Finansal Robo-Danışma Yükselişini Destekleyen 3 Trend

Bu yazı AvivaSA Dijital Garaj‘ın katkıları ile yayınlanmıştır.

Üç kritik trend, yeni nesil finansal robo-danışma modellerinin hızlı gelişimini öne çıkarıyor. Aslında bu üç alanda elde edilen kazançlar, yapay zeka ile çalışan finansal danışmanlık modelleri alanında bir Moore Kanunları modeli ivme potansiyeli yaratıyor. 

1.Veri geçerliliği

Her gün 2.5 milyar GB’tan fazla veri üretiyoruz. Yenilikçiler (innovators) ve geliştiriciler, sınırsız sayıda görünen kaynaklardan bu verilerin geniş havuzlarına erişiyorlar. Örneğin, devletler ve devlet kurumları, Dahili Gelir Hizmeti ve ABD Nüfus Sayım Bürosu’ndan gelen sağlam teklifler dahil olmak üzere verilerini açıyorlar. Eğitim kurumları, dernekler ve kar amacı gütmeyen kuruluşlar arasında da benzer bir trend var.

Sonuç olarak, yeni veri odaklı iş modellerinin hızla geliştiğini görüyoruz. Tüketicileri güçlendiren yeni danışmanlık teklifleri ise bunların en heyecan verici olanları. Tüketicilere karar verme araçları veriyorlar ve daha hedeflenmiş ve daha ilgili ürün teklifleri sunuyorlar.

Kurulu şirketler ayrıca müşterilerinin bilgilerini kendileri tarafından dijital olarak elde edilebilir hale getirerek verilerden yararlanmak için çalışıyorlar. Özellikle finansal kurumlar, yeni veri odaklı ve kesintisiz kullanıcı deneyimini destekleyen açık uygulama programlama arayüzleri (API) oluşturuyorlar.

Önemli bir örnekte, JP Morgan ve Intuit bu yılın başlarında şirketlerinin, verileri Open Financial Exchange API aracılığıyla sunacaklarını açıkladı. Amaçları ise tüketicilerin çeşitli finansal uygulamalarda ve web sitelerinde daha kolay ve güvenli bir şekilde verilerini kullanmasını sağlamak.

Bu verileri robo-danışma modellerinde kullanmak için önemli bir fırsat var. Sonuç olarak, yeni nesil robo-danışmanlar, yeteneklerini yatırım portföy yönetiminin çok ötesine taşıyacaklar.

2.Artan güç ve depolama

Ardından, işlem gücü ve depolamadaki düşük maliyetli hızlı kazançlar yeni nesil robo-danışma modellerinin geliştirilmesine olanak verme potansiyeli yarattı.

Gelişmelerin duyuruları ise hızlıca geliyor; özellikle Amazon ve Google gibi bulut liderlerinin son iki yılda gerçekleştirdiği yeni atılımlar ve Nvidia ve Huawei gibi donanım şirketlerinin daha güçlü yapay zeka programlamaya olanak sağlamak için ürünleri optimize etmesi. Birkaç önemli örnek:

Google Tensör İşleme Birimi. Google ekibi, Mayıs 2016’da TPU çipini duyurdu. O tarihten bu yana şirket, sinir ağlarını ölçekte uygun maliyetle yönetebilme yeteneği üzerine performans çalışmaları paylaşarak bunu geliştirmeye devam ediyor. Orijinal duyurunun yapıldığı zamanda Google, makine öğreniminin performansını “teknolojiyi kabaca 7 yıl ileri saracak” şekilde artırmak için TPU’ları kurduğunu söyledi”

Nvidia Volta. Mayıs 2017’de Nvidia, “dünyanın en yüksek performanslı paralel hesaplama işlemcisi” olarak adlandırılan 21 milyar transistor Volta GV100 GPU’su ile Tesla V100 hızlandırıcısını tanıttı.

Huawei Kirin. Eylül 2017’de Huawei, özel bir sinir işlem ünitesi ile birlikte gelen, mobil cihazlar için güçlü Kirin 970 yonga setini (chipset) tanıttı. Şirkete göre bu yonga seti, dört çekirdekli Cortex-A73 CPU kümelerinden 25 kat daha fazla performans ve 50 kat daha fazla verimlilik vaat ediyor. Huawei bunu mobil cihazlarda yapay zeka becerilerine olanak sağlayacak bir dizi gelişmede sadece bir ilk olarak nitelendirdi.

Bu gelişmeler; gelişmiş veri simülasyonları, doğal dil konuşmaları ve artırılmış gerçeklik gibi becerilerle robo-danışmanları güçlendirmek için gerekli olan gücü ve hızı sağlayacak.

3.Yapay zekada gelişmeler

Algoritmada ve modelleme tekniklerindeki olgunluk, robo-danışma model hızlanmasını desteklemek için üçüncü temel alan.

Makine tabanlı bilişsel öğrenimde önemli teorik ilerleme üniversite araştırmacıları tarafından giderek ortaya çıkıyor veya daha büyük işletmeler tarafından açık kaynaklı oluyor. Bu gelişmeler heyecan verici; özellikle 1970’lerin yapay zeka kışından sonra alanın potansiyelini teyit ettikleri için.

Özellikle derin öğrenme ve artırma modelleri, makine öğrenimi uygulamasında önemli ilerlemelere olanak sağlıyor. Bunlar arasında, geleneksel sinir ağlarına alternatif sunan Google’ın Kapsül Ağı ve replikatif ve aktarım öğrenimi gibi tasarım kavramları bulunuyor.

Grafik tabanlı ve ontolojik tabanlı öğrenimler bu karışımın önemli bir parçası. Verilerin semantik anlayışını ve  uygulanabilir içgörüye çevirisini önemli ölçüde geliştirmeye yardımcı oluyorlar. Ayrıca, kapılı yinelenen birimler (Gated Recurrent Units / GRUlar) gibi mekanizmalar, yapay zeka bilişsel modellerin daha önce öğrenilen bilgileri kaybetmemesi ve tekrar kullanmasına yardımcı olmak için yapının bir parçası haline geliyor.

Bu fikirleri kullanan çalışmaların sonuçları etkileyici. Bir örnekte, Mannheim Üniversitesi araştırmacıları, bazı makine öğrenimi modellerinin veriyi 50 kat daha hızlı doğrulamasına ontolojilerin nasıl yardımcı olduğunu gösterdi. Ve Google AutoAI, bunu yapan araştırmacılardan daha iyi makine öğrenimi kodu oluşturabileceğini gösterdi.

Bu gibi algoritmik gelişmeleri birleştirmek ve güçlendirmek, yapay zekada hızlı ve önemli ilerlemeler sağlamamıza yardımcı oluyor.

Yeni bir çağın kıyısında

Bu üç trendin bileşimi, yatırım yönetimi alanında kurulan temel modellerin çok ötesinde gelecek yıllarda robo-danışmada inanılmaz derecede hızlı bir ilerleme sağlayacak. Sonuçta oluşan beceriler ve tüketicilere sunulan değer hayallerin ötesinde olacak.

Robo-danışmanların gücündeki bu büyüme, kişiselleştirilmiş bütüncül finansal tavsiyeler yoluyla bireysel tüketicilerin kişisel bilançolarının her iki tarafında da güçlenmesinde yeni bir çağ başlatacak.

Bu yazı Credit Sesame CTO’su Pejman Makhfi tarafından yazılmış ve DigitalTalks ekibi tarafından Türkçe’ye çevrilmiştir.  

Etiketler