Andmete fragmenteerumise ja tehisintellekti piiride ületamine tehingute kasumlikkuses

FF Newsi virtuaalses arendusruumis toimus eriküsimuste arutelu, kus tööstuse spetsialistid kogunesid arutlema pankade tegevuses olulise kitsariba kohta: kuidas andmete fragmenteeritus ja vananenud arhitektuur põhjustavad finantsasutustele otsest kasumlikkuse kaotust nende tehinguvooludes.

Arutelus osalesid:

• Ian Horne, FF Newsi saatejuht

• Mariia Komissarova, Raiffeisen Bank Internationali andmete ja tehisintellekti (AI) jaemüügiäri juht

• Breno Alves De Oliveira, PAYABLi peaproduktijuht

• Kirill Lisitsyn, Torus’i kaasasutaja ja tegevjuht

Arutelus käsitleti kasutamata andmekogude varjatud toimingu kulusid, mittedeterministliku tehisintellekti piiranguid ning strateegiaid, mida finantsasutustel tuleb rakendada, et muuta toorandmed turu ellujäämise jaoks oluliseks alusks.

Kasumikao juur: vananenud süsteemid ja struktureeritud andmete takistused

Mitme põlvkonna pankade jaoks, näiteks Raiffeisen Bank Internationalile, on vananenud infrastruktuur üleüldiselt peamine sisemine takistus optimeerimisele. Mariia Komissarova selgitas, et pankade kasumlikkuse kaotuse põhjus tehinguvooludes on põhimõtteliselt andmeprobleem.

Kuna ajaloolised pangarahendused toimivad eraldatud „silosidena“, on ettevõtluse tehingute andmete kogumine ja struktureerimine läbipaistvas ja korralikus vormis erakordselt raske. Ilma struktureeritud raamistikuta on üksiku finantstehingu täpse kasumlikkuse arvutamine peaaegu võimatu.

See katkemine põhineb ajaloolisel andmete valitsemisel ja kaasaegse raamistiku puudumisel. Turgu on jõudnud tänapäevased organisatsiooniparadigmad, näiteks „andmesõltuvus“ (data mesh), kuid neid ei ole suurtes pangakontsernides veel laialdaselt levitatud.

Kui globaalne finantssektor läbib ulatuslikke tehisintellekti (AI) teisendusi identiteedikinnituse ja tehingutöötlemise valdkonnas, siis selle andmekihiga seotud probleemi lahendamine ei ole enam luksus. Puhas andmealus on muutunud absoluutselt vajalikuks pikaajaliseks ettevõtte ellujäämiseks.

Massiivse andmete kogumise varjatud kulude võrgustik

Vanatüüpi asutustele on levinud eksitus eeldada, et suuremate andmekoguste kogumine annab loomulikult ka suuremat äritähtsust. Viis kuni seitse aastat tagasi keskendusid traditsioonilised tööstusjuhendid võimalikult paljude erinevate andmepunktide kogumisele, sealhulgas sotsiaalmeedia võrgustike andmete sissetoomisele ettevõtte serveritesse.

Tänapäevane tehingusüsteem on sellest mõttemaailmast välja kasvanud. Finantsasutused avastavad, et lihtsalt suurte koguste struktureerimata teabe salvestamine ja hooldamine põhjustab suuri serveri- ja andmeteinseneri kulusid.

„Selle andmehulga, suurte andmete kogumine ja salvestamine on päris kallis ning kui te neid ei kasuta, hakkate ka selles hinna mängus kaotama…“

Kui ettevõte teeb suuri toimingu salvestuskulusid ilma andmetest tegelikku äriväärtust tekitamata, jääb see konkurentsivõimelisuse mängus alla. See ei saa pakkuda oma kauplejatele optimaalseid hinnasid, kuna selle baasinfrastruktuuri kulud on kunstlikult tõstetud.

Nagu Kirill Lisitsyn rõhutas, peab tänapäevane andmestrategia esmalt keskenduma olemasolevate andmepartnerite reaalse väärtuse välja tuvastamisele. Ainult siis, kui on kindlaks määratud selge ärikasutusjuhtum, peaks asutus investeerima kapitali lisandvate andmevoogude hankimisse, et vältida tarbetuid toimingu takistusi ja kulude kuhjumist.

Mittedeterministlik lõks: miks LLM-id ei saa parandada halbu andmeid

Et ühendada vananenud süsteeme, mis räägivad täiesti erinevaid tarkvarakeeli ja kasutavad standardistmata andmevorminguid, pöörduvad paljud asutused tehisintellekti (AI) ja suurte keelemudelite (LLM) poole, et automatiseerida koodi ja andmete teisendust. Breno Alves De Oliveira märkis, et fintech-ettevõtted suudavad hästi koguda keerukaid andmeid ja ümberkorraldada neid lihtsasti töödeldavatesse vormingutesse – protsess, mida kiirendab oluliselt AI-tööriistad.

Kuid Komissarova andis tugeva tehnilise hoiatuse üleliialisele usaldusele generatiivsete algoritmide vastu põhitehingute infrastruktuuris. LLM-id on põhimõtteliselt mittedeterministlikud, st nende väljundid põhinevad tõenäosusel, mitte absoluutsel täpsusel, mistõttu on nad süstemaatiliselt ohustatud algoritmiline „hallutsineerimine“.

Tehingumaailmas, kus vead mõjutavad otse finantskontoid, on täpsuse langemine täielikult vastuvõetamatu. Kui mittetäpseid või struktureerimata andmeid sisestatakse LLM-i, suureneb oluliselt valede arvutuste tekkimise tõenäosus, mis võib finantsasutustele maksta miljonid dollaarid.

Arutelus osalenud isikud olid ühel meelel, et tehnoloogilist „salapäraseid lahendusi“ ei eksisteeri; ettevõtted ei saa lihtsalt visata kaootilisi andmekogusid generatiivsele mudelile ja oodata välistatud ärilogika. Usaldusväärse andmekihiga töötamiseks on vaja distsiplineeritud aeg ja kapitali investeeringut ning kvalifitseeritud sisemisi spetsialiste, kes suudavad andmete voogu õigesti struktureerida.

Võrrandi tasakaalustamine: deterministlik hübriidkärn

Et turvaliselt kasutada tänapäevase AI kiirust ilma ohverdada absoluutset finantslikku täpsust, pakkusid arutelus osalenud isikud hübriidset struktuurilist arhitektuuri. See mudel tasakaalustab deterministlikke töötlusmootoreid ja paindlikke keeleliideseid, et lihtsustada lõppkasutaja töövoogu:

• Deterministlik alus: Põhiline andmekiht peab jääma rangelt deterministlikuks. Spetsialiseeritud tehisintellekti platvormid, näiteks Torus, konstrueerivad oma taustalogika intsidendina täieliku matemaatilise täpsuse keskmes, mitte „80% tõenäosuse“ mudeli põhjal, tagades, et skeemitasud ja tehingukirjed on täpselt kokku sobitatud.

• Konversatsiooniline liides: Kui kinnitatud andmete terviklikkuse alus on loodud, võivad asutused lisada LLM-e andmete tõlgendamiseks, lihtsustades kasutajaliideseid ja kiirendades analüüsitööd.

See struktureeritud alus võimaldab asutustel kasutada kontseptsioone, nagu andmaladud (data lakes), kaubandushüpoteeside formulatsiooniks ja testimiseks. Ajalooliselt nõudis töötlemistrendi avastamine või hinnaväljendite hindamine suuri käsitsi andmebaasipäringuid.

Ühtse hübriidkärniga saavad toote meeskonnad kiiresti testida hüpoteese oma edu tõenäosuse hindamiseks. Lõpuks võimaldab see raamistik pankadel analüüsida oma sisemisi statistikaid, konkurentide maastikke ja makroturu nihkeid samaaegselt. See andmetega juhitav lähenemine suunab sihipäraseid kohandusi teisendusvooludes, tehingute marsruutimises ja toote kogemustes, muutes vajalikud kapitali investeeringud ennustatavateks teguriteks ettevõtte kasumlikkuse suurendamiseks.

Virtuaalses arendusruumis toimunud arutelu peamised punktid:

• Andmete struktuuri kitsariba: Andmete kogumine vananenud süsteemides, mis kasutavad erinevaid vorminguid, teeb täpse tehingu kasumlikkuse jälgimise äärmiselt keeruliseks.

• Andmete seiskumise kõrge hind: Suurte andmekoguste salvestamine ilma selgete kasutusjuhtumitega suurendab toimingu ülekoormust, muutes panku vähem konkurentsivõimeliseks kauplejate hindamises.

• Väärtus mahust: Tänapäevane andmete teadus keskendub enne välisandmevoogude ostu maksimaalse kasu saamisele olemasolevatest andmepartneritest.

• Mittedeterministliku tehisintellekti oht: Kuna generatiivsed AI-mudellid põhinevad tõenäosusel, riskib nende kasutamine struktureerimata põhiandmetel finantsarvutuste vigade tekkimisega.

• Hübriidsüsteemi plaan: Edukas arhitektuur ühendab 100% täpse, deterministliku andmekihiga ja kasutajate tõlgendamiseks ülesehitatud konversatsioonilisi LLM-tööriistu.

• Hüpoteesipõhine innovatsioon: Põhiandmete raamistiku ümbertöötlemine võimaldab meeskondadel kiiresti valideerida töötlemise muudatusi, vähendades kapitali investeeringute riske.

Postitus „Andmete fragmenteerumise ületamine ja tehisintellekti piirid tehingute kasumlikkuses“ ilmus esmakordselt veebisaidil FF News | Fintech Finance.