A pénzügyi szolgáltatások világában, ahol a kockázatkezelés a legfontosabb, mindannyian láttuk, hogy a mesterséges intelligencia és a gépi tanulás gyorsan átalakítja a tájat. Valójában egy friss
a Bank of England és a Financial Conduct Authority felmérése (FCA) derítette ki ezt
Az Egyesült Királyság pénzügyi cégeinek 72%-a már használ vagy fejleszt AI/ML alkalmazásokat, és ez a tendencia elképesztő ütemben gyorsul, azzal
az ML alkalmazások mediánszáma az előrejelzések szerint 3.5-szeresére fog emelkedni a következő három évben. Ez a növekedés nem meglepő – az AI/ML modellek azt az ígéretet rejtik magukban, hogy hatalmas mennyiségű adatból betekintést nyerhetnek, lehetővé téve a pénzügyi szervezetek számára
hogy okosabb, megalapozottabb döntéseket hozzanak, és fejlesszék kockázatkezelési stratégiáikat.
A felmérés eredményei összhangban vannak azokkal a megfigyelésekkel, amelyeket az Egyesült Királyság pénzügyi szolgáltató intézményeivel végzett munkám során tettem. Bár azt tapasztaltam, hogy az AI/ML módszertanok felé haladva előrehaladottabb a Fintech és a Challenger Banks, mint
A High Street Banks-szal ellentétben előfordulhat, hogy nem szenvednek tényleges korlátozásoktól az örökölt rendszerek vagy az IRB státuszukkal kapcsolatos vélt korlátozások miatt.
A Fintech és a Challenger Banks jellemzően olyan tech-hozzáértő adattudósokat toboroz, akik mélyen ismerik a rendelkezésre álló alternatív fejlett technikákat. Mindeközben a nagyobb bankok még mindig jelentős előnnyel rendelkeznek a tapasztalat terén
és adatok. Több évtizedes tapasztalattal rendelkeznek a hitelmodellek felépítésében, modellfejlesztési szabványokat alakítottak ki, és alaposan ismerik a mögöttes adatokat.
A kérdés most az, hogy a hagyományos modellek fejlesztését alátámasztó elvek továbbra is teljes mértékben relevánsak maradnak-e a mesterséges intelligencia által hajtott modellek új generációjában, amelyek matematikailag teljesen más módon származnak.
Modellfejlesztés: Hagyományos VS AI/ML
A hagyományos pontozókártya-fejlesztés régóta ragaszkodik az aprólékos mintatervezéshez, biztosítva, hogy a mintaablak alatti alkalmazások stabilak legyenek, és tükrözzék a legutóbb beérkezett javaslatokat. Ez jellemző a népességstabilitási indexekre vagy jellemzőkre
Stabilitási indexeket kell kiszámítani, és minden olyan mintázat részletes vizsgálatához, amelyek túlmutatnak a szezonális változásokkal kapcsolatos ésszerű várakozásokon. Ez a megközelítés az adott populációra szabott, egyedi fejlesztési mintán múlik
szolgál. A modellfejlesztési minta alkalmasságában az összetétel vagy a szegmentális keverék és annak specifitása kulcsfontosságú tényező.
Érdekes módon gyakran látjuk, hogy az AI/ML modellek jelentős mértékű kereszttanulást mutatnak. Ez az a hely, ahol a modellek erősebb teljesítményt mutatnak, ha a képzési mintát kiterjesztik olyan további megfigyelésekre, amelyeket hagyományosan nem vettek figyelembe
közvetlenül releváns. Például a kibővített mintaablakon betanított modellek kiváló teljesítményét látjuk, szemben az olyan egyenértékű modellekkel, amelyeket olyan időszakra optimalizáltak, amely egyszerűen igazodik a független tesztmintához. Lineáris modellek esetén ez nem valószínű!
Hasonló eredményeket láthatunk, ha szomszédos szegmenseket vagy csoportokat adunk a képzési mintákhoz. Valójában az AI/ML modellek virágzanak, ha nagy és változatos adatkészletekre fejlesztik őket. Ezek a jelenségek hatással lesznek a mintatervezésre és a kizárások kiválasztására
a jövő modellfejlesztései, amelyek potenciálisan átírják a hagyományos bölcsességet.
Hasonlóképpen, sok hitelkártya-fejlesztés tartalmazta a szegmentálást, amelynek során számos alpopuláció mindegyikéhez modellt építenek (pl. vékony fájl / vastag fájl, tiszta / piszkos). Ennek a megközelítésnek az az előnye, hogy több modell felépítésével néhány
a nemlinearitás megragadható. Természetesen a szegmentálás megválasztása nem mindig nyilvánvaló, és nem valószínű, hogy az optimális, azonban bizonyos teljesítménynövekedés érhető el. Tekintettel arra, hogy az AI/ML modellek a nemlinearitás rögzítésére való képességük miatt épülnek fel, ott
itt korlátozott az igény a szegmentált modellekre, hacsak nincsenek alapvető különbségek az adatszerkezetben. Ezért az AI/ML modellek összetettebbek, kevesebbet kellene belőlük igényelni.
A hagyományos eredménymutató-fejlesztés másik fókuszpontja a finom osztályozásról a durva osztályozásra való átállás folyamata. Ezáltal a modellező arra törekszik, hogy a folytonos adatokat hatékonyan több sorszámú csoportra ossza fel úgy, hogy a mögöttes rossz arány logikus legyen.
előrehaladását, és elegendő mennyiségen alapul ahhoz, hogy megbízható eredményt adjon. Az AI/ML modelleken belüli fejlett módszertanok szükségtelenné teszik a finomtól a durváig terjedő osztályozást, mivel a csoportosítást az alapul szolgáló módszertan hajtja végre, sima válaszprofilokat generálva.
ahelyett, hogy az eredménymutató attribútumhatárainak tekintett lépés-változtatásokat átlépnénk. Ezen túlmenően sok oktatási rutin most már magában foglalja a megszorítások hozzáadásának lehetőségét annak biztosítására, hogy a funkciók logikus hatással legyenek a modell előrejelzéseire.
Mivel az elkövetkező években az AI/ML-modellek fejlesztési hulláma felgyorsul, kulcsfontosságú a mögöttes hiteladatok mélyreható ismerete és a fejlett módszertan fúziója. Míg a modellek új generációjában új kihívások merülnek fel, mint például a nem szándékos torzítás és a magyarázhatóság,
a történelmi megfontolások kevésbé lesznek relevánsak.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://www.finextra.com/blogposting/25517/risk-model-development–the-next-generation?utm_medium=rssfinextra&utm_source=finextrablogs
- :van
- :is
- :nem
- :ahol
- a
- képesség
- gyorsuló
- elért
- tényleges
- hozzá
- hozzáadott
- További
- betartotta
- szomszédos
- fejlett
- Előny
- AI-hajtású
- AI / ML
- Igazítás
- Minden termék
- már
- alternatív
- Bár
- mindig
- Összegek
- an
- és a
- bármilyen
- alkalmazások
- megközelítés
- VANNAK
- TERÜLET
- felmerülhet
- Sor
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia és gépi tanulás
- AS
- At
- elérhető
- Rossz
- Bank
- Bank of England
- Banks
- alapján
- BE
- mert
- válik
- haszon
- mérték utáni
- Túl
- előítélet
- mindkét
- határait
- Épület
- épült
- by
- számított
- TUD
- elfog
- rögzített
- kihívó
- Challenger Banks
- kihívások
- jellemzők
- választás
- ragadozó ölyv
- CO
- érkező
- teljesen
- bonyolult
- összetétel
- aggodalmak
- Magatartás
- figyelembe vett
- következetes
- korlátok
- folyamatos
- hagyományos
- tanfolyam
- hitel
- Crossed
- dátum
- adatkészletek
- évtizedek
- határozatok
- mély
- Fok
- Származtatott
- Design
- részletes
- fejlett
- fejlesztése
- Fejlesztés
- fejlesztések
- különbségek
- különböző
- közvetlenül
- kijelző
- számos
- osszuk
- két
- alatt
- minden
- hatékonyan
- megszüntetése
- lehetővé téve
- Anglia
- növelése
- biztosítására
- biztosítása
- Egyenértékű
- megalapozott
- példa
- kiállít
- kiterjesztett
- várakozások
- tapasztalat
- Magyarázatosság
- terjed
- kiterjedt
- tény
- tényező
- FCA
- Jellemzők
- kevesebb
- filé
- pénzügyi
- Pénzügyi magatartás
- pénzügyi szolgáltatások
- megállapítások
- Finextra
- FINTECH
- cégek
- Összpontosít
- A
- talált
- ból ből
- alapvető
- Továbbá
- magfúzió
- jövő
- generáló
- generáció
- Ad
- adott
- Csoportok
- Növekedés
- történik
- Legyen
- itt
- Magas
- zsanérok
- történeti
- tart
- azonban
- HTTPS
- i
- Hatás
- következményei
- in
- tartalmaz
- Bejegyzett
- független
- indexek
- tájékoztatták
- meglátások
- intézmények
- Intelligencia
- bele
- vizsgálat
- IT
- ITS
- jpg
- Kulcs
- kulcstényező
- tudás
- táj
- nagy
- tanulás
- Örökség
- kevesebb
- korlátozások
- Korlátozott
- logikus
- Hosszú
- gép
- gépi tanulás
- készült
- fontos
- csinál
- vezetés
- sok
- matematikailag
- Lehet..
- Közben
- módszerek
- Módszertan
- aprólékos
- esetleg
- keverje
- ML
- modell
- modellek
- több
- a legtöbb
- mozgó
- többszörös
- my
- Szükség
- Új
- következő
- fogalom
- Most
- szám
- észrevételek
- Nyilvánvaló
- of
- gyakran
- on
- optimálisan
- Optimalizált
- opció
- or
- szervezetek
- Béke
- Legfőbb
- minták
- érzékelt
- teljesítmény
- időszak
- Plató
- Platón adatintelligencia
- PlatoData
- népesség
- potenciálisan
- Tippek
- elvek
- folyamat
- Profilok
- haladás
- tervezett
- ígéret
- javaslatok
- kérdés
- gyorsan
- Arány
- Inkább
- ésszerű
- kapott
- új
- nemrég
- megbízható
- marad
- kötelező
- válasz
- eredményez
- Revealed
- átírás
- Kockázat
- kockázatkezelés
- tudósok
- scorecard
- szezonális
- lát
- Keresi
- látott
- szegmentáció
- szegmensek
- szolgálja
- Szolgáltatások
- Szettek
- számos
- kellene
- Műsorok
- jelentős
- egyszerűen
- egekbe
- intelligensebb
- sima
- So
- néhány
- különleges
- sajátosság
- Stabilitás
- stabil
- szabványok
- Állapot
- Még mindig
- stratégiák
- utca
- erősebb
- struktúra
- ilyen
- elegendő
- alkalmasság
- felettes
- túlfeszültség
- meglepő
- Felmérés
- Systems
- szabott
- technikák
- feltételek
- teszt
- mint
- hogy
- A
- A jövő
- A táj
- a világ
- azok
- Őket
- Ott.
- ebből adódóan
- Ezek
- ők
- ezt
- három
- Gyarapodás
- Keresztül
- alkalommal
- nak nek
- felé
- hagyományos
- hagyományosan
- kiképzett
- Képzések
- transzformáló
- tendencia
- tipikus
- jellemzően
- Uk
- mögöttes
- alátámasztani
- megértés
- nem úgy mint
- valószínűtlen
- kinyitó
- upon
- segítségével
- Hatalmas
- Ve
- Ellen
- kötet
- vs
- hullám
- Út..
- we
- amikor
- vajon
- ami
- míg
- teljesen
- lesz
- ablak
- bölcsesség
- val vel
- belül
- Munka
- világ
- év
- zephyrnet