Big Data i biznis: Kako izvući smisao i korist  iz gigantskih baza podataka?


Koliko je vremena potrebno da se oporavite od hirurškog zahvata zamene kuka?

Za bolnice širom sveta ovo  nipošto nije akademsko pitanje. Bolnice su imale oko 36 milijardi dolara nekompenzovanih troškova zbrinjavanja u 2015. godini. Najveći deo njih potiče od neplaćenih računa pacijenata.

Jedno rešenje ovog problema je ograničavanje troškova vezanih za operaciju – ali kako? Odgovor: Machine learning („Mašinsko učenje“ je već uvrežen termin u srpskom jeziku, mada je pogrešan; „Učenje mašina“ daleko preciznije pogađa suštinu). Bolnice sada koriste prediktivnu analitiku kako bi prognozirale prosečne boravke i potencijalne komplikacije koje mogu iskrsnuti tokom operacija, poput operacije kičme.

Na primer, podaci od kupaca usluga zdravstvene zaštite pokazuju starosnu dob pacijenta, ustanove koje obezbeđuju osnovne zdravstvene usluge, i sekundarnu dijagnozu. Pomoću mašinskog učenja i prediktivne analize podaci sada mogu predvideti buduće troškove i doprineti identifikovanju pacijenata koji mogu imati probleme u oporavku. Ishod? Bolnice donose bolje kliničke odluke, doživljavaju niže stope readmisije, nudeći kraće bolničke boravke i pružajući bolju negu.

Biznisi ogromnog broja preduzeća pokazuju slične efekte „stvarne situacije na terenu“, dakle, dobijaju realističnije cifre u predikciji, a sve to zahvaljujući upotrebi mašinskog učenja za analiziranje svojih poslovnih podataka. Često je problem u nedovoljnoj količini podataka – potrebnih za što bolju analizu i predikciju – a ti im podaci često nedostaju.

Po rečima Majka Gotjerija (Mike Gaultieri), analitičara kompanije za tehnološku predikciju marketinga i tržišta, Forrester Research, mašinsko učenje nije ni nalik tradicionalnoj poslovnoj inteligenciji u kojoj su garantovani rezultati. “Ukoliko tražite model za mašinsko učenje, možete reći ‘pokušaću’, ali možda nećete uspeti”, rekao je. “Preduzeća i biznisi moraju da razumeju da samo zato što ste želeli da imate model koji predviđa kretanje akcija na berzama ne znači da ćete ga i u stvarnosti imati.”

Rags Raghavendra, rukovodilac analitike u DXC Technology’s Analytics Data Labs, globalnom čvorištu koje analitičari podataka koriste, fokusirao se na konsalting i pronalaženje načina operacionalizacije analitike. On kaže da su “kompanije frustrirane jer često preteruju”. Žele da im big data analitika “odradi” prevelike grupe podataka, “žonglirajući” njima iako nisu dovoljno kvalifikovani za njihovo tumačenje i razumevanje, a i ne shvatajući koliko je taj zalogaj prevelik.  “Klijenti pokušavaju da učine nemoguće u smislu pokušaja da izvuku značenje iz svih mogućih vrsta podataka kojima imaju pristup”, rekao je on. “Ono što preporučujemo je da dobro razmotre podatke koje već poseduju i koji su lako dostupni, a tek potom da pređu na sledeći korak.”

Kompanije koje su pokušale i nisu uspele da proniknu u smisao i praktične aspekte analize velikih skupova podataka pre svega bi trebalo da prihvate da su neuspeh i iteracija tj ponavljanje neizostavni deo procesa analitike. One, ipak, mogu da svoje šanse za uspeh maksimiziraju tako što će postati pametniji kada je reč o korišćenju mašinskog učenja.

Evo osam načina za bolji i efikasniji pristup Big data analitici:

1. Počnite s problemom koji želite da rešite. Uranjati u podatke „skokom sa desetke“ a potom iščekivati da će oni volšebno izroniti pred vas je pogrešan pristup. Sve dobre priče o analitici podataka počinju identifikovanjem odgovarajuće metrike performansi koja povezuje poslovni rezultat sa pitanjima koja se odnose na podatke. Međutim, odabrana metrika ne bi trebalo da bude preširoka ili isuviše “granularna” tj usitnjena. Na primer, kada je DXC nedavno radio s jednom medijskom kompanijom na pojašnjenju razloga zbog kojih je pretplatnici napuštaju, najočiglednija metrika bila je promena u pretplatničkoj bazi. Kao što se ispostavilo, relevantnija metrika bio je Prosečni prihod po korisniku (ARPU), koji je bio direktno povezan sa većim poslovnim ciljevima koje je kompanije preduzimala kako bi povećala prihode.

2. Proces mašinskog učenja trebalo bi ’industrijalizovati’ odnosno razviti u širokom industrijskom obimu. “Čitav ovaj proces analize velikih skupova podataka nije industrijalizovan”, rekao je Raghavendra, čija Laboratorija podržava široku paletu oblasti, uključujući proizvodnju, telekomunikacije, automobilsku industriju, avio-kompaniju, energetiku, finansijske usluge i zdravstvenu zaštitu. “Dešava se da mnogo puta iznova i iznova ponavljate analizu ili je ne možete uvećati tj primeniti u širem obimu.” DXC je snažan zagovornik efikasnog i pojednostavljenog pristupa široko primenjivog mašinskog učenja, koji veruje da bi sve faze analize – od unošenja podataka i njihovog prečišćavanja, do stvaranja namenskih algoritama i njihovog stavljanja u proces aktivne analitike, a potom i generisanju uvida stečenih kroz podatke – trebalo da budu ponovno upotrebljive i raspoređene na kompanijske tehnologije.

3. Nemojte dozvoliti da vas ometaju i koče podaci koje ljubomorno čuva svako odeljenje pojedinačno unutar kompanije (tzv „silosi“:  izolovane grupe podataka koje ne cirkulišu u data analitici jedne kompanije jer uposlenici nekog odeljenja naprosto ne žele da ih dele s drugima, misleći da na taj način „drže prednost“ u odnosu na druga kompanijska odeljenja). Silosi su zbog toga veliko “prokletstvo” brojnih računarskih programa koji rade na korporativnoj analitici, jer sprečavaju pristup jedinstvenoj bazi podataka. Silosi, ipak, nisu toliko velika prepreka, kako neki veruju. “Ukoliko posedujete strategiju za pravilno korišćenje pametnih podataka i platformi, ne bi trebalo da previše brinete o silosima”, kaže Raghavendra. Jednostavno rečeno, ne morate brinuti o silosima sve dok ne predstavljaju problem za zadatak koji ste odabrali da rešite. Međutim, trebalo bi da se pripremite za neki predstojeći skup problema u nizu (tzv pipeline*) tako što ćete obezbediti integraciju različitih izvora podataka. “Postoje fleksibilne i modularne platforme koje vam omogućavaju da integrišete podatke kada je potrebno”, dodao je Raghavendra. (U računarstvu, pajplajn* je skup elemenata za obradu podataka povezanih u niz, pri čemu je autput jednog elementa input sledećeg. Elementi u nizu često se procesiraju paralelno ili kroz sekvence tj „komadiće“; u tom slučaju, određena količina buffer tj pufernog skladišta često se ubacuje između elemenata).

4. Mislite od-spolja-ka-iznutra. Ne morate uvek imati sve informacije, talenat, analitiku i inteligenciju: Ovo je priča o ekosistemu, a pobediće oni koji dodirnu „matricu sposobnosti“ koja se nalazi oko njih. Analitičari podataka kroz kraudsorsing*, kao i kroz „mašinsko učenje-kao-servis“ i eksterne skupove podataka, dobijaju moćan potencijal u poslovoj trci.

Crowdsourcing (angažovanje javnosti) je korišćena i legitimna metoda preuzimanja tuđih ideja, postupak dobijanja potrebnih usluga, ideja ili podataka od neodređenog skupa ljudi (shodno izreci: “Uzeti podatke od pojedinca je krađa, uzeti podatke od većeg broja ljudi je – istraživanje”).

5. Koristite sirove skupove podataka (takozvana „data-jezera“). Jezera podataka su spremišta u kojima možete sačuvati sve vaše postojeće podatke u izvornom obliku, bez obzira na njihov format Jezero podataka je spremište za skladištenje podataka koje sadrži ogromnu količinu sirovih podataka u svom izvornom formatu, sve dok se za njima ne ukaže potreba. I dok hijerarhijski organizovano skladište podataka čuva podatke u fajlovima ili fasciklama (folderima), data-jezero koristi “ravnu”, tj. horizontalnu ili baznu arhitekturu za čuvanje podataka, dakle bez hijerarhije (organizacije) podataka. Svakom elementu podataka u data-jezeru dodeljen je jedinstveni identifikator i označen je skupom proširenih oznaka metapodataka. Kada se pojavi upit od strane biznisa, data jezero se može upitati za relevantne podatke, a zatim se može analizirati manji skup podataka kako bi se odgovorilo na upit).

Raghavendra je mišljenja da kompanije treba da se upuste u praksu stavljanja svih svojih podataka u „data-jezero“. Ovi veliki skupovi sirovih podataka nisu stavljeni u fajlove niti su klasifikovani u foldere po važnosti, već su „u rinfuzu“, iako su svi indeksirani i tagovani kao metadata, spremni da se pojave na upit poslovnog subjekta. “Nemojte razmišljati o strukturiranju (važnosti, smisla i korisnosti podataka) na samom početku”, preporučuje Ragavendra.

6. Vršite istraživačku analizu podataka (exploratory data analysis, EDA) sa ciljem kojeg imate na umu. Prva faza „rudarenja podataka“ je upravo EDA, koja nastoji da rezimira podatke, vizuelno i ne-vizuelno. “Ono što sam često imao prilike da vidim je da je istraživački deo analize podataka potisnut”, rekao je Bharathan Shamasundar, viši analitičar podataka u DXC. “Svrha EDA tj istraživačke analize podataka je da se upoznaju s uzorcima i obrascima koji se u podacima poavljuju i samo na osnovu toga zauzimaju stavove o tome šta da čine nakon toga. Kompanije to često rade površno. “DXC-ovo iskustvo sa kompanijom za energetske usluge naglašava važnost pametne EDA tehnologije.

Jedno privatno komunalno preduzeće tražilo je preciznu prognozu koliko će energije proizvesti njihove vetroelektrane. Zbog toga što je ovo preduzeće primenilo istraživački deo analize (EDA) na svoje algoritme, tim savetodavne firme DXC je uspešno opovrglo već postojeće repere za čak 95% performansi vetro-turbina, uprkos tome što je upotrebljavano manje varijabli kako bi obavili svoje proračune. To iskustvo pokazuje značajne potencijale EDA metoda, naročito ako se sprovedu unapred, što će češće dovesti do algoritama prikladnih raspoloživim podacima.

7. Koristite inteligentno uzorkovanje. Jedan od razloga što kompanije imaju problema s pristupom u prave uvide Big data ishoda je zato što ih – previše koriste. “Uzorkovanje je postalo loša reč”, rekao je Šamasundar. “Uzorkovanje podataka je pametan način baratanja sirovim podacima.” Često se dešava da je ono što izgleda kao “big data” krcato redundantnim tj izlišnim informacijama. Analitičari iz DXC su za jedno robno-trgovačko preduzeće identifikovali  kako im je veliki deo uskladištenih podataka bio, zapravo, suvišan, jer je 94% svih njihovih trgovinskih poslova zasnovano na manjem podskupu podataka. Ovo pokazuje da je vrednovanje kvaliteta i relevantnosti važna komponenta strategije podataka.

8. Ustanovite fleksibilan operativni model za vaš program analitike podataka. Raghavendra vam savetuje da „Nikako ne odustajete od pokretanja programa za analizu podataka samo zato što ne možete da unajmite data-analitičara. Potražnja za ekspertima koji umeju da pravilno i smisleno „pročitaju“ velike hrpe podataka  trenutno je 60 procenata veća od broja stručnjaka, a nema znakova da se ovaj disparitet usporava. Međutim, ukoliko jedno preduzeće nije u stanju da zaposli dovoljno data-analitičara, Raghavendra preporučuje da, u tom slučaju, treba razmisliti o uporednom korišćenju partnerskih organizacija koje pružaju specijalističku analitičku podršku i “analitičara opštih podataka o građanima”. Stručnjak za prekopavanje tj „rudarenje podataka“ o građanima je osoba koja razume domen i poslovanje svojih poslodavaca/organizacija. Oni mogu obaviti razumnu analizu koristeći neke analitičke platforme koje su sada pojednostavile određene zadatke i zahteve u baratanju podacima. Pošto kompanije primenjuju analitiku za rešavanje problema, partnerske organizacije mogu biti od pomoći  kao podrška u uvećanju obima njihovih programa i izgradnji „dubljih“ mogućnosti u još raznovrsnijim oblastima.

I mada praćenje ovih smernica povećava verovatnoću za postizanje uspeha, preduzeća ne smeju smetnuti s uma da je mogućnost neuspeha realna i uvek prisutna. Analitika podataka sprovodi se kao naučni metod koji se zasniva na dokazivanju ili opovrgavanju hipoteze. Upotrebu podataka treba, potom, posmatrati kao istraživačku i razvojnu aktivnost (R&D). “Najbolje je imati pet-šest ili desetak i više ideja, i potom ih voditi paralelno”, opisuje Goltjeri upite zasnovane na podacima, “jer neće svi oni funkcionisati”.

Izazovi će postajati sve teži i teži, kako se količina podataka vremenom bude sve više uvećavala. Sa druge strane, što više podataka imate – to je i veća potencijalna nagrada i uspeh.

Prema Dejvu Aronu (Dave Aron), šefu istraživanja u  londonskoj IT firmi za istraživačko-savetodavne usluge Leading Edge Forum, DXC-ovom partneru za rukovođenje idejnim strategijama, još je uvek previše kompanija koje svojom najvrednijom imovinom smatraju ono što poseduju u fizičkom i finansijskom smislu.

“Preduzeća koja bi trebalo da dožive uspon i uvećanje svojih profita u narednoj deceniji jesu ona koja su prepoznala da su upravo informacije i njihova analiza ta nadasve “vredna imovina”, pa stoga grade i kontinuirano unapređuju svoje platforme za data-analitiku i izučavanje podataka”, kaže Aron. “Internet stvari (IoT), uz sve obimniji i glomazniji pravni okvir za zaštitu podataka čine da data-analitika postane relevantnija nego ikada pre.”

Obezbeđivanje koristi od analize „big date“ – bez obzira da li ste bolnica ili uslužna firma ili bilo koji drugi tip biznisa – zahtevaće promišljen pristup, puno hrabrosti, kao i respekta za naučne metode analize informacija dobijenih u vašem poslovanju.

WIRED Brand Lab, DXC Technology

Alibaba ulaže $15mlrd u 7 novih R&D  laboratorija širom sveta


Najveća kineska kompanija za elektronsku trgovinuutrošiće ogroman novac kako bi prevazišla svoj imidžonlajn radnje“.

Juče je (11. okt) na svojoj godišnjoj cloud computing konferenciji u Hangdžou, šef za istraživanje i razvoj (CTO) kompanije Alibaba Džef Čang (Jeff Chung) najavio je da će kompanija pokrenuti Alibaba DAMO Akademiju, program koji će uspostaviti laboratorije za istraživanje i razvoj širom sveta. Ova nastojanja odraz su želje da Alibaba proširi svoje aktivnosti i izvan kineske elektronske trgovine, njegovog dosad nerazdvojnog identiteta onlajn dućana, kako bi postao globalni tehnološki gigant sposoban da se takmiči s kompanijama kao što su Google, Microsoft i Amazon.

DAMO, akronim za „Otkriće, avanturu, momentum i perspektivu“ (Discovery, Adventure, Momentum, Outlook), projekat je koji će se sprovoditi u sedam laboratorija: Dve će biti u Kini (u Pekingu i Hangžou, rodnom gradu i sedištu Alibabe), dok će ostale biti u Singapuru, Moskvi, Tel Avivu, Belviju (okolina Sijetla) i San Mateu (u Silicijumskoj dolini). Rad laboratorija fokusiraće se na “fundamentalna i prelomna tehnološka istraživanja” u oblastima poput veštačke nteligencije, baza podataka, obrade prirodnog jezika, kvantnog računarstva i mašinskog učenja. Laboratorije će objavljivati radove i razvijati tehnologiju koju mogu koristiti ne samo Alibaba već i treća strana.

Prema rečima ljudi iz odeljenja za odnose s javnošću u Alibabi, singapurska laboratorija je prva koja će biti otvorena u inostranstvu, a počeće sa radom početkom naredne godine. Akademija trenutno želi da angažuje 100 istraživača kako bi se pridružili projektu u svojstvu zvaničnih Alibabinih zaposlenika. Alibaba je, takođe, formirao savetodavni odbor koji uključuje naučnike iz kineskih i inostranih istraživačkih institucija. Među njima su genetičar Džordž Čerč (George Church) sa Harvarda, osnivač projekta Personal Genome, i Dženet Ving (Jeanette Wing), direktorka Instituta za nauku o podacima pri Univerzitetu Kolumbija i bivši potpredsednik Majkrosoftovog razvojnog odeljenja (Microsoft Research).

Finansiranje akademije biće značajna suma u sklopu od ukupno 15 milijardi dolara investicija, koje Alibaba planira da u naredne tri godine uloži u razvoj i istraživanje. Taj iznos predstavlja dvostruko veću sumu od 2,5 milijardi dolara, koju je kompanija potrošila u “razvoj proizvoda” tokom fiskalne godine koja se završila u martu 2017. godine.

Najava dolazi kada Alibaba i druge kineske internet kompanije nastavljaju da gledaju u inostranstvo radi unapređenja svojih istraživanja i razvoja (R&D). U maju je Tencent, gigantski društveni medij iz Šenžena izjavio da će pokrenuti istraživačku laboratoriju za veštačku inteligenciju u Sijetlu, na čelu sa Juom Dongom, naučnikom nekada zaposlenom u Majkrosoftu. Istog meseca je Didi Chuxing, kompanija-mobilna platforma za deljenje prevoza koja pruža taksi usluge za više od 400 miliona korisnika u preko 400 gradova u Kini, otvorio svoj AI R&D centar u mestu Mountain View u Silicijumskoj dolini, Kalifornija, kako bi razvijao tehnologiju za autonomnu vožnju. Baidu, gigantski internet-pretraživač iz Pekinga. I Baidu ima svoju AI laboratoriju u Silikonskoj dolini, koju je osnovao 2013. godine. Izgradnja ovakvih laboratorija van Kine pomaže ovim kompanijama da privuku talente svetske klase.

Akademija, takođe, označava Alibabin pokušaj da se izvuče iz e-trgovine i pređe u druge oblasti tehnologije – veoma sličan cilj kojem teži i Amazon, američki portal za onlajn trgovinu i najveći Alibabin rival. Alibaba je uložio ogromna sredstva u cloud usluge i tehnologije, a trenutno ima 14 data-centara širom Kine, Evrope, jugoistočne Azije i u Silicijumskoj dolini – a svi oni na usluzi su klijentima koji koriste Alibaba Cloud, gotovo identično Amazonoj usluzi Amazon Web Services. Kineska kompanija za internet-trgovinu je, takođe, svoje finansijske i tehnološke resurse uložila u veštačku inteligenciju, postavljajući je direktno na Tencent i Baidu u Kini. U julu (2017) objavljeno je da je Alibaba proizveo svog kućnog asistenta: Tmall Genie X1, koji je takmac Amazonom asistentu, Echo.

The Atlantic

Hoće li veštačka inteligencija i hedž fondovi nadmudriti tržište?


Neki hedž-fondovi pohvalili su se da njihovi AI algoritmi donose odluku o tome kako će trgovati – ipak, ma koliko ekstravagantno zvučalo, ovi sistemi su daleko uobičajeniji nego što nam se na prvi pogled čini.

Svakoga dana kompjuteri obave više miliona elektronskih trgovina obavljanjem delikatnih kalkulacija, i to sve sa ciljem zadobijanja makar male prednosti u pogledu brzine i efikasnosti nad takmacima. Ono što je ovde, međutim, daleko značajnije jeste da se odluke u trgovini berzanskim papirima sve češće donose zahvaljujući razvoju još pametnijih, još autonomnijih algoritama.

Obe ove poslovno već dobro utvrđene firme koje se bave trgovinom akcijama na berzi, kao i nekolicina startup firmi istražuju da li bi takve tehnike trgovanja, pozajmljene iz oblasti veštačke inteligencije, mogle da im pomognu kako bi nadmudrili konkurenciju. A svakome ko negde ima uložen novac bi više nego dobrodošlo da sazna da li bi ovaj trend mogao da ozbiljnije izmeni dinamiku tržišta.

Kvantitativni hedž fondovi, uključujući Bridgewater Associates, Renaissance Technologies, ​​D.E. Shaw i Two Sigma, naravno, već nekoliko godina zdušno koriste pristup berzanskoj trgovini kroz napredne algoritme. Mnoge od metoda koje koje ove kompanije koriste mogu se identifikovati u oblasti istraživanja veštačke inteligencije (AI).

U poslednjih nekoliko godina, međutim, takođe je očigledno i ogromno oživljavanje interesovanja za rezultate u oblasti veštačke inteligencije, zahvaljujući novim tehnikama kojima mašine „uče“ kao i za metodu „dubokog učenja“ mašina (primereniji duhu srpskog jezika bio bi izraz „dubinski uvid“ ili, još bolje, „učenje s razumevanjem“; tzv „Deep Learning“) koji obuhvata obuku velikih virtuelnih neuronskih mreža za prepoznavanje obrazaca u podacima. Dubokim učenjem, koje su računari dosad savladali, mašine su trenutno u stanju za potpuno ljudski nivo percepcije slike, teksta i zvuka. Postavlja se pitanje da li današnja veštačka inteligencija može da uradi to isto ali za finansijske podatke: da ih percipira „na naš način“, s tim što bi brzina, referentnost i pouzdanost berzanskih kalkulacija/odluka (kako se naučnici nadaju) bili neslućeno veći.

Jasno je kako je ovaj nedavni napredak privukao pažnju inženjera i stručnjaka koji rade u finansijama. Prošlog decembra se u Montrealu, tokom veoma važnog akademskog događaja okupila svetska elita u istraživanju veštačke inteligencije, na skupu pod nazivom „Sistemi za procesiranje neuralnih informacija“ (Neural Information Processing Systems, NIPS): Nekoliko hiljada istraživača s brojnih univerziteta i iz najrazličitijih industrijskih oblasti tom je prilikom prisustvovalo kako bi razmotrili napredak u razvoju novih algoritama za mašinsko učenje. U oblasti rezervisanoj za slikovne tj poster-prezentacije diplomaca, tehnološki giganti poput Gugla, Fejsbuka, Epla, Majkrosofta, Amazona i IBM-a platili su svoje učešće da bi dobili svoje „stolove za regrutaciju“: prostor na kojem bi obavljali intervjue za zapošljavanje, u nadi da će najveće sveže talente privoleti da dođu da rade za njih. Ipak, ne treba smetnuti s uma da skoro polovina firmi koja je pokušala da regrutuje „mlade nade“ tokom NIPS-a nisu bile tehnološke kompanije već – hedž fondovi i finansijske kompanije.

Jedna od takvih kompanija bila je i velika britanska investiciona firma MAN AHL, koja je već godinama fokusirana na primenu statističkih pristupa radi osmišljavanja što bolje investicione strategije. Entoni Ledford, šef razvojnog sektora ove kompanije objašnjava načine kako se istražuje da li tehnike poput dubokog učenja mogu primeniti na investicije i finansije. “Sve to je još uvek u ranoj fazi”, kaže Ledford. “Obezbedili smo novac za testiranje AI berzanske trgovine. Uz primenu metoda dubokog učenja kod mašina, ukoliko sve bude u redu, započećemo test-trgovinu, kao i ostale primenama koje učenje mašina može naći (u berzanskoj trgovini).”

Brokerske operacije na berzi mogu izgledati kao očigledno mesto za primenu dubokog učenja, ali zapravo nije jasno koliko je uporediv izazov pronalaženja suptilnih obrazaca koji se tiču berzanskih podataka u realnom vremenu sa, recimo, prepoznavanjem lica na digitalnim fotografijama. “Ovaj problem je daleko drugačiji” priznaje Entoni Leford, šef razvoja u MAN AHL.

Iz redova akademskih stručnjaka čuju se tonovi upozorenja. Stiven Roberts, profesor mašinskog učenja na Univerzitetu Oksford kaže da duboko učenje može biti dobro “za ekstrahovanje skrivenih trendova, informacija i odnosa”, ali dodaje da je “još uvek suviše krhko kada je reč o baratanju ishodima visoke neizvesnosti, uz semantički tj značenjski šum na relaciji mašinačovek, koji prevladavaju u finansijama. ”

Roberts takođe primećuje da duboko učenje može biti proces koji se odvija relativno sporo i koji ne može ponuditi one tipove zagarantovanog tj predvidljivog ponašanja koje drugi statistički pristupi nude. U principu, kako kaže, postoji izvesna medijska bukla oko ideje primene AI u oblasti finansija. “AI je veoma široka tema”, kaže on. “A mnoge standardne statističke tehnike koje se koriste su, shodno tom donekle pomodnom trendu, preimenovani u veštačku inteligenciju i mašinsko učenje.”

Ipak, nove finansijske firme koje se reklamiraju kao AI-orijentisane mogu biti nešto drukčije i unikatne. Ovo uključuje firmu Sentient Technologies iz San Franciska, Rebellion Research u Njujorku, i investicionu kompaniju Aidyia iz Hong Konga.

Jedna od najperspektivnijih upotreba relativno novih AI tehnika mogla bi da se primeni u procesu obrade nestrukturiranih podataka prirodnog jezika, u obliku novinskih članaka, poslovnih izveštaja kompanije i poruka u društvenim medijima, u nastojanju da prikupe uvid u buduće perspektive funkcionisanja preduzeća, valute, robe ili finansijskih instrumenata.

Kompaniju za finansijski AI po imenu osnovao je čuveni istraživač veštačke inteligencije, Ben Goertzel, koji je ujedno i osnivač kompanije Hanson Robotics i Aidyia Holdings, kao i predsednik jednog AI projekta s otvorenim kodom  koji se zove OpenCog. Aidyia je otpočela AI berzansku trgovinu prošle godine, a Goertzel kaže da je pristup njegove kompanije daleko ambiciozniji nego što su to tehnike koje se koriste u većini hedž fondova danas, uzimajući inspiraciju iz evolutivnog programiranja, probabilističke logike, i dinamike haotičnih sistema.

“Naš sistem sadrži niz računarskih unosa, uključujući cene i obim berzanskih transakcija širom sveta, vesti iz različitih izvora na više jezika, makroekonomske i kompanijske računovodstvene podatke i još mnogo toga”, rekao je Goertzel za MIT Technology Review.  “Potom proučava kako su ovi različiti faktori istorijski povezani,  učeći celine sastavljene od desetina hiljada prediktivnih modela koji mogu da poseduju prediktivnu vrednost (stabilno predviđanje budućih kretanja na berzi), a na osnovu svojih istraživanja ranije prikupljenih podataka”, što doprinosi upravljanju ulaganjima kompanije.

Svakako da je prisutan trend ka povećanju automatizacije među finansijskim firmama. Preqin, kompanija koja obezbeđuje podatke iz oblasti finansijske industrije, navodi da je 40 odsto hedž fondova nastalih prošle godine bilo “sistematično”, što znači da se u donošenju svojih odluka oslanjaju na računarski generisane modele.

Međutim, ne dele baš svi uverenje da je AI revolucija u oblasti finansija neminovna. Dejvid Harding, osnivač-milijarder i direktor druge britanske trgovačke kompanije, Winton Capital Management, uglavnom je skeptičan prema svoj toj trendovskoj buci oko mašinskog učenja i veštačke inteligencije. “Ako se malo bolje udubite”, kaže Vinton, “rekao bih da je to manje-više ono što smo radili i u proteklih 30 godina”.

Harding se isto tako seća još jednog sličnog buma čiji su interes i fokus bili na neuronskim mrežama, a koji je rezultirao pojavom brojnih startup firmi tokom ranih 1990-ih.

“Ljudi su počeli da govore kako ‘Postoji neverovatna nova računarska tehnika koje će oduvati sve što je postojalo ranije.” Tu je i moda u primeni genetskih algoritama “, priseća se on. “Pa, mogu da vam kažem da nijedno od tih preduzeća danas ne postoji.”

Ledford, koji radi u kući Man AHL za alternativne vidove investiranja i menadžmenta, takođe ima nekoliko reči upozorenja za svakoga ko misli da najnovije tehnike mašinskog učenja mogu ponuditi neku čudesnu prečicu do bogatstva . “Važno je da zapamtite kako stanje na tržištima može biti nevažno i čak ponižavajuće”, kaže on. “Rekao bih samo još i to da vam je bolje da sebe ne pohvalite previše, ali se isto tako nemojte ni previše obeshrabriti.”

 

Technology Review