Seitse väljakutset, mida finantsasutused peavad lahendama, et kasutada ära masinõppe potentsiaali (Anshuman Prasad)

Masinõpe (ML), tehisintellekti (AI) silmapaistvaim haru, vähendab finantsteenuste sektorit mõlemal viisil, kus selle rakendused muutuvad iga päevaga laiemaks.

Kasu on ilmselge. ML-mudelid on treenitud tulemustest õppima täpselt nii, nagu seda teeb inimese aju, ning suudavad täita keerulisi ülesandeid sellises mahus ja kiirusega, mida inimesed lihtsalt ei suuda.

Kuid ohte on külluses. Mudelite keerukus on oht. Paljud võivad olla läbipaistmatud ja ebaselged ning olla mustade kastide poolest kurikuulsad. Ja kui mitteläbipaistvad mudelid ei tööta, võivad asjad kontrolli alt väljuda.

Äärmuslikel juhtudel võib see isegi viia finantsasutuste pankrotti, millel on süsteemsed tagajärjed kogu majandusele.

Finantsasutuste jaoks on mitmeid väljakutseid, kuidas panna ML-mudelid järgima mudelriskide juhtimise olemasolevaid põhimõtteid ja parimaid tavasid. Meie finantsasutustega töötamise kogemuse põhjal on järgmised seitse kõige levinumat väljakutset ja samme, mida nad nende lahendamiseks võtavad.

1) ML-mudeli valideerimisraamistiku kasutuselevõtt, mis hõlmab algoritme, valideerimistehnikaid, juhtelemente ja dokumentatsiooni

Finantsasutused peavad spetsiaalselt ML-mudelite jaoks kehtestama täieliku valideerimise raamistiku.

Ärinõuete ja andmete kättesaadavuse jaoks sobivate algoritmide valimine on ülioluline. See nõuab teadmisi ML-i modelleerimise, äritegevuse mõistmise ja programmeerimise vallas.

ML-mudelite valideerimismeetodid erinevad nendest, mida finantsasutused tavaliselt teiste mudelite jaoks kasutavad. Need võivad samuti erineda sõltuvalt kasutatavast ML-algoritmist ning andmete kättesaadavusest ja struktuurist.

Lisaks peaks teine ​​kaitseliin hõlmama kordusvalideerimist ja sihipärast valideerimist (olemasolevatele mudelitele rakendatud olulised muudatused), et kinnitada mudeli sobivust eesmärgiga. ML-mudelites võivad väikesed muudatused parameetrites või seadistuse häälestamine oluliselt mõjutada algoritmi käitumist ja mudeli tulemusi.

Seejärel peab olema paigas kontrolliraamistik, mis paneb rõhku kontrollide ülesehitusele ja tõhususele. Täielik dokumentatsioon on kohustuslik tagamaks, et sõltumatu osapool mõistab modelleerimise eesmärki, kasutatud algoritme ja valideerimistehnikaid, kontrolli omandiõigust ja katvust.

Samuti on oluline, et mudelite valideerimise funktsioonid töötaksid koos inimestega, kellel on õiged teadmised ja oskused. Seetõttu peavad mudelite valideerimismeeskonnad palkama inimesi, kellel on andmeteaduse taust ja tugev alus erinevatele AI ja ML modelleerimistehnikatele.

2) regulatiivseid nõudeid, juhtimist ja kontrolli ning järelevalvet hõlmavate poliitikate loomine

ML-mudeli valideerimise regulatiivsete nõuete osas on endiselt märkimisväärne ebakindlus.

Reguleerivad asutused on esitanud üldised regulatiivsed ootused; ML mudelite jaoks puudub aga ametlik regulatiivne raamistik. Finantsasutused peaksid välja töötama poliitika, mis sätestab üldised regulatiivsed nõuded, mis võiks sisaldada riskijuhtimise näidisjuhiseid ja ML-mudelite juhiseid.

Riskijuhtimise mudelijuhised peaksid hõlmama kontseptuaalset usaldusväärsust, andmete kvaliteedi kontrolli, juhtimist ja kontrolle, mudeli jälgimist ja mudeli valideerimist. Juhatus ja tippjuhtkond peaksid olema teadlikud kasutusjuhtudest ja mõistma ML-mudeli elutsüklis kasutatavate kontrollide tõhusust. Omavastutuse ja vastutuse saavutamiseks tuleb rollid ja kohustused selgelt määratleda.

3) ML-mudelite rakendamine tugevas ja kontrollitud keskkonnas

ML mudelite rakendamine on riskidele eelsoodumus. Võrreldes statistiliste või traditsiooniliste mudelitega, panevad ML-algoritmide keerulised spetsifikatsioonid rõhku arvutus- ja mälutõhususele, mis suurendab muret rakendusriskide pärast.

ML mudelite juurutamine erinevatel platvormidel nõuab asjatundlikkust ja infrastruktuuri. Rõhk peaks olema tugeva IT-infrastruktuuri loomisel, programmeerimist kasutavate tööriistade väljatöötamisel, mudelite jälgimise parandamisel ja nende tööriistade valideerimise seadistustel. See keerukus muudab valideerimisülesande IT-süsteemis mudelite õige rakendamise kontrollimiseks keerulisemaks.

Rakendusprotsessi dokumenteerimine võimaldab sõltumatul osapoolel mõista kasutatava süsteemi protsessi kulgu. Mudeli valideerimise funktsioon peab hindama mudeli rakendamise asjakohasust ning hindama läbiviidud testimist ja mudeli aluseks olevat üldist kontrolliraamistikku.

4) Tõhusate andmehaldusprotsesside kavandamine

Kuna andmed on ML-mudelite oluline aspekt, on nendega seotud piisavad juhtimisprotsessid kriitilise tähtsusega. Andmete haldusprotsess peaks hõlmama allikaid, sisendandmete kvaliteedi kontrolle, andmete analüüsimist (mis hõlmab ühemõõtmelist analüüsi ja kõrvalekallete analüüsi), käsitsi sisestamise kontrolle ja muid aspekte.
Mudeli valideerimise vaatenurgast eeldab andmete testimine tõhusat andmehaldusraamistikku, mis kehtestab mudelite andmete kvaliteedi, täielikkuse ja ajakohasuse reeglid. Selles mõttes on kõrvalekalded nendest standarditest keeruline teema, kuna ML-meetodites kasutatavad andmed on traditsiooniliste mudelitega võrreldes tohutud. Samuti toetuvad ML-mudelid suurele hulgale heterogeensetele ja suuremõõtmelistele andmetele, mistõttu on andmete asjakohasuse tagamiseks oluline dokumenteerida alates hankimisest, töötlemisest ja teisendamisest kuni mudeli täieliku kasutuselevõtu viimase etapini.

Seetõttu peab mudeli valideerimismeeskond enne tootmises kasutamist kinnitama, et sisendandmed on kättesaadavad ja läbinud asjakohase kvaliteedikontrolli. Samuti on vaja testida, kuidas erinevad ML-tehnikad käsitlevad puuduvaid andmeid, normaliseerimistehnikaid ja anomaalseid andmeid. Samuti peaksid ettevõtted tagama andmete hea jälgitavuse lähtesüsteemideni, et andmeprobleeme saaks allikas lahendada.

5) Kontrollimine ML mudelite seletatavuse puudumise tõttu

ML-mudelite seletamatuse puudumine on keerulisemate tehnikate (nt ANN) jaoks suur väljakutse, kus sisend-väljund vastused on ebaselged ja läbipaistmatu. Mõnede ML-mudelite keerukus võib muuta teooria, eelduste ja lõplike hinnangute matemaatilise aluse selge ülevaate esitamise keeruliseks. Lõpuks on selliseid mudeleid raske tõhusalt kinnitada.

Musta kasti omadus muudab mudeli kontseptuaalse usaldusväärsuse hindamise keeruliseks, vähendades selle töökindlust. Näiteks võib hüperparameetrite valideerimine nõuda täiendavaid statistilisi teadmisi ja seetõttu peaksid asutused tagama, et valideerimist jälgivad töötajad on asjakohaselt koolitatud.

Mudelivalidaatorid võivad läbipaistvuse puudumise kõrvaldamiseks vaadata leevendavaid kontrolle. Sellised kontrollid võivad olla osa pidevast järelevalvest, mis on rangem. Samuti on soovitatav kasutada võrdlusmudeleid, et võrrelda väljundeid ja kõrvalekaldeid eelnevalt määratletud reeglitega, mis võib viia edasise uurimiseni või mudelite tootmises kasutamise lõpetamiseni.

6) ML mudelite hüperparameetrite kalibreerimine

ML-mudelite peamised eeldused on tavaliselt mudelis kasutamiseks välja töötatud ja häälestatud hüperparameetrid. Kui need eeldused on läbipaistmatud, oleks seda ka äriline intuitsioon või usaldusväärsus. Veelgi enam, ML-mudelites võib hüperparameetrite väärtus mudeli tulemusi tõsiselt mõjutada.

Hüperparameetrite sätete muudatusi tuleb hinnata, et hinnata modelleerija valiku asjakohasust. Kui hüperparameetrites tehakse täiendavaid muudatusi, peab valideerimismeeskond kinnitama, et mudeli tulemused on järjepidevad.

7) Tulemuste analüüs

Oleme näinud, et tulemuste analüüs on otsustava tähtsusega, et kompenseerida mõne ML-tehnika seletatavuse puudumist. Lisaks on tulemuste analüüsil oluline roll mudeli toimivuse hindamisel. Analüüs on keskendunud ristvalideerimisele ja selle variantidele. Järeltestimise protseduurid ei ole sama olulised kui traditsiooniliste mudelite puhul.

Dispersioon vs nihke kompromiss ML-mudelites võib olla keeruline ja murettekitav. Kuigi see ei ole statistiliste ja regressioonimudelite kohaldamisalast välja jäänud, võimendavad ML-mudelid häireid.

Olenevalt mudeli metoodikast saab selleks kasutada paljusid mõõdikuid. Näiteks MSE võib lagundada eelarvamusteks ja dispersiooniks. Kompromisside selgesõnaline hindamine tuleks üle vaadata ja dokumenteerida.

Valimiväline testimine on ka AI/ML tulemuste analüüsi oluline komponent. Validaatorid peavad üle vaatama ja hindama, kas mudeli väljatöötamise protsessis on järgitud asjakohaseid protseduure, et tagada tulemuste analüüsi nõuetekohane läbiviimine, sealhulgas ristvalideerimise ja testimise komplektid.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
• Allikas: https://www.finextra.com/blogposting/23865/seven-challenges-financial-institutions-must-address-to-harness-machine-learnings-potential?utm_medium=rssfinextra&utm_source=finextrablogs