Finans kurumlarının makine öğreniminin potansiyelinden yararlanmak için ele alması gereken yedi zorluk (Anshuman Prasad)

Yapay zekanın (AI) en önemli kolu olan makine öğrenimi (ML), uygulamalarının gün geçtikçe yaygınlaştığı finansal hizmetler sektörü için iki yolu da kesiyor.

Faydaları açıktır. Makine öğrenimi modelleri, tıpkı insan beyninin yaptığı gibi sonuçlardan öğrenmek üzere eğitilir ve karmaşık görevleri insanların yapamayacağı bir ölçekte ve hızda yürütebilir.

Ancak tehlikeler çoktur. Modellerin karmaşıklığı bir risktir. Birçoğu opak ve belirsiz olabilir, kara kutu olmakla ünlüdür. Ve şeffaf olmayan modeller arızalandığında işler kontrolden çıkabilir.

Aşırı durumlarda, tüm ekonomi için sistemik sonuçlarla finansal kurumların başarısız olmasına bile yol açabilir.

Finansal kurumlar için, makine öğrenimi modellerini model risk yönetiminin mevcut ilkelerine ve en iyi uygulamalarına gerçekten uygun hale getirme konusunda bir takım zorluklar vardır. Finansal kurumlarla çalışma deneyimimize göre, aşağıda gördüğümüz en yaygın yedi zorluk ve bunların üstesinden gelmek için hangi adımları atıyorlar.

1) Algoritmaları, doğrulama tekniklerini, kontrolleri ve dokümantasyonu kapsayan bir makine öğrenimi modeli doğrulama çerçevesini çalışır hale getirme

Finansal kurumların, özellikle makine öğrenimi modelleri için uçtan uca bir doğrulama çerçevesi oluşturması gerekir.

İş gereksinimlerine ve verilerin kullanılabilirliğine göre uygun algoritmaların seçilmesi çok önemlidir. Bu, makine öğrenimi modelleme, iş anlayışı ve programlamada uzmanlık gerektirir.

Makine öğrenimi modellerine yönelik doğrulama teknikleri, genellikle finansal kuruluşlar tarafından diğer modeller için kullanılanlardan farklıdır. Ayrıca kullanılan makine öğrenimi algoritmasına ve verilerin kullanılabilirliğine ve yapısına göre farklılık gösterebilirler.

Ek olarak, modelin amaca uygun olduğunu doğrulamak için yeniden doğrulamalar ve hedefli doğrulamalar (mevcut modellere uygulanan önemli değişiklikler), ikinci savunma hattı tarafından ele alınmalıdır. Makine öğrenimi modellerinde, parametrelerdeki küçük değişiklikler veya kurulumun ayarlanması, algoritmanın davranışını ve modelin sonuçlarını önemli ölçüde etkileyebilir.

Ardından, kontrollerin tasarımına ve etkinliğine vurgu yapan kontrol çerçevesinin yürürlükte olması gerekir. Eksiksiz dokümantasyon, bağımsız tarafın modellemenin amacını, kullanılan algoritmaları ve doğrulama tekniklerini, kontrol sahipliğini ve kapsamı anlamasını sağlamak için bir zorunluluktur.

Model doğrulama fonksiyonlarının doğru bilgi ve becerilere sahip kişilerden oluşması da önemlidir. Bu nedenle, model doğrulama ekipleri, veri bilimi geçmişine ve farklı yapay zeka ve makine öğrenimi modelleme teknikleri konusunda sağlam bir temele sahip kişileri işe almalıdır.

2) Düzenleyici gereklilikleri, yönetişimi ve kontrolleri, izlemeyi kapsayan politikaların oluşturulması

Makine öğrenimi modeli doğrulaması için yasal gereklilikler konusunda hâlâ önemli bir belirsizlik var.

Düzenleyici kurumlar genel düzenleyici beklentiler sunmuşlardır; ancak, makine öğrenimi modelleri için resmi bir düzenleyici çerçeve yoktur. Finansal kurumlar, model risk yönetimi yönergelerini ve makine öğrenimi modellerine yönelik yönergeleri içerebilecek genel düzenleyici gereklilikleri belirten bir politika geliştirmelidir.

Model risk yönetimi yönergeleri, kavramsal sağlamlık, veri kalitesi kontrolleri, yönetişim ve kontroller, model izleme ve model doğrulamayı kapsamalıdır. Kurul ve üst yönetim, kullanım örneklerinin farkında olmalı ve makine öğrenimi modeli yaşam döngüsünde kullanılan kontrollerin etkinliğini anlamalıdır. Sahiplik ve hesap verebilirliği sağlamak için roller ve sorumlulukların açıkça tanımlanması gerekir.

3) ML modellerinin sağlam ve kontrollü bir ortamda uygulanması

Makine öğrenimi modellerinin uygulanması risklere yatkındır. İstatistiksel veya geleneksel modellerle karşılaştırıldığında, makine öğrenimi algoritmalarının karmaşık özellikleri, uygulama riskleriyle ilgili endişeleri artıran hesaplama ve bellek verimliliğine vurgu yapar.

Farklı platformlar kullanılarak ML modellerinin uygulanması uzmanlık ve altyapı gerektirir. Güçlü bir BT altyapısı oluşturmaya, programlama kullanarak araçlar geliştirmeye, model izlemeyi iyileştirmeye ve bu araçlar içindeki doğrulama kurulumlarına vurgu yapılmalıdır. Bu karmaşıklık, doğrulama görevini BT sistemi içindeki modellerin doğru uygulanmasını doğrulamak için daha zor hale getirir.

Uygulama sürecinin belgelenmesi, bağımsız bir tarafın kullanılan sistemin süreç akışını anlamasını sağlar. Model doğrulama işlevinin, model uygulamasının uygunluğunu değerlendirmesi ve gerçekleştirilen testi ve modeli destekleyen genel kontrol çerçevesini değerlendirmesi gerekir.

4) Etkili veri yönetişim süreçleri tasarlama

Veriler, makine öğrenimi modellerinin önemli bir yönü olduğundan, etrafındaki yeterli yönetişim süreçleri kritik öneme sahiptir. Veri yönetişim süreci kaynakları, girdi verisi kalite kontrollerini, veri analizini (tek değişkenli analiz ve aykırı değer analizini içerir), manuel girdiler üzerindeki kontrolleri ve diğer hususları kapsamalıdır.
Model doğrulama perspektifinden bakıldığında, veri testi, modeller için veri kalitesi, eksiksizliği ve güncelliği hakkında bir dizi kural oluşturan etkili bir veri yönetimi çerçevesi gerektirir. Bu anlamda, makine öğrenimi yöntemlerinde kullanılan veriler geleneksel modellere kıyasla çok büyük olduğundan, bu standartlardan sapmalar zorlu bir konudur. Ayrıca makine öğrenimi modelleri büyük hacimli heterojen ve yüksek boyutlu verilere dayanır; bu da verilerin uygun olduğundan emin olmak için kaynak bulma, işleme ve dönüştürmeden modelin tam dağıtımının son aşamasına kadar belgelemeyi önemli hale getirir.

Bu nedenle, model doğrulama ekibi, girdi verilerinin mevcut olduğunu ve üretimde kullanılmadan önce uygun kalite kontrollerinden geçtiğini doğrulamalıdır. Farklı makine öğrenimi tekniklerinin eksik verileri, normalleştirme tekniklerini ve anormal verileri nasıl ele aldığını test etmek de gereklidir. Ayrıca firmalar, veri sorunlarının kaynağında giderilebilmesi için verilerin kaynak sistemlere kadar iyi izlenebilirliğini sağlamalıdır.

5) Makine öğrenimi modellerinin açıklanabilir olup olmadığını kontrol etme

Makine öğrenimi modellerinin açıklanabilir olmaması, girdi-çıktı yanıtlarının net olmadığı ve şeffaflıktan yoksun olduğu YSA gibi daha karmaşık teknikler için büyük bir zorluktur. Bazı makine öğrenimi modellerinin karmaşıklığı, teorinin, varsayımların ve nihai tahminlerin matematiksel temelinin net bir taslağını sağlamayı zorlaştırabilir. Son olarak, bu tür modellerin verimli bir şekilde doğrulanmasının zor olduğu kanıtlanmıştır.

Kara kutu özelliği, bir modelin kavramsal sağlamlığının değerlendirilmesini zorlaştırarak güvenilirliğini azaltır. Örneğin, hiperparametrelerin doğrulanması ek istatistiksel bilgi gerektirebilir ve bu nedenle kurumlar, doğrulamayı denetleyen personelin uygun şekilde eğitildiğinden emin olmalıdır.

Model doğrulayıcılar, şeffaflık eksikliğini gidermek için hafifletici kontrollere bakabilir. Bu tür kontroller, daha sıkı olan devam eden izlemenin bir parçası olabilir. Çıktıları ve varyansları önceden tanımlanmış kurallara göre karşılaştırmak için kıyaslama modellerinin kullanılması da önerilir; bu, daha fazla araştırmaya veya üretimde model kullanımının durdurulmasına yol açabilir.

6) ML modellerinin hiperparametre kalibrasyonu

ML modelleri için temel varsayımlar, genellikle modelde uygulanmak üzere geliştirilen ve ayarlanan hiperparametrelerdir. Bu varsayımlar opaksa, iş sezgisi veya sağlamlığı da opak olacaktır. Ayrıca, makine öğrenimi modellerinde hiperparametrelerin değeri, modelin sonuçlarını ciddi şekilde etkileyebilir.

Modelcinin seçiminin uygunluğunu değerlendirmek için hiperparametre ayarlarındaki değişikliklerin değerlendirilmesi gerekir. Hiperparametrelerde daha fazla değişiklik yapılırsa, doğrulama ekibinin model sonuçlarının tutarlı olduğunu doğrulaması gerekir.

7) Sonuç analizi

Gördüğümüz gibi sonuç analizi, bazı makine öğrenimi tekniklerindeki açıklanabilirlik eksikliğini telafi etmek için çok önemlidir. Ayrıca, sonuç analizi, model performansının değerlendirilmesinde önemli bir role sahiptir. Analiz, çapraz doğrulama ve varyantlarına odaklanmıştır. Geriye dönük test prosedürleri, geleneksel modellerde olduğu gibi aynı öneme sahip değildir.

Makine öğrenimi modellerinde varyansa karşı önyargı değiş tokuşu zorlayıcı ve endişe verici olabilir. Bu, istatistiksel ve regresyon modellerinin kapsamı dışında olmamakla birlikte, ML modelleri alarmları güçlendirir.

Modelin metodolojisine bağlı olarak bu amaç için birçok metrik kullanılabilir. Örneğin, MSE önyargı ve varyansa ayrıştırılabilir. Takasların açık değerlendirmesi gözden geçirilmeli ve belgelenmelidir.

Örnek dışı testler, AI/ML için sonuç analizi için de önemli bir bileşendir. Doğrulayıcılar, çapraz doğrulama ve test setleri de dahil olmak üzere sonuç analizinin uygun şekilde yapıldığından emin olmak için model geliştirme sürecinde uygun prosedürlerin izlenip izlenmediğini incelemeli ve değerlendirmelidir.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://www.finextra.com/blogposting/23865/seven-challenges-financial-institutions-must-address-to-harness-machine-learnings-potential?utm_medium=rssfinextra&utm_source=finextrablogs