机器学习洞察力总监【第三部分：金融版】
'机器学习洞察力总监【第三部分：金融版】' can be condensed to 'Machine Learning Insights Director [Part 3 Financial Edition]'.
如果您有兴趣更快地构建机器学习解决方案，请立即访问hf.co/support！
👋 欢迎回到我们的机器学习洞察系列之金融版！如果您错过了之前的版本，可以在这里找到它们：
- 机器学习洞察总监 [第一部分]
- 机器学习洞察总监 [第2部分：SaaS版]
金融领域的机器学习总监面临着独特的挑战，需要在导航传统系统、部署可解释模型和维护客户信任之间找到平衡，同时还要面对高度监管（涉及大量政府监督）。解决这些挑战需要深厚的行业知识和技术专长。来自美国银行、加拿大皇家银行、穆迪分析公司以及前彭博AI研究科学家的以下专家都有助于揭示机器学习与金融领域中的独特亮点。
您将听到希腊国家网球冠军、拥有100多项专利的出版作者以及定期参加世界上最古老的马球俱乐部（加尔各答马球俱乐部）比赛的自行车马球运动员的经验故事。他们都成为了金融领域的机器学习专家。
🚀 准备好了吗？以下是金融领域机器学习专家们的顶级见解：
免责声明：所有观点均来自个人，与任何过去或现在的雇主无关。
Ioannis Bakagiannis – 加拿大皇家银行机器学习市场科学总监
背景：对机器学习充满热情的专家，具有交付可扩展、生产级和最先进机器学习解决方案的经验。Ioannis还是Bak Up Podcast的主持人，并通过人工智能对世界产生影响。
趣闻：Ioannis曾是希腊国家网球冠军🏆
加拿大皇家银行：作为全球领先的金融机构，RBC资本市场在资本市场、银行和金融领域被视为创新的、值得信赖的合作伙伴。
1. 机器学习如何对金融产生积极影响？
我们都知道机器学习是各行各业的一股颠覆性力量，不断创造新的业务机会。许多金融产品就是由于机器学习的出现而被创建或改变，例如个性化保险和定向营销。
颠覆和利润固然重要，但我最喜欢的金融影响是机器学习引发的金融决策信任对话。
过去，贷款批准、利率确定、投资组合管理等金融决策都由具备相关专业知识的人类完成。基本上，人们信任“他人”或“专家”做出金融决策（而且经常是毫不怀疑地信任）。
当机器学习尝试自动化这个决策过程时，人们会问：“为什么我们要信任一个模型？” 模型似乎是来替代勤劳工作的人们的黑匣子。但这个争论引发了关于金融决策信任和伦理的对话，无论涉及谁或什么。
作为一个行业，我们仍在定义这个对话，但多亏了金融领域的机器学习，这个对话变得更加透明。
2. 金融领域的机器学习面临的最大挑战是什么？
我无法代表公司发言，但是成熟的金融机构经历着与所有长寿机构一样的持续挑战：遗留系统。
金融机构已经存在了一段时间，并随着时间的推移发展壮大，但今天它们发现自己以某种方式成为了“科技公司”。这些机构需要参与前沿技术，以便能够与新进入者竞争，但同时也要保持使我们的金融世界运转的稳健性。
这种内部斗争受到机构风险偏好的影响。金融风险通常随着您提供的解决方案规模（通常）呈线性增加，因为我们在谈论金钱。但除此之外，系统故障会带来其他形式的风险，如监管风险和声誉风险。这种复合风险以及将庞大而成熟的系统迁移到新技术堆栈的复杂性，至少在我看来，是采用机器学习等前沿技术时面临的最大挑战。
3. 您看到人们在尝试将机器学习集成到金融应用程序中时常见的错误是什么？
机器学习，即使在其最近受到的关注下，仍然是软件工程中相对较新的领域。机器学习应用的部署往往不是一个明确定义的过程。艺术家/工程师可以交付一个机器学习应用程序，但周围的世界对于技术过程仍然不熟悉。在技术和非技术世界的交汇处，我看到了最多的“错误”。
优化正确的业务和机器学习KPI，并定义正确的目标函数或期望的标签是困难的。我曾见过一些应用因为预测窗口不准确或者预测错误的标签而失败。
最糟糕的情况是，如果在开发阶段没有发现不匹配的问题，它就会进入生产环境。
然后应用程序可能会产生意想不到的用户行为，或者仅仅是测量/预测错误的事物。不幸的是，我们倾向于为机器学习团队提供工具和计算能力，但没有提供稳固的流程和沟通缓冲。而在定义不明确的过程的开始阶段犯下的错误会随着每一步的增加而增长。
4. 什么最让您对机器学习的未来感到兴奋？
很难不对机器学习带来的新事物感到兴奋。这个领域变化如此频繁，令人耳目一新。
目前，我们擅长解决单个问题：计算机视觉、下一个单词预测、数据点生成等等，但我们尚未能够同时解决多个问题。我对我们如何在数学表达式中建模这些看似相互矛盾的行为感到兴奋。希望我们能尽快实现！
Debanjan Mahata – Moody’s Analytics人工智能和机器学习主管 / 前Bloomberg AI研究科学家
背景：Debanjan是Moody’s Analytics人工智能团队的机器学习主管，同时也是印度IIIT-Delhi的兼职教员。他是一位积极的研究者，目前对自然语言处理中的各种信息提取问题和领域适应技术感兴趣。他在制定和应用机器学习到各种用例方面有着丰富经验。他积极参与机器学习领域不同顶级会议的程序委员会。
趣闻：Debanjan小时候在世界上最古老的马球俱乐部（加尔各答马球俱乐部）打过自行车马球。
Moody’s Analytics：提供支持客户增长、效率和风险管理目标的金融情报和分析工具。
1. 机器学习在金融领域如何产生积极影响？
机器学习（ML）在金融行业有许多方面产生了显著的积极影响。例如，它有助于打击金融犯罪和识别欺诈交易。机器学习在KYC（了解您的客户）筛查和AML（反洗钱）等应用中发挥着重要作用。随着全球金融机构对AML罚款的增加，制裁领域的不断变化以及洗钱活动的复杂性增加，银行在KYC和AML技术上的投资不断增加，其中许多技术都采用了机器学习。机器学习正在彻底改变这个行业的多个方面，尤其是通过自动化各种流程和帮助分析师更高效准确地完成工作而带来的巨大效率提升。
机器学习最有用的特性之一是它可以从大量数据中学习和发现隐藏的模式。随着金融行业数字化的推进，金融部门产生的数字化数据超过以往任何时候，这使得人类难以理解、处理和做出决策。机器学习使人类能够理解数据、从中获取信息并做出明智的决策。在Moody’s Analytics，我们正在使用机器学习来帮助客户更好地管理风险，满足业务和行业需求。
2. 金融领域中最大的机器学习挑战是什么？
-
降低误报率，同时不影响正确报告率 – 在监管科技领域，许多应用依赖于机器学习产生的警报。由于错误决策可能带来严格的监管措施和巨大的财务影响，人工调查可能耗时且耗力。机器学习在这些场景中确实有助于辅助人工分析师做出正确决策。但是，如果机器学习系统产生大量误报，会增加分析师的工作难度。在金融领域，找到正确的平衡是机器学习面临的重要挑战。
-
基础研究和教育中的机器学习与金融中的机器学习之间的差距 – 由于金融行业受到监管的性质，我们发现基础研究和金融行业在机器学习领域的想法、数据和资源交流有限。当然也有一些例外。这导致了金融行业开发满足金融行业需求的机器学习研究的匮乏。我认为应该加大努力来减小这种差距。否则，金融行业将越来越难以利用最新的机器学习进展。
-
遗留基础设施和数据库 – 许多金融机构仍然使用旧有的基础设施，这使得应用现代机器学习技术，特别是进行集成变得具有挑战性。金融行业可以从科技行业借鉴关键的思想、文化和最佳实践，以开发新的基础设施并使机器学习专业人员创新并产生更大影响。在整个行业中实施机器学习面临一些挑战。
-
数据和模型治理 – 在金融领域需要更多的数据和模型治理工作。随着我们收集的数据越来越多，应该加大努力收集高质量和正确的数据。当机器学习模型参与决策时，需要采取额外的预防措施。不同金融应用需要制定适用的模型治理措施和框架。在此领域面临的一个重大挑战是缺乏用于在该行业中运行机器学习系统所需的数据和模型治理工具和技术。还应该加大努力了解训练模型的数据中的偏差，并在整个过程中采取减轻偏差的常规做法。确保可审计性、模型和数据的来源一直是机器学习团队面临的挑战。
-
可解释性和可解释性 – 开发既高度准确又可解释和可解释的模型是一个重大挑战。现代深度学习模型通常优于传统模型；然而，它们缺乏可解释性。金融领域的大多数应用都要求解释性。采用该领域的最新发展并确保开发具有可解释预测的可解释模型是一个挑战。
3. 你觉得人们在尝试将机器学习应用到金融应用中时常犯的一个常见错误是什么？
- 不了解数据以及由其上训练的机器学习模型所做出的原始预测。
- 不分析失败的尝试并从中吸取教训。
- 不了解最终的应用及其使用方式。
- 在可能满足需求的情况下尝试复杂的技术。
4. 你对机器学习的未来最激动的是什么？
我对现代机器学习模型如何使用自监督学习在大量数据上学习丰富的文本、音频、图像、视频、代码等表示方式感到非常惊叹。未来肯定是多模态的，并且在通过机器学习理解多模态内容方面一直在取得持续的进展。我认为这将在不久的将来发挥关键作用，我对此感到兴奋，并期待成为这些进展的一部分。
Soumitri Kolavennu – 美国银行企业分析与人工智能部门的人工智能领导者
背景：Soumitri Kolavennu是美国银行企业分析与人工智能部门的高级副总裁兼人工智能研究负责人。他目前专注于基于深度学习的自然语言处理(NLP)、视觉和音频分析、图神经网络、传感器/知识融合、时间序列数据在自动化、信息提取、欺诈检测和反洗钱等金融系统中的应用。
此前，他担任Honeywell International Inc.的研究员领导和高级研究员，曾从事应用于智能家居、智能城市、工业和汽车系统的物联网和控制系统的研究。
有趣的事实：Soumitri是一个多产的发明家，在控制系统、物联网、无线网络、优化、涡轮增压、语音识别、机器学习和人工智能等各个领域拥有100多项美国专利。他还发表了约30篇论文，撰写了一本书和书章，并当选为NIST智能电网委员会的成员。
美国银行：美国最大的地区银行，将其关系团队、分支机构和自动取款机网络与数字工具相结合，使客户可以在他们偏好的时间、地点和方式进行银行业务。
1. 机器学习如何对金融产生了积极的影响？
机器学习和人工智能对金融业总体和银行业特别产生了深远而积极的影响。在银行业中，有许多需要考虑许多因素（特征）的决策，而机器学习在这方面传统上发挥了帮助的作用。例如，我们普遍依赖的信用评分就是从机器学习算法中得出的。
多年来，机器学习有趣地帮助消除了决策中的人为偏见，并为决策提供了一种一致的算法方法。例如，在信用卡/贷款批准和抵押贷款方面，现代人工智能技术可以考虑更多因素（自由文本、行为趋势、社交和财务交互），同时也可以检测欺诈行为。
2. 金融领域中最大的机器学习挑战是什么？
金融和银行业由于行业的特性带来了许多挑战。首先，金融业是一个受到政府监管的行业，许多方面都受到政府的监督。通常使用的数据是非常个人和可识别的数据（社会安全号码、银行对账单、税务记录等）。因此，在创建私密和无偏见的机器学习和人工智能模型时需要非常小心。许多政府法规要求任何模型都必须是可解释的。例如，如果拒绝了贷款，就有必要解释为什么拒绝。
另一方面，金融业的数据在其他行业可能很稀缺，而在金融业却非常丰富（例如，抵押贷款记录必须保存30年）。数据数字化的当前趋势以及更复杂的人工智能/机器学习技术的爆炸式增长为应用这些进展创造了独特的机会。
3. 人们在尝试将机器学习集成到金融应用中时常见的错误是什么？
最常见的错误之一是在不了解模型的基本工作原理、优点和缺点的情况下使用模型或技术。人们往往把人工智能/机器学习模型看作“黑盒子”。在金融领域，了解模型并能够解释其输出尤为重要。另一个错误是没有对代表性输入空间全面测试模型。在选择模型时，模型性能、验证、推理能力和模型监控（重新训练间隔）都是重要考虑因素。
4. 什么最令你对机器学习的未来感到兴奋？
现在是从事应用机器学习和人工智能的绝佳时机。人工智能/机器学习技术无疑正在改进，甚至重新定义许多科学学科。我对当前正在进行的所有发展如何重塑未来非常兴奋。
当我刚开始在自然语言处理领域工作时，我对神经网络/语言模型能够生成代表一个词、一个带有相关语法的句子，甚至一个段落的数字或向量（现在我们称之为嵌入）的能力感到敬畏。我们不断寻求更加合适和上下文相关的嵌入。
我们已经远远超越了文本的“简单”嵌入，发展出了更加令人敬畏的“多模态”嵌入。我最激动并期待在未来生成和使用这些新的嵌入，实现更多令人兴奋的应用。
🤗 感谢您参与我们的第三期机器学习总监见解。敬请期待来自机器学习总监的更多见解。
特别感谢Soumitri Kolavennu、Debanjan Mahata和Ioannis Bakagiannis对这篇文章的精彩见解和参与。我们期待见证您持续的成功，并将在每一步为您加油助威。🎉
如果您有兴趣通过Hugging Face Experts加速机器学习路线图，请访问hf.co/support了解更多信息。
