Внедрение искусственного интеллекта за последние несколько лет увеличилось в геометрической прогрессии, и многие компании в определенной степени начали работать с ИИ. Несмотря на то, что в финансовой индустрии многие утверждают, что используют ИИ как часть повседневных бизнес-операций, существуют явные препятствия, которые необходимо преодолеть, если мы хотим более широко интегрировать ИИ в отрасль и играть в ней более продуктивную роль. Некоторые из основных проблем для более широкой адаптации ИИ в финансовой отрасли: 1. Отсутствие пригодных для использования финансовых данных 2. Сложность прозрачности и объяснимости ИИ (XAI).  Полностью осознавая проблемы, препятствующие адаптации ИИ в сфере финансов, Qraft Technologies смогла разработать решения, которые могут в полной мере использовать преимущества ИИ, несмотря на существующие проблемы.  Может показаться оксюмороном предположение, что для работы искусственного интеллекта недостаточно финансовых данных.

Тем не менее, это, безусловно, так. По данным New York Times, количество времени, которое специалисты по данным тратят на сортировку неверных данных, процесс, который они называют «обработкой данных», составляет от 50 до 80% всего их рабочего времени [1] . В шокирующем исследовании IBM подсчитала, что недобросовестные данные обошлись американским компаниям в 3,1 триллиона долларов в 2016 году [2] . Это возможно, поскольку статья в Harvard Business Review предполагает, что выполнение работы, в которой данные неполноценны или отсутствуют в той или иной форме , обходится в 10 раз дороже [3] . Независимо от того, является ли ввод данных неполным из-за человеческой ошибки или небрежности, проблема является безудержной и ее трудно решить. Начало новой эры науки о данных также привело к появлению «зашумленных данных». Зашумленные данные относятся к точкам данных, количество которых увеличилось за последнее десятилетие, но которые необходимо отсортировать из-за их низкой ценности.

Поскольку сейчас существует так много точек данных, метрики, основанные на этом шуме, также получили распространение. Шумные данные могут возникать из-за того простого факта, что в наш век «больших данных» данные создаются только ради самих данных. Одной из иллюстраций последствий отсутствия пригодных для использования данных могут быть трудности финансового моделирования. При создании функций, особенно изображающих нелинейные отношения, основная проблема, которая возникает, — это проблема переоснащения или недообучения. Переобучение относится к тому факту, что отношения и корреляции, сделанные с существующими данными (данными обучения), могут не сохраняться, когда вводятся новые точки данных (данные тестирования). Он предполагает низкую предвзятость (из-за его успеха с обучающими данными), но высокую дисперсию результатов (поскольку у него есть трудности с проверкой данных). Недообучение происходит, когда невозможно найти поддающуюся проверке четкую взаимосвязь с существующими данными.

Это означает высокую предвзятость и высокую дисперсию результатов. Таким образом, в ИИ нельзя просто добавить какие-либо данные, и он не может обучаться при недостаточном количестве данных. Как мы можем справиться с этой ситуацией? Это тот момент, когда финансовые эксперты могут заполнить пробелы. Они могут вводить данные в скорректированных формах, используя финансовые знания и понимание, чтобы дополнить недостающие данные с помощью условного исчисления, моделирования или любого другого метода, который имеет смысл.  Kirin API от Qraft [4] — первый важный шаг, который используется для решения проблемы некачественных данных. Это может сократить количество часов, затрачиваемых на предварительную обработку финансовых данных, за счет устранения различных предубеждений, которые могут исказить данные. Он может легко сортировать данные по конкретным инвестиционным вселенным, предоставляя лицам, принимающим решения, простой способ фильтровать данные по запросу.

Эта способность может позволить менеджерам-людям легко видеть тенденции и идеи, которые данные могут отображать при формулировании их стратегий. Благодаря этой поддержке мы можем лучше использовать ИИ, машинное обучение и глубокое обучение. Другими словами, текущая роль ИИ в управлении активами заключается в том, чтобы быть инструментом, используемым управляющими активами, помогая им оптимально реализовать свою интуитивно понятную стратегию с масштабируемостью. Одно из самых больших препятствий, которое предстоит преодолеть ИИ, — это классическая проблема, с которой сталкиваются многие технологии, меняющие парадигму, — проблема объяснимости.  Это особенно верно в отношении разработок, касающихся ИИ, из-за его сложной природы. В своем прогнозе по бизнесу и финансам на 2021 год [5] ОЭСР выделила «загадку объяснимости» как одну из основных проблем, с которыми сталкивается внедрение ИИ в финансах. Это подчеркивает разрыв в технической грамотности между многими из тех, кто работает в сфере финансов, в способности понимать и объяснять потребителям, а также разрыв, который существует для регулирующих органов и законодателей, которым необходимо создать руководящие принципы, чтобы убедиться, что ИИ используется с соблюдением этических норм.

Альфа-фабрика Qraft, состоящая из фабрики факторов [6] и фабрики стратегий [7] , может решать как проблемы некачественных данных, так и объясняемость ИИ, поскольку позволяет человеческому вводу заполнить пробелы, существующие в финансовых данных, а также дать люди имеют право голоса в создании портфолио. Это позволило бы менеджерам-людям влиять, выбирая такие факторы, как, помимо прочего, инвестиционная вселенная, цели, горизонт и особенности. Таким образом, менеджеры-люди будут иметь последнее слово и, таким образом, позволят менеджерам самим ответить на причины, по которым они приняли те или иные решения, сняв некоторые проблемы, связанные с объяснимостью и подотчетностью ИИ. Полный черный ящик будет неприемлем для многих заинтересованных сторон, уступив место необходимости большей прозрачности. Некоторые утверждают, что «черный ящик», созданный ИИ, ничем не отличается от того, что создается сложными математическими финансовыми моделями. В какой-то степени это верно, но с другой стороны, поскольку некоторые модели ИИ вообще не поддаются объяснению. В некоторых юрисдикциях (Германия) необъяснимые модели ИИ запрещены.

Но это также должно быть сбалансировано с необходимостью защищать ИС и помнить о том, чтобы не ограничивать инновации ограничениями объяснимости. Одно из решений исходит от ОЭСР в виде «Принципов ИИ ОЭСР» [8] , которые в целом продвигают более ориентированный на человека подход к ИИ, в котором люди остаются лицами, принимающими окончательное решение. Учитывая раннюю стадию этой многообещающей технологии и участие различных заинтересованных сторон, еще неизвестно, будет ли в ближайшем будущем согласована всеобъемлющая структура. Тем не менее, потребуется некоторая общая структура, если ИИ хочет реализовать свой потенциал в финансовой индустрии. .