De meesten van ons, zo niet wij allemaal, gebruiken dagelijks computers voor ons werk. Hoewel we er niet altijd bij stilstaan, worden die computers steeds slimmer. En we hebben het dan niet eens over de robotica kant van AI. Gewone, dagelijkse computers leren steeds sneller, en soms helemaal zonder menselijke inbreng.
Deze ontwikkelingen, op het gebied van machine learning, hebben een impact op computer learning algoritmes in alle sectoren, ook binnen de financiële sector.
Machine Learning
Over het algemeen refereert machine learning naar het vermogen van computers om nieuwe vaardigheden en acties te leren, zonder dat ze geprogrammeerd worden om deze acties uit te voeren. Deze algoritmes stellen computers in staat tot het analyseren van nieuwe informatie door het te vergelijken met bestaande informatie.
Dit leerproces houdt in dat de computer nieuwe vormen van het analyseren van data kan aanleren, zonder dat er veranderingen aan deze algoritmen worden aangebracht. Het systeem kan zijn eigen code aanpassen, naar aanleiding van de nieuwe informatie die het tegenkomt.
Machine Learning in de financiele sector
Jarenlang werden grote hoeveelheden data geanalyseerd en samengesteld door hoogopgeleide financiële professionals, om de financiële status van bedrijven te beoordelen. Veel tijd werd besteed aan het ordenen, vergelijken en controleren van al die data. Bij sommige bedrijven zijn mensen nog steeds verantwoordelijk voor een groot deel van dit werk, maar een groeiend aantal bedrijven vertrouwt op machines voor de verwerking van grote hoeveelheden financiële data.
Door machine learning hebben bedrijven gemiste opbrengsten gevonden, kunnen ze een betere financiële planning maken en effectiever gebruik maken van hun tijd. Een onderzoek van McKinsey & Company uit 2015, onder 12 Europese banken die de overstap naar machine learning gemaakt hadden, liet zien dat bij sommige van deze banken de verkoop gestegen was met 10% en de uitgaven gedaald waren met 20%.
Toepassingen van Machine Learning op dit moment
Machine learning heeft nu al een grote impact gemaakt op de financiele sector en het ziet er niet naar uit dat deze impact in de nabije toekomst zal afnemen. Experts voorspellen dat machine learning zelfs een nog grotere impact zal hebben, vanwege het huidige tempo van ontwikkeling van de technologie.
Portfolio beheer- Het gebruik van machine learning; veel bedrijven helpen consumenten met het beheer van hun portfolio door middel van robot-adviseurs. Dit zijn geen echte robots, maar algoritmes die een portfolio creëren gebaseerd op de doelen en risicobereidheid van het individu.
Handel- Het gebruik van algoritmes; systemen kunnen leren om duizenden of zelfs miljoenen transacties per dag te doen. Hoge frequentie handel, zoals het genoemd wordt, gebruikt machine learning voor het analyseren van financiële markten in realtime, en hiermee handelsbeslissingen te maken binnen een aantal seconden. Lees hier meer over Machine Learning en artificial intelligence
Fraude en beveiliging – Met de opkomst van het internet, online informatievoorziening, en draadloze systemen zijn ook de veiligheidsrisico’s toegenomen. We horen regelmatig hoe gegevens gestolen of gelekt worden, hoe iemands identiteit gestolen is, of hoe je creditcard gehacked kan worden, simpelweg door hem te gebruiken op bepaalde locaties. Oude systemen gebruikten een bepaalde set parameters en regels om veiligheidsrisico’s te bestuderen en erop te reageren; systemen die uitgerust zijn met machine learning kunnen zich aanpassen aan bedreigingen zoals deze zich op dat moment ontwikkelen. Op het gebied van fraude kunnen deze systemen patronen in het gebruik van de pas herkennen en zo voorspellen wanneer er sprake is van fraude. Door machine learning fraude detectie is de detectie van fraude verbeterd met 60%.
Verzekeren- Als consumenten een lening of een bepaald type verzekering willen afsluiten, zal een financieel adviseur de demografische gegevens en het gedrag toetsen aan een standaard risico inschatting, en hierop een premie of rentepercentage baseren. Door het gebruik van machine learning, zouden computers toegang kunnen krijgen tot miljoenen informatiebronnen over de klant en verschillende trends in een bepaald gebied, om hierop beslissingen te baseren. Dit zouden dingen kunnen zijn als leeftijd, huwelijkse staat en baan, maar ook demografische trends in het gebied of invloeden van buitenaf.
Klantenservice – Kwalitatief goede klantenservice is vaak gereserveerd voor mensen die veel geld investeren of gebruik maken van veel financiële diensten. Bedrijven proberen dit te veranderen door het gebruik van machine learning in hun klantenservice programmatuur. Algoritmes in live chats kunnen computers leren om menselijker te reageren tijdens de interactie met klanten. De algoritmes helpen de computer bij het analyseren van woorden, het vergelijken van de interactie met voorgaande ervaringen en het reageren op een manier die de klant zal helpen.
De toekomst van Machine Learning
In 2016 beschreef Gartner machine learning als een top 10 strategische technologie. Er werd geschreven dat bedrijven moeten leren hoe ze het kunnen toepassen als ze concurrerend willen blijven. In een rapport van McKinsey werd gesteld dat financiële instellingen hun kernprocessen moeten digitaliseren voor 2025.
Naarmate computer algoritmes de menselijke taal steeds nauwkeuriger kunnen nabootsen zal klantenservice steeds minder afhankelijk worden van mensen. Beveiliging zal minder afhankelijk worden van alfanumerieke wachtwoorden en meer bouwen op gezichtsherkenning, stemherkenning en andere biometrische input. Op het gebied van handel, zullen machines steeds beter in staat worden om menselijk gedrag en wereldgebeurtenissen te interpreteren, en zo nauwkeuriger kunnen voorspellen hoe de markten zullen reageren.
De mogelijkheden lijken oneindig te zijn, naarmate machine learning steeds geavanceerder wordt. Eén ding dat makkelijk te voorspellen is, is dat machine learning niet zal verdwijnen. Financiële instellingen moeten investeren in deze technologie om te kunnen blijven concurreren met andere bedrijven.
Meer weten over Machine Learning? Lees de Whitepaper Machine Learning!