conferenze di alto livello nel machine learning.

Fatto Divertente: Debanjan ha giocato a polo in bicicletta nel club di polo più antico del mondo (il Calcutta Polo Club) quando era un bambino.

Moody’s Analytics: Fornisce informazioni finanziarie e strumenti analitici che supportano la crescita, l’efficienza e gli obiettivi di gestione del rischio dei nostri clienti.

1. In che modo il ML ha avuto un impatto positivo sul settore finanziario?

Il machine learning (ML) ha avuto un significativo impatto positivo nell’industria finanziaria in molti modi. Ad esempio, ha contribuito a contrastare i reati finanziari e ad identificare transazioni fraudolente. Il machine learning è stato uno strumento cruciale in applicazioni come il controllo Know Your Customer (KYC) e il contrasto al riciclaggio di denaro (AML). Con un aumento delle sanzioni AML da parte delle istituzioni finanziarie in tutto il mondo, un campo di sanzioni in continua evoluzione e una maggiore complessità nel riciclaggio di denaro, le banche stanno aumentando i propri investimenti in tecnologie KYC e AML, molte delle quali sono alimentate da ML. Il ML sta rivoluzionando molteplici aspetti di questo settore, apportando enormi guadagni di efficienza automatizzando vari processi e aiutando gli analisti a svolgere il proprio lavoro in modo più efficiente e accurato.

Una delle caratteristiche utili del ML è che può imparare e trovare modelli nascosti in grandi volumi di dati. Con un’attenzione alla digitalizzazione, il settore finanziario sta producendo dati digitali più che mai, il che rende difficile per gli esseri umani comprenderli, elaborarli e prendere decisioni. Il ML sta consentendo agli esseri umani di dare un senso ai dati, estrarre informazioni da essi e prendere decisioni ben informate. Presso Moody’s Analytics, stiamo utilizzando il ML e aiutando i nostri clienti a gestire meglio il rischio e soddisfare le esigenze aziendali e settoriali.

2. Quali sono le sfide più grandi del ML nel settore finanziario?

1. Ridurre i falsi positivi senza influire sui veri positivi – Un certo numero di applicazioni che utilizzano il ML nello spazio regtech si basano su segnalazioni. Con misure regolamentari rigorose e grandi implicazioni finanziarie di una decisione errata, le indagini umane possono richiedere molto tempo e impegno. Il ML sicuramente aiuta in queste situazioni, assistendo gli analisti umani nel prendere le decisioni giuste. Ma se un sistema ML produce molti falsi positivi, rende più difficile il lavoro degli analisti. Trovare il giusto equilibrio è una sfida importante per il ML nel settore finanziario.

2. Divario tra il ML nella ricerca di base e nell’educazione e il ML nel settore finanziario – A causa della natura regolamentata dell’industria finanziaria, vediamo una limitata scambio di idee, dati e risorse tra la ricerca di base e il settore finanziario nell’ambito del ML. Ci sono poche eccezioni ovviamente. Questo ha portato a una scarsità di sviluppo della ricerca ML che soddisfi le esigenze dell’industria finanziaria. Penso che debbano essere fatti maggiori sforzi per ridurre questo divario. Altrimenti, sarà sempre più difficile per l’industria finanziaria sfruttare gli ultimi progressi del ML.

3. Infrastrutture e database obsoleti – Molte istituzioni finanziarie ancora utilizzano infrastrutture obsolete, il che rende difficile l’applicazione di moderne tecnologie ML e soprattutto l’integrazione. L’industria finanziaria trarrebbe vantaggio prendendo idee chiave, cultura e migliori pratiche dall’industria tecnologica quando si tratta di sviluppare nuove infrastrutture e consentire ai professionisti del ML di innovare e avere un maggiore impatto. Ci sono sicuramente sfide legate all’operazionalizzazione del ML in tutto il settore.

4. Governance dei dati e dei modelli – In questo settore è necessario fare maggiori sforzi per la governance dei dati e dei modelli. Man mano che raccogliamo sempre più dati, dovrebbero aumentare gli sforzi per raccogliere dati di alta qualità e i dati giusti. Occorre prestare particolare attenzione quando i modelli ML sono coinvolti nelle decisioni. Devono essere sviluppate misure e framework di governance adeguati per diverse applicazioni finanziarie. Una grande sfida in questo settore è la mancanza di strumenti e tecnologie per operazionalizzare la governance dei dati e dei modelli, che spesso sono necessari per i sistemi ML che operano in questo settore. Dovrebbero essere fatti maggiori sforzi anche per capire il bias nei dati che addestrano i modelli e come renderlo una pratica comune mitigarli nel processo complessivo. Assicurare l’auditabilità, la tracciabilità dei modelli e dei dati è stato impegnativo per le squadre di ML.

5. Spiegabilità e interpretabilità – Sviluppare modelli altamente accurati oltre che interpretabili e spiegabili è una grande sfida. I moderni modelli di deep learning spesso superano i modelli più tradizionali; tuttavia, mancano di spiegabilità e interpretabilità. La maggior parte delle applicazioni nel settore finanziario richiede spiegabilità. Adottare gli ultimi sviluppi in questo ambito e garantire lo sviluppo di modelli interpretabili con previsioni spiegabili è stata una sfida.

3. Qual è un errore comune che vedi le persone commettere nel tentativo di integrare l’apprendimento automatico nelle applicazioni finanziarie?

• Non comprendere bene i dati e le previsioni grezze effettuate dai modelli di apprendimento automatico addestrati su di essi.
• Non analizzare gli sforzi falliti e imparare da essi.
• Non comprendere l’applicazione finale e come verrà utilizzata.
• Provare tecniche complesse quando soluzioni più semplici potrebbero essere sufficienti.

4. Cosa ti entusiasma di più del futuro dell’apprendimento automatico?

Sono davvero impressionato da come i moderni modelli di apprendimento automatico abbiano imparato a rappresentare testo, audio, immagini, video, codice e così via utilizzando l’apprendimento auto-supervisionato su grandi quantità di dati. Il futuro sarà sicuramente multi-modale e si è registrato un progresso costante nell’apprendimento dei contenuti multi-modali attraverso il prisma dell’apprendimento automatico. Credo che ciò giocherà un ruolo cruciale nel prossimo futuro e ne sono entusiasta, non vedo l’ora di far parte di questi progressi.

Soumitri Kolavennu – Leader dell’Intelligenza Artificiale – Analytics e AI aziendali presso U.S. Bank

Background: Soumitri Kolavennu è un SVP e responsabile della ricerca sull’IA nell’organizzazione di analytics e AI aziendali di U.S. Bank. Attualmente è focalizzato sull’apprendimento approfondito basato su NLP, visione e analisi audio, reti neurali grafiche, fusione di sensori/conoscenze, dati di serie temporali con applicazioni all’automazione, all’estrazione di informazioni, alla rilevazione delle frodi e al contrasto al riciclaggio di denaro nei sistemi finanziari.

In precedenza, ha ricoperto la posizione di Fellows Leader e Senior Fellow mentre lavorava presso Honeywell International Inc., dove si è occupato di IoT e sistemi di controllo applicati a smart home, smart cities, sistemi industriali e automobilistici.

Dato curioso: Soumitri è un inventore prolifico con oltre 100 brevetti statunitensi rilasciati in campi diversi, tra cui sistemi di controllo, Internet delle cose, reti wireless, ottimizzazione, sovralimentazione, riconoscimento vocale, apprendimento automatico e intelligenza artificiale. Ha anche circa 30 pubblicazioni, ha scritto un libro, capitoli di libri ed è stato eletto membro del comitato smart grid del NIST.

U.S. Bank: La più grande banca regionale negli Stati Uniti, U.S. Bank combina i suoi team di relazioni, filiali e reti di sportelli automatici con strumenti digitali che consentono ai clienti di fare operazioni bancarie quando, dove e come preferiscono.

1. In che modo l’apprendimento automatico ha avuto un impatto positivo sul settore finanziario?

L’apprendimento automatico e l’intelligenza artificiale hanno avuto un impatto profondo e positivo sul settore finanziario in generale e sul settore bancario in particolare. Ci sono molte applicazioni nel settore bancario in cui devono essere considerati molti fattori (caratteristiche) quando si prende una decisione e l’apprendimento automatico ha tradizionalmente aiutato in questo senso. Ad esempio, il punteggio di credito di cui tutti ci affidiamo universalmente deriva da un algoritmo di apprendimento automatico.

Nel corso degli anni, l’apprendimento automatico ha interessantemente contribuito anche a rimuovere il pregiudizio umano nelle decisioni e ha fornito un approccio algoritmico coerente alle decisioni. Ad esempio, nell’elaborazione delle carte di credito/dei prestiti e nei mutui, le moderne tecniche di intelligenza artificiale possono prendere in considerazione più fattori (testo libero, tendenze comportamentali, interazioni sociali e finanziarie) per le decisioni, oltre a rilevare le frodi.

2. Quali sono le sfide più grandi dell’apprendimento automatico nel settore finanziario?

Il settore finanziario e bancario presenta molte sfide a causa della natura del settore stesso. Prima di tutto, è un settore altamente regolamentato con controllo governativo su molti aspetti. I dati che vengono spesso utilizzati sono dati personali e identificabili (numeri di previdenza sociale, estratti conto bancari, dichiarazioni fiscali, ecc.). Pertanto, è necessario prestare molta attenzione per creare modelli di apprendimento automatico e intelligenza artificiale che siano privati e imparziali. Molte normative governative richiedono che tutti i modelli siano spiegabili. Ad esempio, se un prestito viene negato, c’è la necessità fondamentale di spiegare il motivo del rifiuto.

D’altra parte, i dati, che possono essere scarsi in altri settori, sono abbondanti nel settore finanziario. (Ad esempio, i record ipotecari devono essere conservati per 30 anni). La tendenza attuale verso la digitalizzazione dei dati e l’esplosione di tecniche di intelligenza artificiale/apprendimento automatico più sofisticate ha creato un’opportunità unica per l’applicazione di questi progressi.

3. Qual è un errore comune che vedi le persone commettere cercando di integrare l’ML nelle applicazioni finanziarie?

Uno degli errori più comuni che le persone commettono è quello di utilizzare un modello o una tecnica senza comprendere i principi di funzionamento sottostanti, i vantaggi e gli svantaggi del modello. Le persone tendono a pensare ai modelli di IA/ML come a una ‘scatola nera’. Nel settore finanziario, è particolarmente importante comprendere il modello e essere in grado di spiegare il suo output. Un altro errore è non testare in modo completo il modello su uno spazio di input rappresentativo. La performance del modello, la validazione, le capacità di inferenza e il monitoraggio del modello (intervalli di riaffinamento) sono tutti importanti da considerare nella scelta di un modello.

4. Cosa ti entusiasma di più riguardo al futuro dell’ML?

Questo è un momento fantastico per l’ML e l’IA applicata. Le tecniche in AI/ML stanno sicuramente affinando, se non addirittura ridefinendo, molte discipline scientifiche. Sono molto entusiasta di come tutti gli sviluppi attualmente in corso plasmeranno il futuro.

Quando ho iniziato a lavorare in NLP, ero meravigliato dalla capacità delle reti neurali/dei modelli di linguaggio di generare un numero o un vettore (che ora chiamiamo embeddings) che rappresenta una parola, una frase con la grammatica associata, o addirittura un paragrafo. Siamo costantemente alla ricerca di embeddings sempre più appropriati e contestuali.

Siamo andati molto oltre un “semplice” embedding per un testo, arrivando ad avere embeddings “multimodali” che mi affascinano ancora di più. Sono entusiasta e non vedo l’ora di generare e giocare con questi nuovi embeddings che permettono applicazioni sempre più interessanti in futuro.

---

🤗 Grazie per aver partecipato a questo terzo episodio di ML Director Insights. Restate sintonizzati per ulteriori approfondimenti dai Director di ML.

Un grande ringraziamento a Soumitri Kolavennu, Debanjan Mahata e Ioannis Bakagiannis per i loro brillanti approfondimenti e la loro partecipazione a questo articolo. Non vediamo l’ora di seguire il vostro successo continuativo e vi supporteremo in ogni passo del percorso. 🎉

Se siete interessati a accelerare la vostra roadmap di ML con gli esperti di Hugging Face, visitate hf.co/support per saperne di più.