Machine Learning para finanzas puede funcionar con magia, aunque no haya magia detrás (bueno, quizás solo un poco). Aún así, el éxito del proyecto de aprendizaje automático depende más de la construcción de una infraestructura eficiente, la recopilación de conjuntos de datos adecuados y la aplicación de los algoritmos correctos.
Machine learning para finanzas está haciendo avances significativos en la industria de servicios financieros. Veamos por qué las compañías financieras deberían preocuparse. Qué soluciones pueden implementar con inteligencia artificial y machine learning . Y cómo pueden aplicar exactamente esta tecnología.
Definiciones
Podemos definir Machine Learning (ML) como un subconjunto de data science que utiliza modelos estadísticos para obtener información y hacer predicciones.
La siguiente tabla explica cómo se relacionan inteligencia artificial, data science y machine learning. En aras de la simplicidad, nos centramos en machine learning en este post.
La magia de las soluciones de machine learning es que aprenden de la experiencia sin ser programadas explícitamente . En pocas palabras, debe seleccionar los modelos y alimentarlos con datos. El modelo luego ajusta automáticamente sus parámetros para mejorar los resultados.
Los data sciences entrenan modelos de machine learning con conjuntos de datos existentes y luego aplican modelos bien entrenados para situaciones de la vida real.
El modelo se ejecuta como un proceso en segundo plano y proporciona resultados automáticamente en función de cómo se formó. Los data sciences pueden volver a entrenar los modelos con la frecuencia necesaria para mantenerlos actualizados y eficaces.
En general, cuantos más datos alimente, más precisos serán los resultados . Casualmente, los conjuntos de datos enormes son muy comunes en la industria de servicios financieros.
Hay petabytes de datos sobre transacciones, clientes, facturas, transferencias de dinero, etc. Eso es un ajuste perfecto para machine learning.
A medida que la tecnología evoluciona y los mejores algoritmos son de código abierto, es difícil imaginar el futuro de los servicios financieros sin machine learning.
Dicho esto, la mayoría de las compañías de servicios financieros aún no están listas para extraer el valor real de esta tecnología por las siguientes razones:
- Las empresas a menudo tienen expectativas totalmente irreales hacia Machine Learning y su valor para sus organizaciones.
- La I + D en machine learning es costosa.
- La escasez de ingenieros de Data Science / Machine Learning es otra preocupación importante. La siguiente figura ilustra un crecimiento explosivo de la demanda de inteligencia artificial y habilidades de machine learning.
- Los titulares financieros no son lo suficientemente ágiles para actualizar la infraestructura de datos.
¿Por qué considerar Machine Learning para finanzas?
A pesar de los desafíos, muchas compañías financieras ya aprovechan esta tecnología. La figura a continuación muestra que los ejecutivos de servicios financieros toman machine learning muy seriamente, y lo hacen por varias razones:
- Costes operacionales reducidos gracias a la automatización de procesos.
- Mayores ingresos gracias a una mejor productividad y una mejor experiencia de usuario.
- Mejor cumplimiento y seguridad reforzada.
Existe una amplia gama de algoritmos y herramientas de aprendizaje de código abierto que se adaptan en gran medida a los datos financieros. Además, las empresas de servicios financieros establecidas tienen fondos sustanciales que pueden gastar en hardware de computación de última generación.
Gracias a la naturaleza cuantitativa del dominio financiero y a los grandes volúmenes de datos históricos, machine learning está preparado para mejorar muchos aspectos del ecosistema financiero.
Es por eso que tantas empresas financieras están invirtiendo fuertemente en I + D de machine learning. En cuanto a los rezagados, puede resultar costoso descuidar AI y ML.
¿Qué son los casos de uso de Machine learning para Finanzas?
Echemos un vistazo a algunas aplicaciones prometedoras de Machine Learning para finanzas.
Automatización de procesos
La automatización de procesos es una de las aplicaciones más comunes de Machine Learning para Finanzas. La tecnología permite reemplazar el trabajo manual, automatizar tareas repetitivas y aumentar la productividad.
Como resultado, machine learning permite a las empresas optimizar costos. Mejorar las experiencias de los clientes y ampliar los servicios. Aquí están los casos de uso de automatización de MachineLearning para finanzas:
- Chatbots
- Automatización del call center.
- Automatización de trámites.
- Gamificación de la formación de los empleados, y más.
A continuación se muestran algunos ejemplos de automatización de procesos en la banca:
JPMorgan Chase
Lanzó una plataforma de inteligencia de contrato (COiN) que aprovecha el procesamiento de lenguaje natural. Una de las técnicas de machine learning.
La solución procesa documentos legales y extrae datos esenciales de ellos. La revisión manual de 12,000 acuerdos comerciales anuales de crédito generalmente tomaría alrededor de 360,000 horas laborales.
Mientras que, machine learning permite revisar el mismo número de contratos en unas pocas horas.
BNY Mellon
Integró la automatización de procesos en su ecosistema bancario. Esta innovación es responsable del ahorro anual de $ 300,000 y ha generado una amplia gama de mejoras operativas .
Wells Fargo
Utiliza un chatbot controlado por inteligncia artificial a través de la plataforma Facebook Messenger para comunicarse con los usuarios y brindar asistencia con contraseñas y cuentas.
Privatbank
Es un banco ucraniano que implementó asistentes de chatbot en sus plataformas móviles y web. Los chatbots aceleraron la resolución de las consultas generales de los clientes y permitieron disminuir el número de asistentes humanos.
Seguridad
Las amenazas de seguridad en las finanzas están aumentando junto con el número creciente de transacciones, usuarios e integraciones de terceros. Y los algoritmos de machine learning son excelentes para detectar fraudes.
Por ejemplo, los bancos pueden usar esta tecnología para monitorear miles de parámetros de transacción para cada cuenta en tiempo real.
El algoritmo examina cada acción que realiza un titular de tarjeta y evalúa si un intento de actividad es característico de ese usuario en particular. Este modelo detecta comportamientos fraudulentos con alta precisión.
Si el sistema identifica un comportamiento de cuenta sospechoso. Puede solicitar una identificación adicional del usuario para validar la transacción.
O incluso bloquear la transacción por completo, si hay al menos un 95% de probabilidad de que sea un fraude. Los algoritmos de machine learning necesitan solo unos segundos (o incluso segundos) para evaluar una transacción.
La velocidad ayuda a prevenir fraudes en tiempo real. No solo a detectarlos una vez que el delito ya se ha cometido.
El monitoreo financiero
Es otro caso de uso de seguridad para machine learning para finanzas. Los data sciences pueden entrenar el sistema para detectar una gran cantidad de micropagos y marcar técnicas de lavado de dinero como el pitufo.
Los algoritmos de machine learning también pueden mejorar significativamente la seguridad de la red . Los data sciences entrenan un sistema para detectar y aislar las amenazas cibernéticas. Ya que machine learning es insuperable en el análisis de miles de parámetros y en tiempo real.
Y es probable que esta tecnología alimente las redes de seguridad cibernética más avanzadas en el futuro más cercano.
Adyen , Payoneer , Paypal , Stripe y Skrill son algunas de las empresas de tecnología avanzada más destacadas que invierten fuertemente en el aprendizaje de máquinas de seguridad.
Machine Learning para finanzas: Suscripción y calificación crediticia
Los algoritmos de machine learning se ajustan perfectamente a las tareas de suscripción que son tan comunes para finanzas y seguros.
Los data sciences entrenan modelos en miles de perfiles de clientes con cientos de entradas de datos para cada cliente.
Un sistema bien capacitado puede realizar las mismas tareas de suscripción y calificación crediticia en los entornos de la vida real. Estos motores de puntuación ayudan a los empleados humanos a trabajar de forma mucho más rápida y precisa.
Los bancos y las compañías de seguros tienen una gran cantidad de datos históricos de consumidores, por lo que pueden usar estas entradas para entrenar modelos de machine learning.
Alternativamente, pueden aprovechar los conjuntos de datos generados por las grandes empresas de telecomunicaciones o servicios públicos.
Por ejemplo, BBVA Bancomer está colaborando con una plataforma alternativa de puntuación de crédito Destacame. El banco apunta a aumentar el acceso al crédito para clientes con poco historial de crédito en América Latina.
Destacame accede a la información de pago de facturas de las empresas de servicios públicos a través de API abiertas. Usando el comportamiento de pago de facturas, Destacame produce una puntuación de crédito para un cliente y envía el resultado al banco.
Trading algorítmico
En el comercio algorítmico, machine learning ayuda a tomar mejores decisiones comerciales .Un modelo matemático controla los resultados de las noticias y el comercio en tiempo real y detecta patrones que pueden hacer que los precios de las acciones suban o bajen.
Entonces puede actuar de forma proactiva para vender, mantener o comprar acciones de acuerdo con sus predicciones.
Los algoritmos de machine learning pueden analizar miles de fuentes de datos simultáneamente, algo que los operadores humanos no pueden lograr.
Los algoritmos de machine learning ayudan a los operadores humanos a exprimir una pequeña ventaja sobre el promedio del mercado. Dados los grandes volúmenes de operaciones comerciales, esa pequeña ventaja a menudo se traduce en ganancias significativas.
Robo-asesoría
Robo-asesores son ahora comunes en el dominio financiero. Actualmente, existen dos aplicaciones principales de machine learning en el dominio de asesoramiento.
La gestión de cartera es un servicio de gestión de patrimonio en línea que utiliza algoritmos y estadísticas para asignar, gestionar y optimizar los activos de los clientes.
Los usuarios ingresan sus activos y objetivos financieros actuales, por ejemplo, ahorrando un millón de dólares a la edad de 50 años.
Un asesor robótico luego asigna los activos actuales a través de oportunidades de inversión basadas en las preferencias de riesgo y los objetivos deseados.
Recomendación de productos financieros. Muchos servicios de seguro en línea utilizan asesores en línea para recomendar planes de seguro personalizados a un usuario en particular.
Los clientes eligen asesores virtuales en lugar de asesores financieros personales debido a tarifas más bajas, así como a recomendaciones personalizadas y calibradas.
¿Cómo hacer uso de Machine Learning para finanzas?
A pesar de todas las ventajas de inteligencia artificial y machine learning, incluso las empresas con grandes recursos a menudo tienen dificultades para extraer el valor real de esta tecnología.
Los titulares de servicios financieros quieren explotar las oportunidades únicas de machine learning, pero, de manera realista. Tienen una vaga idea de cómo funciona la ciencia de la información y cómo usarla.
Una y otra vez, se enfrentan a retos similares, como la falta de KPI de negocios . Esto, a su vez, da lugar a estimaciones poco realistas y drena los presupuestos .
No es suficiente tener una infraestructura de software adecuada (aunque sería un buen comienzo). Se necesita una visión clara, talento técnico sólido y determinación para entregar un proyecto de desarrollo de machine learning valioso.
Tan pronto como tenga una buena comprensión de cómo esta tecnología ayudará a alcanzar los objetivos comerciales, proceda con la validación de la idea.
Esta es una tarea para los data sciences. Ellos investigan la idea y lo ayudan a formular KPIs viables y hacen estimaciones realistas.
Tenga en cuenta que necesita tener todos los datos recopilados en este momento. De lo contrario, necesitaría un ingeniero de datos para recopilar y limpiar estos datos.
Según el caso de uso y las condiciones comerciales, las compañías financieras pueden seguir diferentes caminos para adoptar machine learning. Vamos a echarles un vistazo.
Renuncia al machine learning y enfócate en la ingeniería de big data.
A menudo, las compañías financieras comienzan sus proyectos de machine learning solo para darse cuenta de que solo necesitan la ingeniería de datos adecuada. Max Nechepurenko , un data science de alto nivel comenta:
Al desarrollar una solución data science, aconsejaría utilizar el principio de la máquina de afeitar de Occam , lo que significa no complicar demasiado. La mayoría de las empresas que buscan machine learning deben centrarse en la ingeniería de datos sólidos, aplicar estadísticas a los datos agregados y visualizar esos datos.
La mera aplicación de modelos estadísticos a datos procesados y bien estructurados sería suficiente para que un banco aisle diversos cuellos de botella e ineficiencias en sus operaciones.
¿Cuáles son los ejemplos de tales cuellos de botella ?
Eso podría ser colas en una rama específica, tareas repetitivas que pueden eliminarse, actividades de recursos humanos ineficientes, fallas de la aplicación de banca móvil, etc.
Además, la mayor parte de cualquier proyecto de data science se reduce a la creación de un ecosistema orquestado de plataformas que recopilan datos aislados de cientos de fuentes como CRMs, software de informes, hojas de cálculo y más.
Antes de aplicar cualquier algoritmo, debe tener los datos adecuadamente estructurados y limpiados. Solo entonces, puede convertir esos datos en información.
De hecho, ETL (extracción, transformación y carga) y una mayor limpieza de los datos representan alrededor del 80% del tiempo del proyecto de machine learning.
Utilizar soluciones de machine learning de terceros.
Incluso si su empresa decide utilizar machine learning en su próximo proyecto, no necesariamente tiene que desarrollar nuevos algoritmos y modelos.
La mayoría de los proyectos de machine learning tratan problemas que ya se han abordado. Los gigantes tecnológicos como Google, Microsoft, Amazon e IBM venden software de machine learning como un servicio.
Estas soluciones listas para usar ya están capacitadas para resolver diversas tareas comerciales.
Si su proyecto cubre los mismos casos de uso, ¿cree que su equipo puede superar los algoritmos de estos titanes tecnológicos con centros de investigación y desarrollo colosales?
Un buen ejemplo son las múltiples soluciones de recomendación plug-and-play de Google. Ese software se aplica a varios dominios, y es lógico verificar si se ajustan a su caso de negocios.
Un ingeniero de machine learning puede implementar el sistema enfocándose en sus datos específicos y dominio de negocio. El especialista necesita extraer los datos de diferentes fuentes. Transformarlos para que se ajusten a este sistema en particular. Recibir los resultados y visualizar los resultados.
Las concesiones son la falta de control sobre el sistema de terceros y la flexibilidad limitada de la solución. Además, los algoritmos de machine learning no encajan en todos los casos de uso. Ihar Rubanau , un data science senior de N-iX, comenta:
Todavía no existe un algoritmo de machine learning universal. Los data sciences necesitan ajustar y ajustar los algoritmos antes de aplicarlos a diferentes casos de negocios en diferentes dominios.
Por lo tanto, si una solución existente de Google resuelve una tarea específica en su dominio particular, probablemente debería usarla. Si no es así, apunta a un desarrollo personalizado e integración
Innovación e integración.
Desarrollar una solución de machine learning desde cero es una de las opciones más riesgosas, costosas y que consumen más tiempo. Sin embargo, esta puede ser la única forma de aplicar la tecnología ML a algunos casos de negocios.
La investigación y el desarrollo de machine learning se dirigen a una necesidad única en un nicho particular y requiere una investigación en profundidad.
Si no hay soluciones listas para usar que se hayan desarrollado para resolver esos problemas específicos, es probable que el software de machine learning de terceros produzca resultados inexactos.
Sin embargo, es probable que tenga que depender en gran medida de las bibliotecas de aprendizaje de código abierto de Google y de los me gusta.
Los proyectos actuales de machine learning se basan principalmente en la aplicación de bibliotecas con tecnología de punta a un dominio particular y un caso de uso.
En N-iX, hemos identificado siete rasgos comunes de un proyecto de I + D empresarial exitoso en Machine Learning.
Aquí están:
-
Un objetivo claro
Antes de recopilar los datos, necesita al menos cierta comprensión general de los resultados que desea obtener con inteligencia artificial y machine learning. En las primeras etapas del proyecto, los data sciences lo ayudarán a convertir esa idea en KPI reales.
-
Diseño de arquitectura robusta
Diseo robusto de la solución de machine learning. Necesita un arquitecto de software experimentado para ejecutar esta tarea.
-
Un ecosistema de ingeniería de big data apropiado
(basado en Apache Hadoop o Spark) es una necesidad. Permite recopilar, integrar, almacenar y procesar enormes cantidades de datos de numerosas fuentes de datos en silos de las compañías de servicios financieros. El arquitecto de big data y los ingenieros de big data son responsables de construir el ecosistema.
-
Ejecutar procedimientos ETL
Extraer, transformar y cargar en el ecosistema recién creado. Un arquitecto de Big Data o un ingeniero de machine learning realizan esta tarea.
-
La preparación final de los datos
.Además de la transformación de datos y la limpieza técnica, los data sciences pueden necesitar refinar los datos para que sean adecuados para un caso de negocios específico.
-
Aplicación de algoritmos adecuados
Creación de modelos basados en estos algoritmos, ajuste fino de modelos y reentrenamiento de modelos con nuevos datos. Los data sciences y los ingenieros de machine learning realizan estas tareas.
-
Visualización lúcida de las percepciones
Especialistas en inteligencia de negocios son responsables de eso. Además, es posible que necesite desarrolladores frontend para crear paneles con una interfaz de usuario fácil de usar.
Los proyectos pequeños pueden requerir un esfuerzo significativamente menor y un equipo mucho más pequeño. Por ejemplo, algunos proyectos de I + D tratan con conjuntos de datos pequeños.
Por lo que probablemente no necesiten una ingeniería de big data sofisticada. En otros casos, no hay necesidad de cuadros de mando complejos ni de visualización de datos.
Puntos clave
- Los titulares financieros utilizan con mayor frecuencia machine learning para la automatización de procesos y la seguridad.
- Antes de recopilar los datos, debe tener una visión clara de los resultados que espera obtener de la ciencia de los datos. Es necesario establecer KPIs viables y hacer estimaciones realistas antes del inicio del proyecto.
- Muchas compañías de servicios financieros necesitan ingeniería de datos, estadísticas y visualización de datos sobredata science y machine learning.
- Cuanto más grande y más limpio sea un conjunto de datos de entrenamiento, más precisos serán los resultados que produce una solución de machine learning.
- Puede volver a entrenar sus modelos con la frecuencia que necesite sin detener los algoritmos de machine learning.
- No existe una solución universal de machine learning para aplicar a diferentes casos de negocios.
- La I + D en machine learning es costosa.
- Gigantes tecnológicos como Google crean soluciones de machine learning. Si su proyecto se refiere a casos de uso, no puede esperar superar los algoritmos de Google, Amazon o IBM.