وكثيرا ما يقول العديد من الخبراء الذكاء الاصطناعي AI أن الأنسب للقطاع المالي. لأن المال هو واحد من أغنى البيانات التاريخية والميدانية دقيقة، حتى تؤكد أن سيتم استبدال القطاع المالي من قبل منظمة العفو الدولية. ولكن هناك مشكلة كبيرة هي أن الذكاء الاصطناعي لا يمكن أن يفسر سلوكهم، مما يجعل إشراف قوي من القطاع المالي من الصعب استخدام على نطاق واسع من منظمة العفو الدولية.

عندما تنظر للبنك باستخدام الذكاء الاصطناعي، وسوف يحدث ما يسمى المشاكل "الصندوق الاسود" مرارا وتكرارا، بغض النظر عن عشرات الائتمان أو قروض أو أنواع أخرى من الأعمال.

والسيطرة على المخاطر المالية طويلة الأجل في مجال الصناعة التنفيذيين بصراحة، البنوك التقليدية عموما يريدون لاستخدام مواقع التواصل الاجتماعي للتسويق، ولكن ليس من الواضح إذا كانت البنوك عن سمات بيانات العملاء، فمن السهل أن إدارة الالتزام Dangxia.

القطاع المالي AI الأنسب؟ تخفض درجة الفعلية من المعدل العام!

مثل هذه القيود على البنوك جعل الأعمال التجارية الفعلية استيراد AI، هناك فجوة كبيرة بين المثالية والواقع.

ووفقا ل "معهد ماساتشوستس للتكنولوجيا سلون المراجعة الادارية" (MIT سلون المراجعة الإدارية)، و "مجموعة بوسطن للاستشارات" (مجموعة بوسطن الاستشارية) دراسة "إعادة تشكيل BUSINESS مع الذكاء الاصطناعي" صنع في عام 2017، والتحقيق هو الذكاء الاصطناعي في جميع القطاعات مدى اعتماد. النتائج AI لصناعة الخدمات المالية لتقييم المستوى الحالي للتأثير على السلع والخدمات، وسير العمل فقط حوالي 10، وانخفاض حتى من عموما المتوسط (انظر الشكل أدناه).

المصور | AI باستخدام مختلف الصناعات مدى: تأثير السلع والخدمات (المصدر: معهد ماساتشوستس للتكنولوجيا سلون المراجعة الادارية)

يتضح | الصناعات التي تستخدم درجة AI: درجة التأثير على سير العمل (المصدر: معهد ماساتشوستس للتكنولوجيا سلون المراجعة الادارية)

حتى كثير من الحالات، البنوك حتى استيراد AI، وتأثير ليس كما يتصور السحر.

المؤسسات المالية التقليدية مثل محرك قواعد الاستيراد للتحقق من نظام النووي كان في الواقع لسنوات، ولكن العيب هو أكثر من اللازم البعد الحقيقي للمشهد المالي، وتعريف محرك قواعد الاصطناعي لا تستطيع أن تفعل التحديد الدقيق جدا. ولكي لا تذهب سدى الرأسي بدلا من ذلك، النظام هناك الكثير من ايجابيات كاذبة. بل وحتى مع محركات قواعد ومتطلبات المراجعة اليدوية لا تزال هائلة.

واضاف "على المؤسسات المالية الدولية الرئيسية لغسل الأموال ووضع في الكثير من القوى العاملة واليدوية قسم مراجعة كبيرة جدا" وقال أحد المصادر أنه بالإضافة إلى التكلفة العالية خارج الخطر الأكبر هو معقد التفتيش النووي أسهل استياء العملاء، أو حتى عملاء تفقد.

وأوضح أن صناعة تبييض الأموال يجب أن يخضع التحقيق القضائي من أجل إقامة الشعور بالذنب، ومطلوب أن يكون التفسيرية للغاية. إذا AI يمكن أن نشير فقط من حساب مشبوه، ولكن لا يمكن أن يفسر لماذا الذات، وفقا للمحققين لن تكون قادرة على توسيع اجراء مزيد من التحقيقات.

تعلم غير مراقب هو تطبيق القطاع المالي من منظمة العفو الدولية اتجاه جديد اختراق

وفرع مؤخرا التعلم الآلي - التعلم بدون إشراف (UML)، فهي قادرة على لا تحتاج إلى شرح AI.

يتضح | شرح الفرق بين منظمة العفو الدولية ومنظمة العفو الدولية آلة التعلم اليوم (المصدر: DARPA)

تعلم غير مراقب هو وسيلة لتعلم الآلة، والتدريب غير مطلوب القوى العاملة نظرا التسمية، والمطلوب فقط لتوفير البيانات المدخلة إلى الجهاز. لأنه لا يوجد التسمية الافتراضية، وآلة التعلم غير خاضعة للرقابة لا تعرف نتائج تصنيف غير صحيحة، ولكن ميزة هو أنه سيحدد تلقائيا حكم المحتملة من البيانات، لذلك قد يكون النتائج التفسيرية قوي.

الفيسبوك رأس الحقل AI، AI هو الأكثر تأثيرا واحد من الخبراء يان ليكون قد دعا مرارا التعلم غير خاضعة للرقابة هو مستقبل التكنولوجيا AI.

على الرغم من أن التعلم غير خاضعة للرقابة في المجتمع البحوث العلمية هو الاتجاه السائد، ولكن مثال على التطبيق الناجح لصناعة واسعة النطاق هي أيضا ليست من ذلك بكثير، وحتى أقل للقطاع المالي. ولكن واحدة من قبل اثنين من النساء الصينيات شارك في تأسيس الذكاء الاصطناعي في وادي السليكون الناشئة DataVisor، لكنها واحدة من الشركات الرائدة في تطبيقات التعلم غير خاضعة للرقابة في المجالات المالية للشركة.

DataVisor إلى "آلة التعلم غير خاضعة للرقابة" (UML) باعتباره المحرك الأساسي، والجمع بين محرك قواعد تلقائية والعالمية قواعد البيانات التقليدية، ملتزمة معالجة القطاع المالي والجرائم المالية والاحتيال عبر الإنترنت مشكلة الكشف، المليار أوامر من أحداث حجم يمكن أن يحدث على الجديد كل ساعة حلل تلقائيا تحديد وتحديد الهجمات الخبيثة المحتملة، تمت معالجتها في جميع أنحاء العالم أكثر من 600 مليار أحداث المستخدم و 140 مليون مستخدم سيئة، وحماية العالمي أربعة مليارات مستخدمي الإنترنت، وظهرت مؤخرا في "وول ستريت جورنال" الذي صدر مؤخرا "2018 أكثر شركات التكنولوجيا قلق Top25 "القائمة.

DT يونيو مقابلة حصرية DataVisor، تحليل غير خاضعة للرقابة مزايا تطبيق تعلم الآلة في القطاع المالي. الشريك المؤسس والرئيس التنفيذي لشركة وصف Xieying ليان، بيانات الصناعة المالية الغنية، ولكن الرقمية ليست مثالية، وهذا هو التحدي المشترك لجميع وسائل التعلم الآلي. دون الاستفادة من التعلم تحت إشراف هو اجبار التسامح عالية للبيانات مفقودة، فإنه لا تعتمد على سلامة البيانات.

المصور | DataVisor الشريك المؤسس والرئيس التنفيذي لشركة Xieying ليان (من اليسار)، DataVisor CTO فانغ يو (يمين)

"غير خاضعة للرقابة مزايا تعلم الآلة هي كميات هائلة من البيانات التي يمكن الكشف عنها في حالة عدم وجود تسميات الحالة، وإخراج نتيجة للتفسير قوي."

Xieying ليان مزيد من التوضيح، والتعلم غير خاضعة للرقابة هي فرع من تعلم الآلة، مقارنة مع غيرها من فروع التعلم تحت إشراف وتعزيز التعلم، والتعلم غير خاضعة للرقابة لا تحتاج الى قوة بشرية لدخول التسمية، ولكن لإيجاد الجديد نشط الوضع في الوقت الحقيقي، جديد التعلم.

المصور | نماذج تعلم آلة إشراف عرض عام لكل حساب على حدة، كل يبحث في نقطة مماثلة في اللوحة. تعلم الآلة غير خاضعة للرقابة يمكن تحليل العلاقة بين الحسابات، حتى لو الحسابات الفردية دون أي مظهر المشبوهة، ولكن أيضا بالكشف عن نموذج المشبوهة من البيانات. بهذه الطريقة على غرار ما يمكننا أن نرى وفهم أنماط الشاملة اللوحة بدلا من كل نقطة، حتى إذا كان لون وشكل كل نقطة مختلفة.

لماذا اشراف مساعدة التعلم حل نقاط الضعف في تطبيق القطاع المالي الذكاء الاصطناعي ذلك؟

واضاف "انها مع تنميتها المتصلة بالتغيرات في القطاع المالي"، DataVisor المؤسس المشارك والمدير فانغ يو وأوضح: "في الأدوات المالية الماضية بسيط نسبيا، ودرجة الضرر في شكل الاحتيال تقتصر أكثر من ذلك. ولكن في هذه الصفقة أشكال متكررة على نحو متزايد من الجريمة مع مرور كل يوم، حتى التسمية قبل اتخاذ آلة التعلم في كثير من الأحيان في وقت متأخر، ردا على هجمات جديدة انها متخلفة ".

دون التعلم تحت إشراف يمكن أن تجعل كميات هائلة من البيانات للكشف دون تسمية، مجموعة من استثناء لمعرفة، وإخراج نتيجة للتفسير قوي، حتى ارتشف في مهدها قبل وقوع الهجوم المقام الأول.

أسود تفشي سعة الشبكة المحلية الرائدة الاحتيال المالي الرقمية، على سبيل المثال، DataVisor مدير عام الصين وو أوضح، مثل الاحتيال المالي لنقل الخبيثة، عادة ما تكون هناك عملية. أولا، سوف تحتاج إلى مهاجم لإنشاء عدد كبير من حساب الخبيثة، ثم تحتاج إلى "عدد إبقاء" الذي هو تصنيع بعض من سجل تبدو طبيعية للحساب، ثم استخدام هذه الحسابات من أجل ارتكاب عمليات احتيال. قواعد المحرك التقليدي، أو تسمية التعلم أشرف، أكثر صعوبة للكشف عن عدد الدعم المبكر، حساب خبيثة تبدو طبيعية. تعلم غير مراقب غير ان طبيعة المجموعة وأخذ زمام المبادرة لمعرفة الشاذ، وتوفير الموظفين التنبؤ بها.

لاحظ وو، بسبب انتشار الأسود الإنتاج المحلي، يمكنك ان ترى والمؤسسات المالية توليد المزيد من الطلب على الذكاء الاصطناعي، وسوف يكون أكثر وعيا استكشاف.

في حالة النمو السريع للبيانات، لا بد المؤسسات المالية المحلية للدخول في عملية الترقية. وإن كانت لا تزال لها حدودها، ولكن هذه الصناعة برمتها قد تسارعت محرك الأقراص نحو مستقبل الذكاء الاصطناعي. لا يمكن لأحد أن يتنبأ حقا بدقة AI متى سيحدث انفراجة، لكن استكشاف أكثر وعيا، سيكون مفتاح البقاء في المستقبل.