Kuru mallar | Üç yıl içinde Stanford CS Doktora derecesi almış bir girişimci olan Li Jiwei: Yapay zeka finansmanı nasıl güçlendirir
Yapay zeka; finans, hukuk ve tıp gibi geleneksel alanlarla yakından ilişkilidir.Fintech, kamuoyunun algısını benzeri görülmemiş bir hızla değiştiriyor.Bu, yalnızca geleneksel finans endüstrisinin dönüşümünü ve yükselmesini sağlamakla kalmadı, aynı zamanda birçok yeni finansal formatı da doğurdu. Bu Tsinghua Big Data "Technology · Frontier" konferans serisinde, finansal verilerin, yapılandırılmamış finansal verilerin yapılandırılmış finansal verilerinin ve finansal varlıkların kullanıcı portrelerinin edinilmesinde yer alan Shannon Technology CEO'su Dr. Li Jiwei'yi davet etmekten onur duyuyoruz. Herkes yapay zekanın finansmanı nasıl güçlendirdiğini paylaştı.
Sahne arkası özel mesaj yanıt anahtar kelimesi "AI Finans" PPT tam metnini indirin
Li Jiwei:
Bugün sizlerle konuşma, görüntü ve doğal dil işleme gibi yapay zeka yöntemlerini ve bilgilerini finans alanında nasıl uygulayacağımı tartışabildiğim için çok şanslıyım.
Bilgi patlaması çağında, finansal uygulayıcıların sayısı ve iş yükleri yıldan yıla artmaktadır. Uygulayıcıların ihtiyaç duydukları bilgileri birçok kanaldan doğru ve hızlı bir şekilde elde etmeleri ve buna uygun kararlar almaları özellikle önemlidir. Bunların arasında, bilgiyi bulmak ve bilgiye dayalı işlem kararları vermek, AI'daki farklı uygulamalara karşılık gelir.
Finansal uygulamaların doğrudan tezahürü, hisse senetleri, hazine bonoları, krediler, sabit gelir, öz sermaye yatırımları, devlet fonları, emtialar, finansal türevler vb. Bunlar, borsaya kayıtlı şirketlere karşılık gelen hisse senetleri gibi finansal varlıkların taşıyıcılarıdır. Bir hisse senedinin yükseliş veya düşüşünü tahmin etmek istiyorsanız, en önemli şey, şirketin gelirini, geçmişini, operasyonlarını ve genel çevredeki ülkenin finansal eğilimlerini içeren, arkasındaki finansal varlığa ne olduğunu anlamaktır. Aslında, farklı finansal kuruluşların kullanıcı portrelerini, yani onlara ne olduğunu ve bu bilgilerin nereden alınacağını içerir.
İşlem türü, finansal varlıkları ve müşterileri birbirine bağlar. Finansal açıdan bakıldığında, tüm süreci düzenli, uygun, zamanında ve doğru hale getirmek için gerekli bilgileri çok çeşitli veri kaynaklarından çıkarmamız gerekir. Teknik açıdan bakıldığında, yapay zeka teknolojisinin uygulanması görüntü ve doğal dil işlemeyi içerir. Hizmet açısından bakıldığında, ne tür bir hizmetin sağlandığı, kullanıcı ihtiyaçlarına bağlıdır.
Daha sonra teknoloji ve iniş senaryolarının kombinasyonunu tartışacağız. Finansal bilgilerden yoksun değiliz, ancak istediğimiz verileri elde etmek zordur. İnternette gizlidirler ve kullanılabilirlik daha karmaşıktır.PDF'yi, fotoğrafları, tabloları vb. Metin verilerine geri yüklemek için algoritmalar kullanmak gibi yapılandırılmamıştan yapılandırılmışa geçmemiz gerekir. Mevcut genel çözüm, önce PDF'yi bir görüntüye dönüştürmek ve ardından görüntüde gerekli metni veya tabloyu elde etmek için görüntüyü analiz etmektir.
Bu çok sayıda diyagram ve metin tanıma içerir. Bir örnek alın, PDF'deki bir tabloyu Excel formatına dönüştürün. Görüntü işleme perspektifinden bakıldığında, ilk adım PDF'yi bir görüntüye dönüştürmek, önce yeri bir tablo gibi çıkarmaktır. İkinci adımda, alan elde edildikten sonra görüntü kırpılır ve ardından görüntü işleme kullanılır. Tablonun konumunu PDF'den çıkarmak hala nispeten karmaşık bir süreçtir ve tablonun bağlamı gibi çok fazla veri gerektirir.
Tablo alanı açıldığında, hücrelerin ve hücrelerin metninin belirlenmesi gereklidir.Ayrıca hücreler, daha karmaşık algoritmaların kullanılmasını gerektiren çok sayıda birleştirme durumları da içerebilir. Karışık karakterlerden kaçınmak için ana çözüm, onu doğrudan bir görüntüye dönüştürmektir.
Bilgi çıkarma yöntemlerini kullanarak mevcut olmayan bilgileri kullanılabilir hale getirebiliriz. Metin bilgilerini doğrudan yapılandırılmış verilere dönüştürmek için basit ve sezgisel bir algoritma kullanın. Örneğin, belirli finansal veri göstergeleri modeller veya algoritmalar aracılığıyla otomatik olarak geri beslenebilir.
Doğal dil işleme algoritmalarını içeren modlardan biri, Sıra ek açıklaması CRF tabanlı bir model kullanabilirsiniz. CRF bir dize verir ve dizenin alt dizesinin bir veya birkaç farklı göstergeye karşılık gelip gelmediğini seçebilirsiniz. Sıra etiketleme ve soru cevaplama algoritma seviyesinde farklı şekillerde ele alınır.İki model tutarlı sonuçlar verirse, karşılık gelen cevabı bulduğumuzu düşünüyoruz.
Algoritma seviyesinden, Kim nerede , Ne yaptın . Arkasındaki algoritma göreceli olarak karmaşıktır. Nedeni "ne yapıldığında" yatmaktadır. İnsanların yapabileceği o kadar çok şey vardır ki, bu farklı türdeki olayları öğrenmeye veya denetimli öğrenmeye dayalı bir sistem çerçevesinde kümelemek zordur.
Ayrıca eşyalar aynı kategoriye girseler bile iyi ve kötü noktalar vardır. Büyük miktarda işaret verisi elde etmek bizim için zordur, ne bu olayları tam olarak tanımlayabiliriz ne de çok net işaretleme kuralları önerebiliriz. Etiketleme olmadığında, eğitim verisine sahip değiliz ve eğitim verileri olmadan, denetlenen türlere dayalı modelleri eğitmek zordur.
Arkasındaki algoritmaya "döngüdeki insan" deniyor, tüm algoritma bir çember haline getirilirse, insanlar buna sürekli müdahale edecek.
İlk adım, tüm makalenin ve içindeki sözcüklerin, cümlelerin ve sözdizimsel yapının denetimsiz olarak kümelenmesini sağlamaktır. Kelime vektörlerine dayalı LDA, PLSA veya LDA gibi. Ancak, denetimsiz kümeleme algoritmaları bazen güvenilmezdir ve kategorinin anlamlı olup olmadığını anlamak için manuel olarak etiketlenmeleri gerekir.
Önceki ek açıklamaları temel alan ikinci adım, açıklama sonuçlarını modelle birleştirir , Başka bir denetimsiz kümeleme çalıştırabilirsiniz. Bu yolu sürekli tekrar ederek, model yinelemesinin sonucu daha iyi ve daha iyi hale gelecektir.Yapay olarak etiketlenen eğri ve modelin oluşturduğu eğri kademeli olarak yaklaşmaya başlayacak ve farklı algoritmaların gerçek kategorileri elde edilebilecek. Algoritma perspektifinden bakıldığında, bu yaklaşım büyük ölçekli insan açıklamalarının maliyetini ortadan kaldırır.
Ek olarak, uygulama yöntemi ayrıca ses benzerliği analizi, hedef tespiti ve kullanıcılar için hizmet yöntemlerini içerir.
Birçok uygulama senaryosu var. İlk örnekte, Afrika ülkelerinde ulusal borç satın aldığımızı varsayıyoruz. Afrika ülkelerinin makroekonomik verileri ya ifşa edilmiyor ya da yanlış raporlar var. Net göstergeler bulmak zor. Çok sayıda uydu bulut görüntüsü gibi yapay zeka uygulayabiliriz. 2016 "Nature" dergisindeki ilgili makale, ülkenin Gayri safi yurtiçi hasıla, ulusal koşullar, insanların yaşam standartları ve hatta ülkenin ışıklarının geceleri parlaklığının belli bir ilişkisi var, buna benzer bir durumu ortaya koyup GSYİH ve TÜFE'nin makro analizini yapabiliriz.
İkinci örnek, bir şirketin risk profilidir. KOBİ'lerin sağladığı kredi teminatı ve vergi kaçakçılığı konusunda ölçmemiz gereken iki boyut var, biri KOBİ'lerin kredi verirken talep ettikleri gelir, diğeri ise işletmenin ödediği verginin bulunabilmesi.İşletme tarafından ödenen vergi bu yılın yaklaşık değerini hesaplamak için kullanılabilir Gelir. İnternetten çok sayıda farklı veri boyutu bulun, örneğin şirket hukuki işleri, personel, endüstri kullanıcı portreleri, vb. Tanımlanabilir.
Teknik araçları uygulama senaryoları ile birleştirerek ve çok sayıda veri kaynağından anlamlı bilgiler çıkararak, finansmanı güçlendirmek için büyük miktarda bilgi sistemi ve bilgi sağlayabiliriz.
Sahne arkası özel mesaj yanıt anahtar kelimesi "AI Finans" PPT tam metnini indirinNot: Veriler herkese fayda sağlamak için veriliyor, mükemmel bir küçük kardeş işe alıyor ve ilgilenen arkadaşlar hızla özgeçmişlerini bırakıyor!
Sosyal işe alım / okul işe alım / staj pozisyonu- Arka uç geliştirme mühendisi
- Doğal Dil İşleme (NLP) Mühendisi
- Yapay görme mühendisi
- Ön uç geliştirme mühendisi
- İşletme ve Bakım Mühendisi
- Paletli mühendisi
- Finansal Veri Analisti
- Sektör araştırmacısı
İşe özel bilgiler:
1. Arka uç geliştirme mühendisi
İş sorumlulukları:
1. Arka uç altyapısı ve Ar-Ge;
2. Dağıtık algoritmaların tasarımı ve uygulaması;
3. Yüksek performanslı web sunucusu geliştirme
4. Otomatik izleme, AIOps çerçeve geliştirme
5. Çevrimiçi iş sistemi, günlük sistemi ve otomatik test platformunun tasarımı ve uygulaması;
iş gereksinimleri:
1. Bilgisayar bilimleri alanında önemli bir üniversitede lisans derecesi veya üstü;
2. Golang / Python'da Usta;
3. Linux işletim sistemi ilkelerine aşina;
4. İyi bir veri yapısı ve algoritma temeline sahip olmak;
5. MySQL / PostgreSQL, Redis, mesaj kuyruğu, ELK vb. Gibi yaygın bileşenlere aşinadır ve özelleştirilmiş iyileştirmeler yapma becerisine sahiptir;
6. Yüksek eşzamanlılık ve büyük kapasiteli veri hizmetlerinin tasarımında ve uygulanmasında deneyim tercih edilir ve iyi ürün bilinci tercih edilir.
2. Doğal dil işleme (NLP) mühendisi
İş sorumlulukları:
1. Finansal metinler için NLP algoritmalarını tasarlayın ve optimize edin;
2. Model eğitimi ve testi için metin veri setlerini kullanın;
3. Ürün performansını iyileştirmek için en son algoritmaların kullanım senaryolarını çıkarmak.
iş gereksinimleri:
1. Bilgisayar bilimleri alanında önemli bir üniversitede lisans derecesi veya üstü;
2. Etiketleme, ayrıştırma gibi doğal dil işleme çerçevesine hakim olun;
3. Makine öğrenimi ve derin öğrenmenin temel teorik bilgilerinde ustalaşın;
4. Python, C ++, Java'dan en az birine aşina;
5. Mühendislik geliştirme deneyimi tercih edilir.
3. Makine Görme Mühendisi
İş sorumlulukları:
1. Son teknoloji makine görüş algoritmalarında ustalaşın ve ürünlere göre performansı optimize edin;
2. Görüntü tanıma algoritmalarını tasarlayın, uygulayın ve optimize edin;
3. Görüntü tanıma, OCR, büyük ölçekli görüntü sınıflandırması vb. Konulara katılın.
iş gereksinimleri:
1. Bilgisayar bilimleri alanında önemli bir üniversitede lisans derecesi veya üstü;
2. En yeni görüntü tanıma algoritmalarını anlayın ve kullanın
3. C ++, python veya java'dan en az birine aşina
4. Master TensorFlow veya Pytorch
5. İyi bir mühendislik gerçekleştirme becerisine sahip ve gerçek ürünlerde algoritmalar uygulayabilme
4. Ön uç geliştirme mühendisi
İş sorumlulukları:
1. Web ön uç sisteminin geliştirilmesine, hata ayıklamasına, konuşlandırılmasına ve bakımına katılın;
2. Ön uç mimarinin tartışılmasına ve tasarımına katılın, teknik çerçeveyi yineleyin;
3. Ön ve arka veri etkileşim arayüzünün tasarımına katılın;
4. Verileri görselleştirmek için UI tasarımcılarıyla işbirliği yapın.
iş gereksinimleri:
1. Bilgisayar bilimleri alanında önemli bir üniversitede lisans derecesi veya üstü;
2. Yaygın sayfa düzeni modellerine aşina olan HTML5, CSS3, ES6 gibi ana web geliştirme teknolojileri (tarayıcı uyumluluğu işleme tercih edilir)
3. vue.js çerçevesi veya diğer popüler çerçeveler (açısal, tepki), web paketi gibi ana node.js tabanlı geliştirme araçlarında uzmanlaşın;
4. Mobil artı terminal geliştirme, veri görselleştirme geliştirme ve web sitesi performans optimizasyonunda deneyim tercih edilir.
5. İşletme ve Bakım Mühendisi
İş sorumlulukları:
1. İşletim ve bakım sisteminin mimari tasarımı ve geliştirilmesinden sorumlu, işletim ve bakım sistemini optimize etmeye ve işletim ve bakım verimliliğini artırmaya devam etmek;
2. Hızlı yanıt elde etmek için izleme ve alarm sistemini kurmak ve iyileştirmek;
3. Şirket ağ güvenliği, küme yönetimi ve paas platformunun yapımından sorumludur.
iş gereksinimleri:
1. Python, Shell, Go ve diğer dillerde yeterlilik, işletim ve bakım araçlarını bağımsız olarak geliştirebilen;
2. Zabbix, Ganglia, Prometheus, vb. Gibi genel işletim ve bakım araçlarının yapılandırmasını, yönetimini ve kullanımını anlamak;
3. MySQL'in işletim mekanizmasını ve sistem mimarisini derinlemesine anlayın ve MySQL'in aktif ve yedek yüksek kullanılabilirlik çözümlerini, felaket kurtarma ve yedeklemeyi bağımsız olarak uygulayabilme;
4. Redis, Kafka, Mongodb, Elasticsearch, vb. İçin küme dağıtımına ve yönetimine aşina;
5. Docker ve K8S ile ilgili uygulama, işletim ve bakım deneyimi ile mikro hizmet mimarisine aşina;
6. Gitlab, Jenkins ve diğer açık kaynak araçlarına dayalı olarak kod yönetimi ve sürekli entegrasyon ortamı oluşturabilir.
6. Paletli Mühendisi
İş sorumlulukları:
1. Dağıtılmış tarayıcı sisteminin geliştirilmesinden ve bakımından sorumludur.
2. Tarayıcı çerçevesinin geliştirilmesinden ve bakımından sorumlu.
3. Tarayıcı temel algoritmasının ve planlama stratejisinin optimizasyonuna katılın.
4. Web sayfalarından verileri çıkarın, temizleyin, dönüştürün ve saklayın.
5. Tarayıcı ilerlemesinin gerçek zamanlı izlenmesi ve uyarı geri bildirimi.
iş gereksinimleri:
1. Büyük üniversiteler, lisans ve üstü öğrenciler alır.
2. C / C ++, Python, Java ve Go'dan en az birinde yeterlilik.
3. HTML ve JavaScript gibi ön uç teknolojilere ve HTTP ve TCP / IP gibi protokollere aşina.
4. Sağlam veri yapısı ve algoritma temeli.
5. İyi takım çalışması ruhu ve güçlü iletişim becerileri.
6. Yeni bilgiler öğrenmede iyi, mükemmel problem analizi ve problem çözme becerileri ve zorlu problemleri çözme tutkusu.
7. Finansal Veri Analisti
İş sorumlulukları:
1. Her türlü veriyi toplayın ve her türlü verinin arkasındaki ekonomik ve finansal anlamı anlayın;
2. Veri etiketleme ve veri etiketleme standartları ve spesifikasyonlarını formüle etmekten sorumludur.
iş gereksinimleri:
1. Önemli üniversitelerde tam zamanlı lisans derecesi veya üstü;
2. Ekonomi, finans, yönetim, muhasebe ve diğer iş dalları tercih edilir;
3. Çalışmayı ciddi ve sorumlu bir şekilde ele alın, verileri titiz ve dikkatli bir şekilde ele alın;
4. Finans sektörü ile ilgilenir ve menkul kıymetler piyasası hakkında temel bilgilere sahip olur.
8. Sektör Araştırmacısı
İş sorumlulukları:
1. İlgili endüstriler ve borsada işlem gören şirketler hakkında derinlemesine araştırmaları sürekli takip edin ve yürütün, endüstri trendini ve döngü işlem trendini kavrayın ve hisse senetlerinin yatırım değerini değerlendirin;
2. Şirketin çekirdek algoritma departmanına bağlanmak, ikincil pazar için ürün gereksinimleri ve yatırım araştırma mantığı sağlamak ve şirketin ürünlerinin içeriğini ve işlevlerini sürekli olarak zenginleştirmek.
iş gereksinimleri:
1. Önemli üniversitelerde tam zamanlı lisans derecesi veya üstü;
2. Menkul kıymet şirketlerinde, fon şirketlerinde ve sigorta varlık yönetiminde ikincil piyasa deneyimine veya staj deneyimine sahip olmak;
3. Güçlü bilgi toplama yeteneğine, analiz ve muhakeme yeteneğine, iletişim becerilerine ve iyi bir ekip çalışması ruhuna sahip olmak;
4. Menkul kıymet yeterliliği, fon yeterliliği, CPA, CFA, vb. Yeterlilik sertifikaları tercih edilir.
Yayınlanma yöntemini devam ettir Okul işe alım çevrimiçi başvuru süresi: 2018.9.1-2018.10.15 Teslimat posta kutusu: hr@shannonai.com posta başlığı: Pozisyon-Kurum-Adı-Telefon Numarası (lütfen özgeçmişinizi PDF formatında gönderiniz)-- Bitiş --
Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
