Искусственный интеллект (ИИ) - это способность машины учиться выполнять задачи без явных человеческих инструкций. Британскому математику Алану Тьюрингу обычно приписывают разработку идеи искусственного интеллекта, хотя сам термин он не придумал. Он считал, что истинно мыслящие машины должны решать проблемы так же, как люди, чтобы считаться автономными, стандарт, известный как «тест Тьюринга».
В этой статье будет представлен обзор искусственного интеллекта, что это такое, и примеры использования искусственного интеллекта в финансах.
Не существует общепринятого или стандартного определения искусственного интеллекта, но есть Общепринятое определение описывает это как «машины, которые реагируют на стимуляцию в соответствии с традиционными реакциями людей, учитывая человеческую способность к созерцанию, суждениям и намерениям».
Стэнфордский профессор Джон Маккарти был первым, кто использовал термин «искусственный интеллект» и описал его как «заставить машину вести себя таким образом, который можно было бы назвать разумным, если бы человек вел себя так». Поведение ИИ может включать решение проблем, обучение на основе прошлых и настоящих данных и планирование будущих действий на основе того, что было изучено.
Искусственный интеллект бывает разных форм, но ИИ - это общая способность использовать данные в реальном времени для принятия решения. Машина или программа могут получать эти данные через датчики, удаленный ввод или в цифровом виде. Затем ИИ должен проанализировать данные, прежде чем принять решение, что является характеристикой, которая отличает его от заранее запрограммированной машины.
В финансах искусственный интеллект может использоваться в процессе андеррайтинга, чтобы помочь кредитор принимает более обоснованные решения по заявкам на получение кредита. Вместо того, чтобы полагаться на прогнозную аналитику, предписанную статистиками, компьютерный алгоритм может считывать данные по предыдущим займам и определять для себя лучшую прогнозную модель для оценки кредитоспособности соискателей.
Lender Upstart использует ИИ для определения риска заемщика и предоставления финансирования в ситуациях, недоступных другим кредиторам.
Робо-советники - еще одно популярное применение искусственного интеллекта в финансах. Робо-консультанты используют информацию клиента о финансовых целях, устойчивости к риску и инвестиционном горизонте для определения распределения инвестиционных активов. Затем робот-советник при необходимости перебалансирует портфель, размещая сделки и даже решая такие задачи, как сбор налоговых убытков.
В целом существует четыре широких категории искусственного интеллекта:реактивный, ограниченная память, теория разума и самосознание. Думайте об этих типах как о прогрессивном спектре; каждый тип основан на сложности предыдущего типа.
Это самый простой тип ИИ. Чисто реактивный искусственный интеллект может действовать на основе оценки текущей ситуации, но не может создать хранилище воспоминаний, из которых можно будет извлечь пользу в будущем.
Опираясь на реактивную категорию, ИИ с ограниченным объемом памяти может «запоминать» прошлые переживания как заранее запрограммированные представления об окружающей среде. Затем ИИ с ограниченным объемом памяти будет использовать эти воспоминания в будущих решениях.
Этот тип ИИ даже более продвинут, чем ограниченная память. Получив свое название от психологического термина, ИИ теории разума может приписывать другим психические состояния, такие как убеждения, намерения, желания, эмоции и знания. Если это звучит футуристично, то потому, что это так. Этот тип искусственного интеллекта еще предстоит разработать.
Выходя за рамки ИИ теории разума, самосознательный ИИ имеет способность формировать представления о себе - таким образом, имея сознание.
Из-за отсутствия стандартизированного определения и Дело в том, что существует так много связанных терминов, что бывает сложно отличить искусственный интеллект от машинного обучения.
Искусственный интеллект - это широкий термин, и его определение довольно широко. Машинное обучение - это конкретное приложение искусственного интеллекта, в котором машины учатся на данных и со временем изменяются, чтобы принимать более обоснованные решения в отношении этих данных. Основное применение машинного обучения - обработка больших объемов информации за короткий промежуток времени.
Примером машинного обучения является способ, которым платформы социальных сетей узнают, какой тип контента - сообщений и рекламы - которые вам понравятся больше в зависимости от того, как вы взаимодействовали с контентом на платформе.