मशीन लर्निंग की क्षमता का दोहन करने के लिए वित्तीय संस्थानों को सात चुनौतियों का समाधान करना चाहिए (अंशुमन प्रसाद)

मशीन लर्निंग (एमएल), कृत्रिम बुद्धिमत्ता (एआई) की सबसे प्रमुख शाखा, वित्तीय सेवा उद्योग के लिए दोनों तरह से कटौती करती है, जहाँ इसके अनुप्रयोग दिन पर दिन व्यापक होते जा रहे हैं।

लाभ स्पष्ट हैं। एमएल मॉडल को परिणामों से सीखने के लिए प्रशिक्षित किया जाता है जैसे मानव मस्तिष्क करता है और जटिल कार्यों को उस पैमाने और गति से निष्पादित कर सकता है जो मनुष्य बस नहीं कर सकते।

लेकिन खतरे बहुत अधिक हैं। मॉडलों की जटिलता एक जोखिम है। कई अपारदर्शी और अस्पष्ट हो सकते हैं, जो ब्लैक बॉक्स होने के लिए कुख्यात हैं। और जब गैर-पारदर्शी मॉडल में खराबी आती है, तो चीजें हाथ से निकल सकती हैं।

अत्यधिक मामलों में, यह पूरी अर्थव्यवस्था के लिए प्रणालीगत परिणामों के साथ, वित्तीय संस्थानों को भी विफल कर सकता है।

वित्तीय संस्थानों के लिए, वास्तव में एमएल मॉडल को मौजूदा सिद्धांतों और मॉडल जोखिम प्रबंधन की सर्वोत्तम प्रथाओं का पालन करने में कई चुनौतियाँ हैं। वित्तीय संस्थानों के साथ काम करने के हमारे अनुभव में, निम्नलिखित सात सबसे आम चुनौतियाँ हैं जो हम देखते हैं और उन्हें दूर करने के लिए वे क्या कदम उठा रहे हैं।

1) एक एमएल मॉडल सत्यापन ढांचे का संचालन करना जिसमें एल्गोरिदम, सत्यापन तकनीक, नियंत्रण और प्रलेखन शामिल हैं

वित्तीय संस्थानों को विशेष रूप से एमएल मॉडल के लिए एंड-टू-एंड सत्यापन ढांचे को स्थापित करने की आवश्यकता है।

व्यावसायिक आवश्यकताओं और डेटा की उपलब्धता के संबंध में उपयुक्त एल्गोरिदम का चयन करना महत्वपूर्ण है। इसके लिए एमएल मॉडलिंग, व्यावसायिक समझ और प्रोग्रामिंग में विशेषज्ञता की आवश्यकता होती है।

एमएल मॉडल के लिए सत्यापन तकनीक आम तौर पर वित्तीय संस्थानों द्वारा अन्य मॉडलों के लिए उपयोग की जाने वाली तकनीकों से भिन्न होती है। वे उपयोग किए गए एमएल एल्गोरिदम और डेटा की उपलब्धता और संरचना के अनुसार भी भिन्न हो सकते हैं।

इसके अतिरिक्त, पुन: सत्यापन और लक्षित सत्यापन (मौजूदा मॉडल पर लागू महत्वपूर्ण परिवर्तन) को रक्षा की दूसरी पंक्ति द्वारा कवर किया जाना चाहिए, यह पुष्टि करने के लिए कि मॉडल उद्देश्य के लिए उपयुक्त है। एमएल मॉडल में, मापदंडों में मामूली बदलाव या सेटअप ट्यूनिंग एल्गोरिथम के व्यवहार और मॉडल के परिणामों को महत्वपूर्ण रूप से प्रभावित कर सकता है।

फिर, नियंत्रण के डिजाइन और प्रभावशीलता पर जोर देने के साथ नियंत्रण ढांचे की आवश्यकता होती है। पूर्ण प्रलेखन यह सुनिश्चित करने के लिए आवश्यक है कि स्वतंत्र पार्टी मॉडलिंग, एल्गोरिदम और उपयोग की जाने वाली सत्यापन तकनीकों, नियंत्रण स्वामित्व और कवरेज के उद्देश्य को समझती है।

यह भी महत्वपूर्ण है कि मॉडल सत्यापन कार्य ऐसे लोगों के साथ हों जिनके पास सही ज्ञान और कौशल हो। इसलिए, मॉडल-सत्यापन टीमों को डेटा विज्ञान पृष्ठभूमि और विभिन्न एआई और एमएल मॉडलिंग तकनीकों के ठोस आधार वाले लोगों को नियुक्त करना चाहिए।

2) नियामक आवश्यकताओं, शासन और नियंत्रण, निगरानी को कवर करने वाली नीतियां स्थापित करना

एमएल मॉडल सत्यापन के लिए नियामक आवश्यकताओं के आसपास अभी भी काफी अनिश्चितता है।

नियामक निकायों ने सामान्य नियामक अपेक्षाएं प्रस्तुत की हैं; हालाँकि, एमएल मॉडल के लिए कोई औपचारिक नियामक ढांचा नहीं है। वित्तीय संस्थानों को सामान्य नियामक आवश्यकताओं को बताते हुए एक नीति विकसित करनी चाहिए, जिसमें एमएल मॉडल के लिए मॉडल जोखिम प्रबंधन दिशानिर्देश और दिशानिर्देश शामिल हो सकते हैं।

मॉडल जोखिम प्रबंधन दिशानिर्देशों में वैचारिक सुदृढ़ता, डेटा गुणवत्ता जांच, शासन और नियंत्रण, मॉडल निगरानी और मॉडल सत्यापन शामिल होना चाहिए। बोर्ड और वरिष्ठ प्रबंधन को उपयोग के मामलों से अवगत होना चाहिए और एमएल मॉडल जीवनचक्र में उपयोग किए जाने वाले नियंत्रणों की प्रभावशीलता को समझना चाहिए। स्वामित्व और उत्तरदायित्व प्राप्त करने के लिए भूमिकाओं और जिम्मेदारियों को स्पष्ट रूप से परिभाषित करने की आवश्यकता है।

3) एक मजबूत और नियंत्रित वातावरण में एमएल मॉडल का कार्यान्वयन

एमएल मॉडल का कार्यान्वयन जोखिमों के प्रति संवेदनशील है। सांख्यिकीय या पारंपरिक मॉडलों की तुलना में, एमएल एल्गोरिदम के जटिल विनिर्देश कम्प्यूटेशनल और मेमोरी दक्षता पर तनाव डालते हैं, जो कार्यान्वयन जोखिमों के बारे में चिंताओं को बढ़ाता है।

विभिन्न प्लेटफार्मों का उपयोग करके एमएल मॉडल के कार्यान्वयन के लिए विशेषज्ञता और बुनियादी ढांचे की आवश्यकता होती है। इन उपकरणों के भीतर एक मजबूत आईटी अवसंरचना बनाने, प्रोग्रामिंग का उपयोग करके उपकरण विकसित करने, मॉडल निगरानी में सुधार और सत्यापन सेटअप बनाने पर जोर दिया जाना चाहिए। यह जटिलता आईटी प्रणाली के भीतर मॉडल के सही कार्यान्वयन को सत्यापित करने के लिए सत्यापन कार्य को और अधिक कठिन बना देती है।

कार्यान्वयन प्रक्रिया का प्रलेखन एक स्वतंत्र पक्ष को प्रयुक्त प्रणाली के प्रक्रिया प्रवाह को समझने में सक्षम बनाता है। मॉडल सत्यापन कार्य को मॉडल कार्यान्वयन की उपयुक्तता का आकलन करने और प्रदर्शन किए गए परीक्षण और मॉडल को रेखांकित करने वाले समग्र नियंत्रण ढांचे का मूल्यांकन करने की आवश्यकता है।

4) प्रभावी डेटा शासन प्रक्रियाओं को डिजाइन करना

चूंकि डेटा एमएल मॉडल का एक महत्वपूर्ण पहलू है, इसके चारों ओर पर्याप्त शासन प्रक्रियाएं महत्वपूर्ण हैं। डेटा गवर्नेंस प्रक्रिया में स्रोत, इनपुट डेटा गुणवत्ता जांच, डेटा का विश्लेषण (जिसमें एकतरफा विश्लेषण और आउटलेयर का विश्लेषण शामिल है), मैनुअल इनपुट पर नियंत्रण और अन्य पहलू शामिल होने चाहिए।
एक मॉडल सत्यापन के दृष्टिकोण से, डेटा परीक्षण के लिए एक प्रभावी डेटा प्रबंधन ढांचे की आवश्यकता होती है जो मॉडल के लिए डेटा गुणवत्ता, पूर्णता और समयबद्धता पर नियमों का एक सेट स्थापित करता है। इस अर्थ में, इन मानकों से विचलन एक चुनौतीपूर्ण विषय है, क्योंकि पारंपरिक मॉडलों की तुलना में एमएल विधियों में उपयोग किया जाने वाला डेटा बहुत बड़ा है। इसके अलावा, एमएल मॉडल विषम और उच्च-आयामी डेटा की बड़ी मात्रा पर भरोसा करते हैं, जिससे डेटा की उपयुक्तता सुनिश्चित करने के लिए मॉडल की पूर्ण तैनाती के अंतिम चरण तक सोर्सिंग, प्रसंस्करण और परिवर्तन से दस्तावेज बनाना महत्वपूर्ण हो जाता है।

इसलिए, मॉडल सत्यापन टीम को यह पुष्टि करनी चाहिए कि इनपुट डेटा उपलब्ध है और उत्पादन में उपयोग किए जाने से पहले उचित गुणवत्ता जांच की गई है। यह परीक्षण करना भी आवश्यक है कि विभिन्न एमएल तकनीकें लापता डेटा, सामान्यीकरण तकनीकों और विषम डेटा को कैसे संभालती हैं। इसके अलावा, फर्मों को स्रोत प्रणालियों में डेटा की अच्छी ट्रेसबिलिटी सुनिश्चित करनी चाहिए ताकि स्रोत पर डेटा चुनौतियों को ठीक किया जा सके।

5) एमएल मॉडल की व्याख्या की कमी के लिए नियंत्रण

एएनएन जैसी अधिक जटिल तकनीकों के लिए एमएल मॉडल की व्याख्यात्मकता की कमी एक बड़ी चुनौती है, जहां इनपुट-आउटपुट प्रतिक्रियाएं अस्पष्ट हैं और पारदर्शिता की कमी है। कुछ एमएल मॉडल की जटिलता अंतिम अनुमानों के सिद्धांत, मान्यताओं और गणितीय आधार की स्पष्ट रूपरेखा प्रदान करना चुनौतीपूर्ण बना सकती है। अंत में, ऐसे मॉडल कुशलतापूर्वक मान्य करने के लिए कठिन साबित होते हैं।

ब्लैक बॉक्स की विशेषता किसी मॉडल की वैचारिक मजबूती का आकलन करना मुश्किल बना देती है, जिससे उसकी विश्वसनीयता कम हो जाती है। उदाहरण के लिए, हाइपरपरमेटर्स के सत्यापन के लिए अतिरिक्त सांख्यिकीय ज्ञान की आवश्यकता हो सकती है, और इसलिए, संस्थानों को यह सुनिश्चित करना चाहिए कि सत्यापन की देखरेख करने वाले कर्मचारी उचित रूप से प्रशिक्षित हैं।

पारदर्शिता की कमी को दूर करने के लिए मॉडल सत्यापनकर्ता नियंत्रण को कम करने पर विचार कर सकते हैं। ऐसे नियंत्रण चल रही निगरानी का हिस्सा हो सकते हैं जो अधिक कठोर हैं। पूर्वनिर्धारित नियमों के विरुद्ध आउटपुट और भिन्नताओं की तुलना करने के लिए बेंचमार्क मॉडल का उपयोग करने की भी सिफारिश की जाती है, जिससे उत्पादन में मॉडल के उपयोग की आगे की जांच या बंद हो सकती है।

6) एमएल मॉडल का हाइपरपैरामीटर अंशांकन

एमएल मॉडल के लिए मुख्य धारणा आमतौर पर मॉडल में लागू होने के लिए विकसित और ट्यून किए गए हाइपरपैरामीटर हैं। यदि ये धारणाएँ अपारदर्शी हैं, तो व्यावसायिक अंतर्ज्ञान या सुदृढ़ता भी होगी। इसके अलावा, एमएल मॉडल में, हाइपरपरमेटर्स का मूल्य मॉडल के परिणामों को गंभीर रूप से प्रभावित कर सकता है।

मॉडलर की पसंद की उपयुक्तता का आकलन करने के लिए हाइपरपरमीटर सेटिंग में बदलाव का मूल्यांकन करने की आवश्यकता है। यदि हाइपरपरमेटर्स में और परिवर्तन किए जाते हैं, तो सत्यापन टीम को यह पुष्टि करनी चाहिए कि मॉडल के परिणाम सुसंगत हैं।

7) परिणाम विश्लेषण

परिणाम विश्लेषण, हमने देखा है, कुछ एमएल तकनीकों में व्याख्यात्मकता की कमी की भरपाई करने के लिए महत्वपूर्ण है। इसके अलावा, मॉडल के प्रदर्शन का आकलन करने में परिणाम विश्लेषण की महत्वपूर्ण भूमिका होती है। विश्लेषण क्रॉस-वैलिडेशन और इसके वेरिएंट पर केंद्रित है। बैक-टेस्टिंग प्रक्रियाओं की पारंपरिक मॉडलों की तरह प्रासंगिकता नहीं है।

एमएल मॉडल में वैरियंस बनाम बायस ट्रेड-ऑफ चुनौतीपूर्ण और संबंधित हो सकता है। हालांकि यह सांख्यिकीय और प्रतिगमन मॉडल के दायरे से बाहर नहीं है, एमएल मॉडल अलार्म को बढ़ाते हैं।

मॉडल की कार्यप्रणाली के आधार पर, इस उद्देश्य के लिए कई मेट्रिक्स का उपयोग किया जा सकता है। उदाहरण के लिए, MSE को पूर्वाग्रह और विचरण में विघटित किया जा सकता है। व्यापार-नापसंद के स्पष्ट मूल्यांकन की समीक्षा की जानी चाहिए और प्रलेखित किया जाना चाहिए।

एआई/एमएल के परिणाम विश्लेषण के लिए आउट-ऑफ-सैंपल परीक्षण भी एक महत्वपूर्ण घटक है। सत्यापनकर्ताओं को समीक्षा करनी चाहिए और मूल्यांकन करना चाहिए कि क्रॉस-वैलिडेशन और परीक्षण सेट सहित परिणाम विश्लेषण उचित रूप से आयोजित किए जाने के लिए मॉडल विकास प्रक्रिया में उपयुक्त प्रक्रियाओं का पालन किया गया है या नहीं।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• स्रोत: https://www.finextra.com/blogposting/23865/seven-challenges-financial-institutions-must-address-to-harness-machine-learnings-potential?utm_medium=rssfinextra&utm_source=finextrablogs