Zhirong Group'un CTO'su Qi Peng, ayrıntılı analiz: Yapay zeka finans alanındaki zayıf verilerle nasıl başa çıkıyor?CCF-GAIR 2017
Leifeng.com haber, 7-9 Temmuz tarihleri arasında Leifeng.com'un ev sahipliğinde ikinci CCF-GAIR Küresel Yapay Zeka ve Robotik Zirvesi Shenzhen'de düzenlendi. İkinci günkü finansal teknoloji oturumunda, Zhirong Group CTO'su Qi Peng, "AI + Finans Uygulaması ve Hayal Gücü" konulu bir konuşma yaptı. Qi Peng, Baidu'nun web arama departmanının teknik müdürü ve AutoNavi iş departmanının başkan yardımcısıydı, şimdi ise Zhirong Group'un CTO'su.
Lei Feng.com tarafından derlenen konuşmasının tam metni aşağıdadır:
İkinci soru: "Yapay zeka nedir?"
Yapay zeka nedir? Herkesin kendi anlayışı vardır. Bugünkü finans oturumunda finans uzmanları ve yapay zeka uzmanları yer alıyor, o zaman en basit örnekle başlayalım mesela kedi nasıl tanımlanır? Geleneksel olarak, bir kediyi tanımlamak için bir insanın kuralları tanımlaması gerekir ve ardından makine onu uygular. Bu süreçte, otomatik görüntü tanıma elde etmek için kedi anahattı, doku, renk vb. özelliklere ihtiyacımız olabilir ve bu özelliklerden kurallar bulabiliriz. Ancak kedinin kulakları gizlenebilir ve sizden çevrilebilir ki bu durumda tanınmayacaktır.
Yapay zekanın ortaya çıkmasından sonra yeni teknik imkanlarımız var. . Yapay zekanın bir problemi işleme süreci, bir problemin matematiksel tanımımıza eşdeğerdir ve daha sonra makine, ilgili göze çarpan özellikleri bulmamıza ve bir resimde bir kedi olup olmadığını kanıtlayabilecek belirgin bir temel bulmamıza yardımcı olur.
Yapay zeka, insanların ve bilgisayarların etkileşim şeklini değiştiriyor , Öncelikle problemin ne olduğunu, problemin karmaşıklığını netleştirmemiz ve karmaşık problemin tanımını bulmamız gerekiyor.Bu matematiksel açıklama için büyük verilere dayalı olarak fonksiyon açıkça tanımlanmıştır. Bunlar arasında, bu sorunları tanımlamak için ne tür işlevlerin kullanıldığını açıkça tanımlayabilen, tekrarlanan yineleme ve özel parametre ayarlama yoluyla bazı teorik yöntemler vardır. Yapay zekada farklı modellere karşılık gelen sözde fonksiyon, derin öğrenme modeli olabilir ama aslında bir sinir ağıdır. Bir sinir ağındaki farklı bağlantılar, karmaşık problemlerin ne kadar iyi çözülebileceğini belirler. Örneğin, doğrusal bir model kullanırım ve sonra sorunun hangi düzeyde karmaşıklık çözebileceğine karar veririm ve sonra sorunu tanımlamak için hangi matematiksel işlevi kullanacağıma karar veririm.
Yapay zeka tam olarak nedir?
Her şeyden önce, sorun nedir? Ve bu sorun nesnel dünyadaki verilerle ifade edilir. Veriler biri öznitelik diğeri örneklem olmak üzere iki kısma ayrılır. Bu iki veri parçası, gerçek dünyayı anlamamızın üst sınırını belirler, ancak bu üst sınır asla aşılamaz. Yapay zeka denilen şey, sorunu tanımlayacak bir fonksiyon bulmaktır.Tanımlama süreci uygundur ve tahmin, örnek verilere dayalı olarak yapılır.Peki, tahminin etkili olması nasıl sağlanır? Problemin aynı tip problem olduğu açıktır ve örneklem genişledikçe, yerel dünyanın örneklemesi gerçek dünyaya daha yakın hale gelecek ve veri tahmini giderek daha etkili hale gelecektir.
İkinci olarak, senaryonun ne olduğunu düşünün? Çin'de finans, az sayıda insanın finansmanıdır.Finansal riskleri tahmin etmek için bazı modern yöntemler vardır.İlk şey, verilerin eksiksiz ve yeterli olduğunu ve veri kapsamı doğruluğunun yüksek olduğunu teyit etmektir. Ancak çoğu Çinli şirketin böyle bir verisi yok.Mobil internetin ortaya çıkmasıyla birlikte, giderek daha fazla yetenek dijital sinyallerini ve dijital izlerini İnternet'te sunuyor. Bu nedenle yapabileceğimiz şey, kişilerin bazı tanımlayıcı bilgilerine dayanarak kişisel finansal risk kanıtlarını değerlendirmektir. Bu, geleneksel finans kurumlarıyla aynı miktarda veriyle uğraşmadığımız ve verilerin ürettiği değerin aynı olmadığı anlamına gelir. Geleneksel finansın verileri mantıksal olarak taranan verilere dayanmaktadır, zayıf özellikli verilere geleneksel finans tarafından hizmet edilemez ve temeli zayıf özellikli verilerden bulabiliriz.
Sonuç olarak, yaptığımız şey şudur: belirli bir kişinin mobil İnternet'teki veri sinyallerinden, bu kişinin finansal riskini destekleyebilecek farklı kanıtlar bulmak, bu kişi için uygun risk fiyatlandırması yapmak ve olup olmadığına karar vermek. bu insan grubu hizmet edilmeye layıktır. Bu süreç, veri temeli olarak hangi öğrenme nesnelerinin seçileceği ve sonuçların beklentilerle uyumlu olup olmadığına karar vermek için hangi hedeflerin seçileceği gibi birçok şeyi gerektirir. Biri numuneler için, diğeri özellikler içindir. Örnek için, bu veriler sorunun mevcut anlayışını belirler. Problemi anlamanın üst sınırına makine öğrenimi yöntemleriyle sonsuzca yaklaşılabilir.
Makine öğrenimi ayrıca derin öğrenme, doğrusal öğrenme yöntemleri, doğrusal olmayan öğrenme yöntemleri, denetimli öğrenme, denetimsiz öğrenme ve yarı denetimli öğrenme gibi farklı teknoloji seçimlerini de kapsar.Bu algoritmalar, farklı risk ve planlama boyutlarına sahip bir kişiyi fiyatlandırmamıza yardımcı olabilir. Ancak kurallarla gerçekten tanımlanabilen şey hala buzdağının görünen kısmı ve kapsamlı veriler bize daha değerli bilgiler getirebilir.
Finansal alanda "kediler" nasıl bulunur?
Yapay zekanın hızlı gelişimi hayatımızın her alanını etkilemiş ve arama, haber tavsiyesi, alışveriş gibi çeşitli yaşam senaryolarında faydalıdır. Bu teknolojiler hayatımızı derinden etkiledi.Tıpkı araba kullanmak gibi araba yapmamıza gerek yok ama araba kullanmayı anlamamız gerekiyor.Peki finans alanında yapay zeka hangi sorunları çözmemize yardımcı olabilir?
Yapay zekanın özü şudur: birincisi, öğrenmenin temeli nasıl belirlenir ve bulunur; ikincisi, güçlü bilgi işlem gücü gerektiren tüm temelin nasıl destekleneceği; üçüncüsü, veriler bana sorunun üst sınırının nerede olduğunu, nasıl olduğunu söyler. üst sınıra yaklaşabilir ve gelecekteki koşulları tahmin edebilir miyim.
Bu nedenle, esas olarak işin üç yönünü yapıyoruz.
Conan Özellik Mühendisliği-
İlk olarak, ham veriler, makinenin anlayabileceği bir veri işlemine işlenir. Örneğin benim bir motorum var ama motorun tipi farklı ve çalıştırma senaryoları farklı.Aynı zamanda farklı senaryoların motorun dayanıklılığı için farklı gereksinimleri, farklı enerji tüketim gereksinimleri ve farklı senaryolar var. başlangıç hızı gereksinimleri, yani farklı senaryolarda, farklı senaryolarda farklı sorunları çözebilecek etkili çözümler bulmak gerekir.
-
İkincisi, başka bir bakış açısıyla, özellik mühendisliği, verilerin değerini sürekli olarak araştırma sürecidir. Bu süreçte farklı yaklaşımlar göz önünde bulundurulur. Orijinal verilerin nasıl kapatılacağı, temizleneceği ve telafi edileceği; aykırı değerlerin nasıl bulunacağı; model uygulanırken bağımlı değişkenlerin ayarlanmasının nasıl sağlanacağı ve modelin nicel kabiliyetini sağlamak için akıllı indirgemenin nasıl yapılacağı.
24 aylık yinelemenin ardından ürünümüz, bir yargı temeli olarak kullanılabilecek ve bir kişinin yaşamının dijital sinyallerini mümkün olduğunca tanımlamamıza yardımcı olan 1.200'den fazla temel boyut özelliğine dokunabildi. Özellik mühendisliği ve öğrenme nesneleri ile, bir öğrenme kitabına sahip olmakla eşdeğerdir ve öğrenme kitabının bize getirdiği şey, buna karşılık gelen bilgidir.
-
Ele almamız gereken son soru, örnek tabanlı modelin ne kadar güvenilir olduğudur. Bu kısmen girdinin zenginliğine bağlıdır. Öğrenme girdisi zenginse, o zaman yapmamız gereken, nasıl iyi bir öğrenci olacağımız ve bunun arkasındaki bilgi ve verilerin değerini tam olarak nasıl algılayacağımızdır.
D-AI makine öğrenimi modeli
-
Her şeyden önce, verilerin kapsamını, verilerin doğruluğunu, verilerin boyutunu ve arkasındaki veriler ile problem arasındaki korelasyonu yargılamamız gerekir. Doğrusal olarak ilişkiliyse, doğrusal korelasyonun gereksinimlerini karşılaması gerekir ve özellikleri buna göre işlememiz ve işlememiz gerekir. Veri korelasyonunun doğrusal olmadığını fark ederseniz, sorunu doğrusal olmayan bir veri işleviyle nasıl tanımlayacağınızı düşünmeniz gerekir. Tüm veri fonksiyonları, bir model olarak adlandırabiliriz. Modellerden bahsetmişken, farklı problemler farklı çözümler ve karşı önlemler gerektirir.Bu nedenle, farklı veri kaynakları, farklı veri kalitesi ve farklı veri türleri için, farklı koşullar altında, sorunu tanımlayacağımız modeli seçmemiz gerekir.
-
Model seçildikten sonra üst sınıra yaklaşma sürecinde yani model iterasyonunda parametre ayarı yapılmalıdır.
-
Bir sonraki adım, bilgisayarların çok sayıda veriyle daha akıllı hale gelmesine yardımcı olmaktır. İnsanlar az miktarda veriyle akıl yürütebilir, ancak bir bilgisayarın az miktarda veriyle akıl yürütmesi imkansızdır, ancak büyük miktarda veriyle akıl yürütme tamamen yetkindir. Makine öğrenimi yöntemlerinin arkasındaki omurga, büyük verileri işleme yeteneğidir. Sözde büyük veri işleme, verilerin dışarıdan ve içeriden nasıl alınacağını ve ardından verilerin nasıl kalıcı hale getirileceğini içerir.
-
Son olarak, bilgi işlem desteği ve servis desteği nasıl yapılır.
Anubis büyük veri mimarisini oluşturduk, her karar 8 saniyede tamamlanabilir ve her karşılaştırmalı veri tabanı yeniden oluşturma işlemi çok hızlı bir şekilde tamamlanabilir.
Günümüzde yapay zeka şirketleri ile yapay zeka ve geleneksel şirketler arasındaki rekabet nedir? Bence kimin daha hızlı plan yaptığına bağlı. Kim daha hızlı plan yaparsa daha akıllı olur.
İşi daha iyi hale getirmem, daha yüksek kaliteli veriler üretmem ve yüksek kaliteli verileri işletmeye geri beslemem gerekiyor, böylece iş daha iyi yapabilir, bu da olumlu bir Matthew etkisi yarattı. Şirketin gelişmek için yeterli güce sahip olmasını, yeterince hızlı olmasını ve sektörde yenilmez bir konumda olmasını ancak bu şekilde sağlayabiliriz.
Tesadüfen, AI risk kontrol motorumuza "I.C.E." denir ve bunlar üç harften oluşur; Tanımlama için I, Hesaplama için C ve Değerlendirme için E. Yani, tüm veri örneklerinin ve performanslarının mümkün olduğunca çabuk nasıl toplanacağı, bu problemin matematiksel fonksiyon ifadesinin nasıl hızlı bir şekilde bulunacağı veya etkili bir şekilde nasıl bulunacağı ve gelecek için daha iyi tahmin yeteneğine sahip olunmasıdır.
Yapay zekanın finans alanında uygulanması
Yapay zeka finansal alana uygulandığında, geleneksel kurallara göre avantajları nelerdir?
İlk olarak, bazı ahlaki faktörlerin etkisinden kaçınır, kararsız öznel yürütme yeteneği faktörlerinden kaçınır ve çalışanlar için katı teknik gereksinimlerden kaçınır.Bu, daha iyi bir iş yapan bariz bir makinedir.
Biz büyük bir veri şirketiyiz.Yapay zeka sayesinde geleneksel kurumların hizmet edemediği insanlar için riski fiyatlayabiliyor, daha etkin bilgi topluyor ve böylece daha fazla veriye sahip oluyoruz.Teknik yeteneklerimizle birleştiğinde hızla şekilleniyoruz.Pozitif Matthew etkisi, iş hızla gelişmek.
Son olarak, AI hangi sorunları çözmemize yardımcı olur? Bize bir yetenek sağlar: İnsanların anlayamadığı büyük miktarda veri için, makineler nicelleştirmemize yardımcı olur; insanlar sorunu tanımlamak için etkili bir işlev bulamadığında, makineler böyle bir işlevi bulabilir. Dolayısıyla büyük verinin ortaya çıkmasıyla birlikte çağın gerektirdiği gibi yapay zeka da ortaya çıkmıştır.
Yapay zekanın farklı alanlarda ve farklı senaryolarda farklı etkileri vardır. Yapay zeka finans alanındaki tüm sorunları çözebilir mi? Yapay zekanın da eklenmesiyle finans alanında büyük değişimler yaşanacak.Bütün sorunların çözülüp çözülemeyeceğini ise finans alanındaki uzmanların ve yapay zeka bilim adamlarının birlikte keşfetmesi gerekiyor.
