Для чего финтеху машинное обучение

imageТехнология машинного обучения вызывает интерес у мировых финтех-компаний и финансовых организаций, чей бизнес так или иначе связан с инвестициями, кредитованием, консалтингом и решениями в области безопасности. Мы в компании PayOnline, специализирующейся на автоматизации приема онлайн-платежей, решили рассмотреть международные финтех-кейсы применения технологии машинного обучения.

В 80-х появились компьютеры, и постепенно мы наблюдали, как их использование для хранения и обработки информации становилось нормой для большинства компаний. В 90-х мы стали свидетелями интернет-бума, по-настоящему изменившего мир. Собрать информацию о чем-либо сегодня — сущий пустяк. В середине прошлого десятилетия появились социальные сети и предприниматели заметили, что клиенты начали проводить в них столько времени, сколько до этого не проводили ни на одном другом сайте. В итоге бизнесмены по всему миру начали инвестировать в социальные медиа для увеличения охвата аудитории и в маркетинговых целях. Когда широкой публике были представлены Android и iOS, произошел сдвиг парадигмы. Люди стали проводить больше времени со своими смартфонами, нежели персональными компьютерами. Со временем потребители начали пользоваться смартфонами для принятия решений, совершения покупок и даже платежей. Сегодня, поняв, что смартфоны стали неотъемлемой частью процесса принятия потребителем решений, компании стремятся предоставить им омниканальный опыт взаимодействия. В связи с этим возникает вопрос: «Какие еще существуют инновационные инструменты, способные изменить рынок?» Вероятно, компаниям следует обратить внимание на использование алгоритмов машинного обучения.

Позвольте проиллюстрировать преимущества алгоритмов с помощью небольшого примера. Dash Financial, один из лидеров финтех-рынка, недавно выиграл награду Waters Technology Awards в номинации «лучший алгоритмический или предоставляющий прямой выход на рынок продукт для инвесторов». Давайте глянем на функциональность, которую предлагают алгоритмы этой компании. Разработанный Dash набор инструментов направлен на оптимизацию производительности и снижение комиссионных затрат. Способность настраивать поведение системы на любом уровне и в любой категории — одна из отличительных черт продукта. В сочетании со стремлением предоставить полную прозрачность в реальном времени для всех проводимых операций клиенты компании получают полноценную, ориентированную на инвесторов торговую инфраструктуру.

Набор сенсорных алгоритмов Dash обладает собственным мастером настройки, запатентованной разработкой компании, позволяющей регулировать параметры, поведение и техники в соответствии с целями и потребностями инвестора без необходимости переписывания программного кода или работы в рамках долгих циклов разработки. Результаты любых изменений мгновенно и ясно отображаются в панели управления — детальном, работающем в реальном времени веб-интерфейсе, позволяющем получить доступ к каждому компоненту процесса принятия и исполнения заявок. Клиенты Dash получают возможность поэтапно наблюдать за тем, куда направляются их заявки, а также состоянием рынка и глубиной котировок вплоть до микросекунды во время их исполнения. Этот инструмент — ключевой элемент алгоритмической идентификации, анализа и дальнейшей оптимизации и адаптации под цели инвестора.

За последние 10 лет компаниям удалось собрать немало данных с помощью самых разных каналов и сейчас пришло время применить алгоритмы к этому массиву информации. Они помогут компаниям выйти за рамки традиционного формирования отчетов и глубже проникнуть в суть собираемой информации. Они также будут полезны в аналитическом прогнозировании, помогая компаниям мгновенно принимать решения. Сбор данных, выявление закономерностей, умная классификация и машинное обучение изменят ситуацию в самых разных отраслях в ближайшие пять лет. И рынок Финтеха определенно не останется в стороне. Сегодня финтех-сегменты, такие как биржевая торговля и кредитование уже интегрировали в свою деятельность алгоритмы для ускорения принятия решений. Можно с уверенностью сказать, что применение алгоритмов финтех-компаниями только началось и определенно достигнет своей наивысшей точки в течение несколько лет.

Ниже приведен список компаний, использующих в своей работе обширную и одну из наиболее популярных на сегодняшний день разновидностей искусственного интеллекта — машинное обучение.

18 финтех-игроков, применяющих машинное обучение


Машинное обучение — разновидность искусственного интеллекта, предоставляющая компьютерам возможность обучаться без каких-либо строго запрограммированных сценариев поведения. Специалисты в этой области занимаются разработкой компьютерных программ, способных обучаться самостоятельно, расти и изменяться на основе новых данных. Молодые финтех-компании применяют эту технологию для адаптации к постоянно изменяющимся условиям рынка.

Вот некоторые из таких компаний:

Kensho: Разработки компании сочетают в себе применение машинного интеллекта, работу с естественными языками, графические пользовательские интерфейсы и безопасные облачные вычисления и представляют собой новый класс аналитических инструментов для инвестиционных профессионалов. Умные компьютерные системы Kensho способны ответить на сложные финансовые вопросы, заданные на простом английском языке и, согласно информации на официальном сайте компании, «способны решить сложнейшие аналитические задачи нашего времени». Компания была основана выпускниками Гарварда и MIT, в ней работают опытные бывшие сотрудники Google, Apple и Федерального резерва США, а в числе ее инвесторов значатся такие имена, как Google Ventures, Goldman Sachs, In-Q-Tel (венчурное подразделение ЦРУ).

Affirm: Финансовая компания, технологические инструменты которой собирают огромные массивы данных для их эффективного применения при оценке параметров кредитования. Машинное обучение используется для защиты от мошенничества и сбора кредитных данных.

Lending Club: Крупнейший в мире онлайн-рынок для заемщиков и инвесторов. Платформа использует машинное обучение для предсказания потенциально недоброкачественных займов.

Kabbage: Онлайн-компания из Атланты, специализирующаяся на финансовых технологиях и сборе данных. Kabbage предлагает услуги прямого финансирования малого бизнеса и потребителей в рамках автоматизированной платформы кредитования. Команда Kabbage специализируется на разработке инструментов машинного обучения следующего поколения и набора аналитических инструментов для создания моделей оценки кредитного риска и анализа существующих кредитных портфелей.

ZestFinance: Фирма использует техники машинного обучения и анализ большого объема данных для принятия более точных решений по кредитам. По информации на сайте компании, традиционный подход к оценке кредитного рейтинга использует всего 50 параметров, что составляет лишь малую часть от количества, учитываемого алгоритмами ZestFinance.

BillGuard: Предоставляет услуги персональной финансовой безопасности. Billguard защищает пользователей от хищения персональных данных во время финансовых операций, а также ошибочных списаний и серых транзакции. Компания специализируется на применении таких технологий, как «майнинг» данных, алгоритмы машинного обучения, безопасность и проектирование удобных веб-интерфейсов.

LendUp: Компания специализируется на микрокредитовании, в том числе позволяя другим организациям предоставлять аналогичные услуги с помощью собственного API. LendUp применяет машинное обучение и алгоритмы для точного определения тех 15% заемщиков, которые согласно статистике будут способны с наибольшей вероятностью вернуть займы.

Bloomberg: Один из ведущих поставщиков информации для профессиональных участников финансовых рынков. Bloomberg оперативно предоставляет точную бизнес- и финансовую информацию, новости и экспертные мнения со всего мира. Использую методы статистики, обработки естественного языка и машинного обучения компания предлагает аналитические решения для финансового сообщества.

AlphaSense: Финансовая поисковая система, решающая фундаментальные проблемы избытка информации и ее фрагментации. Целевая аудитория компании — профессионалы из самых разных областей финансовой сферы. AlphaSense эффективно применяет собственные запатентованные алгоритмы обработки естественных языков и машинного обучения, предоставляя пользователям мощный и в высокой степени дифференцированный продукт с интуитивно понятным интерфейсом.

FinGenius: Платформа, ориентированная на работу с банками и страховыми компаниями. Набор технологий FinGenius представляет собой сочетание разных методик искусственного интеллекта, в том числе и машинное обучение, обработку естественных языков и моделирование человеческой логики с целью упрощения обработки массивов комплексных данных.

Dataminr: Компания предоставляет услуги поиска информации для клиентов из финансового сектора. Инструменты Dataminr в реальном времени «прочесывают» социальные сети и другие открытые источники информации с помощью алгоритмов машинного обучения в поисках важных информационных элементов и их последующего преобразования в полезные рекомендации и практические советы.

Binatix: Биржевой брокер, применяющий современные запатентованные алгоритмы искусственного интеллекта, учитывающие факторы биологического поведения людей и использующие их для масштабного анализа данных.

Brighterion: Компания предлагает один из самых крупных в мире наборов технологий искусственного интеллекта и машинного обучения, способных осуществить сбор и анализ информации из источников любого типа, сложности и объема.

Feedzai: Компания применяет машинное обучение и работу с «большими данными» для обеспечения безопасности коммерческой деятельности своих клиентов. Модели самообучения Feedzai способны распознать мошенничество на 30% раньше традиционных методов.

Nymi (бывшая Bionym): Компания разработала и продвигает устройство биометрической аутентификации с помощью электрокардиограммы, применяя в числе прочего и алгоритмы машинного обучения.

EyeVerify: Фирменное ПО EyeVerify использует в качестве идентификатора личности так называемые отпечатки глаз — сосудистые узоры в глазных белках, также используя для этих целей технологию машинного обучения.

BioCatch: Лидирующий поставщик поведенческой биометрики, аутентификации и решений по обнаружению вредоносного ПО для мобильных и веб-приложений. Банки и онлайн-магазины используют Biocatch для избежания связанных с рискованными транзакциями конфликтов и защиты пользователей от киберугроз, таких как захват аккаунтов, браузерных троянов и атак с получением удаленного доступа.

KFL Capital: Компания специализируется на анализе финансовых закономерностей и ценовых колебаний и поиске наиболее прибыльных из них. Для этих целей KFL Capital применяет машинное обучение, алгоритмы прогнозирования, статистические методы и мощные вычислительные компьютеры.

Сеть машинного обучения MasterCard, сорвавшая атаку на банкоматы


Отдельного внимания заслуживает новость о технологии машинного обучения платежного гиганта MasterCard, позволившая оперативно взять под контроль 3 отдельных кибератаки, направленные на сеть банкоматов, ограничив общий урон примерно до 100 тысяч долларов в каждом из случаев.

Система мониторинга операций, также включающая в себя инструменты визуализации, зафиксировала три атаки, произошедшие, по данным MasterCard, в январе-феврале 2016.

Глобальная система Safety Net, запущенная в прошлом году, анализирует более 1.3 миллиардов операций с участием дебетовых и кредитных счетов MasterCard, мерчантов и банкоматов в день. Для этого система применяет алгоритмы оценки поведения клиентов в реальном времени.

image
Схема кибератаки 2013 года, начавшейся в одном из банков ОАЭ и в американской компании, занимавшейся процессингом данных по кредитным и дебетовым картам.

Система обнаружения мошенничества MasterCard Safety Net распознала активность, охватившую более 300 банкоматов в 26 странах. Тогда в течение 11 часов преступники попытались снять более 40 миллионов долларов. Красными кругами обозначены банкоматы, желтыми — интенсивность атак.

В трех упомянутых ранее атаках, направленный против двух банков США и одного банка в Южной Америке, Safety Net идентифицировала аномальное поведение, такое как снятие большой суммы наличных или совершение операций за пределами привычной для тех счетов географической области. Как описал ситуацию Аджай Бхалла, президент компании по решениям корпоративной безопасности, MasterCard уведомил банки и отклонил операции, ограничив убытки суммой менее 100 тысяч долларов в каждом отдельном случае. Компания отказалась назвать банки, на которые была направлена атака, сославшись на договор о неразглашении информации.

Мнения о возможностях машинного обучения в финтехе


Специалист по анализу данных в крауд-экспертном проекте для финансовых рынков Sentifi:
В числе прочего машинное обучение используется для «крауд-сбора» информации о состоянии финансовых рынков. Идея состоит в том, что «толпа», представленная как экспертами самых разных областей знаний, так и дилетантами, может за счет этого разнообразия мнений предоставить ценную информацию. Цель этого подхода — получение аналитики о том, что думают широкие слои населения об определенных компаниях и их действиях, рынке акции и других, связанных с финансами предметах.

Полезные идеи извлекаются из «сознания толпы» путем масштабного «майнинга» информации из социальных сетей, блогов и газет. В силу естественной беспорядочности и отсутствия структуры в получаемых таким образом данных, специалистам необходимо применять машинное обучение, обработку естественных языков и распознавание изображений для извлечения из них пользы.

Чаще всего для принятия решений инвесторы пользуются техническим и фундаментальным видами анализа. Технологии же «крауд-сбора» информации позволяют добавить третий компонент — социальный анализ финансовых рынков — и использовать всю возможную совокупность данных для улучшения процесса принятия решений.

Более того, это способ позволяет демократизировать информационный поток, поскольку хорошим пониманием ситуации зачастую обладает не только группа отдельных экспертов (которые нередко оказываются и не экспертами вовсе).


Финтех-предприниматель, специализирующийся на робоконсультировании и искусственном интеллекте:
Сегодня в индустрии роботизированных финансовых советников оценка рисков и персонального профиля клиента происходит на основе опросника из 10 пунктов с несколькими возможными вариантами ответов. А теперь сравните этот подход с другим, в котором мы применяем «большие данные» для распознавания изображений, например, рекуррентные нейронные сети для определения объектов и сравнения их с усредненными графическими образами, или обработку естественных языков для понимания того, как люди выражают свою индивидуальность через тексты в социальных сетях. Представьте, что все это будет использовано для составления персональных характеристик клиентов, позволяющих получить целостный взгляд на их личные финансовые потребности и цели. Это и есть тот потенциал новых технологий, который так привлекает отрасль и может быть в равной степени применен для открытия счетов, CRM или финансового планирования.

IT-специалист Housing.com, поведенческие финансы:
Как может рост или падение рынка быть результатом слухов? Почему на рынке акций наблюдается «эффект января»? Как могут природные катаклизмы и новости влиять на ценовые движения акций? За ответами на эти вопросы исследователи обращаются к научной дисциплине под названием поведенческие финансы. Она предполагает, что все индивиды действуют иррационально, а аномалии есть не что иное, как результат накопления и сложения особенностей поведения рациональных и иррациональных агентов. Поэтому специалисты применяют байесовские сети и другие техники для моделирования процессов принятия решений и выявления систематических ошибок.

Профессор бизнес школы Баптистского Гонконгского Университета Кин Лам вместе с группой ученых представил количественный псевдобайесовский подход к моделированию поведения инвесторов. Ученые создали модель, учитывающую настроения инвесторов и сопоставляющую их практические решения с потрясением от изменений на рынке акций.


Сотрудник Amazon.com, специализирующийся на программировании и машинном обучении:
  • Определение кредитного рейтинга заемщика, желающего оформить заём или ипотеку на основе его активности в социальных сетях, истории финансовых операций и других подобных факторов. Здесь чаще всего применяются технологии управляемого обучения, такие как нейронные сети.
  • Оптимизация портфелей. Здесь применение находят линейное и нелинейное программирование, стохастический градиентный спуск и генетические алгоритмы.
  • Предоставление наиболее уместных ответов на вопросы, связанные с финансовым планированием. Здесь используется обработка естественных языков и графы знаний.
  • Автоматизация процесса выкупа и размещения ценных бумаг (так называемый андеррайтинг)
  • Системы автоматизации классификации и распределения финансовых документов.

Как алгоритмы помогут компаниям победить в конкурентной борьбе:


Сегодня инвесторы и заемщики со всех регионов мира ищут технологии, способные принимать решения за доли секунды, так как ускорение этого процесса гарантирует победу в гонке за первенство на рынке. Применение искусственного интеллекта, машинного обучения и других подобных технологий позволит компаниям в считанные секунды интерпретировать огромные массивы данных, накопленные в течение нескольких лет. Независимо от того, идет ли речь о торговле акциями, кредитовании или выявлении мошенничества, распознавание сложных закономерностей — один из ключей к успеху для любой финтех-компании. Чтобы снизить риски, алгоритмы могут быть очень полезны для предварительного экспериментирования и оценки сценариев.

Новые алгоритмические технологии уже здесь, и благодаря им компании получили возможность коренным образом изменить свои ценностные предложения для клиентов. У финтех-компаний, воспользовавшихся алгоритмами в ближайшем будущем, есть все шансы на голову превзойти своих конкурентов.

Продолжайте следить за обновлениями блога процессинговой компании PayOnline и оставайтесь в курсе технологий, меняющих финансовые рынки.

Комментарии (0)

© Habrahabr.ru