Обзор мероприятий по искусственному интеллекту, машинному обучению и ботам в москве

Человек-машина: лучшие курсы по искусственному интеллекту и машинному обучению

Нейронные сети и искусственный интеллект постепенно проникают во все стороны нашей жизни. Даже те, кто не интересовался этой областью знаний, слышали о нейронных сетях в контексте нашумевших Prisma и Snapchat. Мы подобрали для вас онлайн и офлайн-курсы, посвященные изучению и разработке искусственного интеллекта.

Курсы по искусственному интеллекту на русском языке

Онлайн-обучение

На базе платформы Coursera доступны две программы по машинному обучению, обе из которых были разработаны совместно с командой “Яндекса”.

Первая программа – “Введение в машинное обучение”, базовый курс, который читают преподаватели из Высшей школы экономики. Вторая программа – специализация “Машинное обучение и анализ данных” на базе МФТИ.

Она включает в себя 5 разных курсов и финальный проект по анализу больших данных.

Курс от преподавателей СПбГУ на stepik.org состоит из двух частей: изучения теории и алгоритмов, лежащих в основе нейронных сетей, и практического применения полученных знаний. Для прохождения курса необходимо только владеть школьной математикой и уметь программировать на Python.

Обратите внимание

На этой же платформе доступен курс от Mail.Ru Group о системе обработке больших объемов данных Hadoop, которая сейчас применяется не только в крупных интернет-компаниях, но и в науках, требующих обработки огромного количества информации.

Также на русском языке можно пройти курсы от открытого университета ИНТУИТ в текстовой форме. На сайте доступно много курсов по разным темам, связанными с технологиями, например, курсы по эволюционным вычислениям и по проектированию систем искусственного интеллекта.

Офлайн-обучение

Академия ПостНауки предлагает небольшой курс из 12 академических часов под названием «Искусственный интеллект: нейронные сети и глубокое обучение». Открытого набора на курс пока нет, но можно связаться с организаторами и сообщить им о своем интересе к программе: при наличии достаточного количества участников курс повторно организуют. Стоимость: 9,000 рублей.

Школа анализа данных от компании “Яндекс” принимает студентов и выпускников со специализацией в инженерных науках и математике. Отбор проходит в три этапа: онлайн-тестирование, очный экзамен и собеседование. По итогам пройденных заданий можно пройти на бесплатное место в школе. Также доступны платное и заочное обучение. Ближайший набор в школу начнется 4 апреля.

Сочетание теоретических знаний и практических занятий предлагает Digital Technologies School в рамках программы Data Science / Python / Machine learning, рекомендованного как для студентов, так и для работающих аналитиков и разработчиков. Ближайший курс пройдет с 28 марта по 20 апреля, цена – 24,900 рублей.

Курс от школы данных “Билайн” разделен на две части: подготовительная программа и основная. Особенность обучения в том, что ученики соревнуются друг с другом на каждом занятии, выполняя практические задания. Основной курс рассчитан на 9 недель, его цена – 100,000 рублей, а подготовительный курс идет 4 недели и стоит 20,000 рублей.

Большой и серьезный курс предлагает Высшая школа экономики в рамках программы дополнительного профессионального образования.

Студенты получат возможность изучить все нужные математические основы, обработку данных, полученных из социальных сетей и текстов, а также платформы для работы с big data.

По итогам обучения у каждого участника будет свой готовый проект. Стоимость: 130,000 рублей за 190 академических часов.

5 лучших онлайн-курсов по машинному обучению на английском языке

Если вы нашли опечатку – выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.

Источник: https://apptractor.ru/learn/chelovek-mashina-luchshie-kursyi-po-iskusstvennomu-intellektu-i-mashinnomu-obucheniyu.html

Применение машинного обучения и искусственного интеллекта в клиентской поддержке

Дата проведения : 20 Ноября 2018

Применение машинного обучения и искусственного интеллекта в клиентской поддержке

20 Ноября 2018 в Москве состоялась очередная встреча членов Клуба ИТ-директоров VENTRA Lab «Применение машинного обучения и искусственного интеллекта в клиентской поддержке», на которой эксперты ведущих компаний поделились собственными мнениями и кейсами по автоматизации клиентского сервиса.

Среди гостей клуба VENTRA Lab в этот вечер стали представители компаний Х5 Retail group, HeadHunter, Райффайзен банк, Росбанк, Ив Роше, XPO Logistics, Спортмастер, 7 red lines, Метлайф, МЕДСИ, Gloria Jeans, БургерКинг, ТВОЕ, KFC IRB, Комус, СТОКМАНН, ZENDEN Group, DPD и другие. Всего – более 50 компаний.

Задавая тон встречи модератор Александр Парамонов акцентируя внимание гостей на теме мероприятия, напомнил 4 вида информации, за которую готов платить бизнес: описательный, диагностический, прогностический и, самый дорогой и важный – предписывающий. Привел пример, когда применение искусственного интеллекта для генерации «предписывающей» информации давало инвестиционной компании снижение рисков неверных решений до 15%, что добавляла +25% к маржинальности бизнеса.

Сессию блиц-выступлений подхватили проекты Сколково: Gridfore и Digintel.

Виктор Ходяков, CEO Gridfore, поделился кейсами своей «реактивной аналитической платформы», раскрыл секреты, как с помощью аналитики данных в реальном времени от Gridfore повысить эффективность операционных подразделений, качество сервиса (во время ответа операциониста – «подгружать» историю клиента, генерировать персональные скидки), предоставить отделу маркетинга информацию о событии клиента не на следующее утро, а в момент возникновения события, чтобы дать возможность сформировать горячее контрпредложение и превратить «кейс оттока» в «кейс повышения лояльности», помочь службам сопровождения предотвращать массовые сбои сервисов и оборудования, контролировать горячие остатки склада, выявлять мошеннические действия кассиров и многое другое.

Анна Зубкова, CEO Digital Intelligence, поделилась кейсами использования разговорного Al в контакт-центрах.

Гостям запомнилась история дружелюбного ассистента «Андрея», который на сайте Аэроэкспресса помогает купить билеты, подсказывает расписание рейсов, правила проезда. Теперь 60% вопросов решаются без участия операторов, а уровень удовлетворенности ответами достигает 75%.

Также Анна рассказала об опыте ЮниКредит Банка, который обрабатывает 7500 обращений к инфоботам в месяц, но максимальную эффективность достигает с помощью Al-суфлеров.

83% ответов операторам на самом деле подсказывает бот-суфлер: мгновенно считывая запрос, он показывает релевантные ответы, в 2 раза ускоряя работу службы поддержки. Больше всего вопросов и обсуждений вызвал кейс про «Алису» Яндекса, которая помогает тысячам людей в день заказывать пиццу «Папа Джонс».

Важно

После блиц-выступлений Сколково внимание гостей было приковано к историям заказчиков. Первым слово взял Александр Огнивцев, руководитель Управления сервисной поддержки АльфаСтрахования.

Он подробно рассказал об истории внедрения сервиса по классификации запросов: 4 года боту сгружали входящие обращения, но это стоило затраченных усилий: теперь обученный робот правильно классифицирует 85-100% запросов, в 2-3 раза уменьшив общие трудозатраты на обработку. Поделился болью о том, что не всегда человек может обучить бота, трудно приставить к нему живого наставника.

Предостерег гостей от необдуманных решений, проиллюстрировав случаем, когда закупленный сервис исходящих звонков стал давать конверсию 5% вместо обычных 15% (при работе оператора-человека).

Олег Седелев, директор AI проектов Дивизиона корпоративных клиентов 360, блока корпоративно-инвестиционный бизнес Сбербанка,

Источник: http://ventra.ru/events/primenenie-mashinnogo-obucheniya-i-iskusstvennogo-intellekta-v-klientskoj-podderzhke/

Искусственный интеллект изнутри: будни проектов в сфере машинного обучения — Будущее на vc.ru

Анализ перспектив направления от генерального директора агентства по анализу данных Data Monsters Артемия Малкова и директора по онлайн-маркетингу сервиса Biglion Дмитрия Лучкина.

Чем глубокое обучение отличается от машинного

Артемий Малков: Термин deep learning (глубокое обучение) используется для решения задач с использованием многослойных нейронных сетей. Machine learning (машинное обучение) — более широкий термин, включающий комплекс алгоритмов классификации, задач снижения размерности, обработки рядов данных и тому подобного.

Мода на глубокое обучение пришла в связи с успехами сверхточных и рекуррентных нейросетей в задачах обработки изображений, звука и текста.

В отличие от традиционных методов, большая часть которых так или иначе построена на правилах, которые задаёт специалист (rules-based), и опирается на ручной подбор признаков (features), нейросети умеют самостоятельно находить значимые скрытые признаки.

Однако такие нейросети требуют больших объёмов размеченных данных, и успешные проекты с использованием глубокого обучения получаются достаточно трудоёмкими и дорогостоящими. Но если всё сделать правильно, они могут дать высокую точность, недостижимую другими методами.

Объясняем на примере кейсов

Дмитрий Лучкин: Яркий пример использования машинного обучения — механика, которую одна из студий разработала для одного из лидирующих разработчиков игр.

На основании действий каждого игрока создавался профиль, предсказывающий его поведение в игре. С помощью этого инструмента компания не только получила инсайты по удержанию пользователей в игре, но и выяснила, какие навыки им можно прокачивать, какие индивидуальные предложения или артефакты можно предлагать игрокам.

Мне близки простые механизмы, востребованные на уровне пользователя или бизнеса. В конце 2017 года я заметил, что у сервиса Avito появилась классная функция, работающая с распознанием образов по принципу «сфотографируй товар и найди его у нас для последующей покупки».

На одной из конференций специалисты из «Едадил» рассказали, что сегментируют аудиторию по первым действиям в мобильном приложении для предсказывания оттока. Как только они понимают, что пользователь готов уйти (растёт его вероятность в модели скоринга), делают ему специальное предложение, чтобы удержать.

Скоринговые модели оценивали посетителей сайта и лендингов одного из лидирующих банков в режиме реального времени, и делают предложение под конкретную пользовательскую когорту.

При этом закупка трафика идёт с учётом предыдущего поведения пользователя в сети. Сопоставляют они их явно не методом brutal force attack.

Артемий Малков: Я думаю, все уже слышали о достижениях AlphaGo и AlphaZero в игре Go, а также о нашумевших проектах со style-transfer нейросетями, умеющими накладывать определённый стиль на картинку.

Из менее известных, но не менее интересных примеров могу отметить разработки лаборатории Deep Learning for Robotics в Калифорнийский университет в Беркли, где с помощью reinforcement learning (обучения с подкреплением) роботы учатся манипулировать объектами: закручивать пробку в бутылку, складывать кубики и так далее.

Изначально робот не имеет никаких знаний об этих предметах и манипулирует методом тыка, но получает награду, если делает с объектом что-то правильное. Так робот формирует навык.

Также интересны проекты на стыке обработки текста и картинок: возможность получать ответы на вопросы по картинке на естественном языке, например, «какого цвета яблоко на картинке?».

Или синтез картинок по текстовому описанию: например, описание «синяя птица с большим жёлтым клювом» синтезирует соответствующее изображение.

Примеры собственных проектов с использованием искусственного интеллекта

Артемий Малков: Около 20 лет назад, ещё в институте, я впервые столкнулся с распределениями с длинным «хвостом». Такие статистические распределения характерны для большого числа социальных систем.

Например, если посмотреть на число подписчиков самых популярных блогеров, население городов, богатство миллиардеров, частоту использования слов, выручку корпораций и так далее, то у каждого из этих множеств есть несколько лидеров: самых популярных блогеров, самых крупных городов, самых богатых миллиардеров и так далее. И большое число (длинный хвост) блогеров, городов, миллиардеров средней величины.

И, несмотря на то, что популярные проекты имеют колоссальную аудиторию, население или капитал, длинный хвост проектов средней величины также нельзя сбрасывать со счетов. Хвост может составлять 40% от общей массы. Такая статистика описывается степенным законом.

Как ни странно, практически в любой задаче с искусственным интеллектом мы тоже сталкиваемся с длинным хвостом: есть какие-то объекты, паттерны, закономерности, которые встречаются очень часто. Их легко распознать.

Совет

Если данных достаточно, это могут сделать и нейросети, и деревья решений, и любые алгоритмы классификации. Однако эти частые объекты не покрывают 100% всех случаев, от силы это может быть 60-70%.

А вот оставшиеся 30-40% точности — это как раз длинный «хвост» среднечастотных случаев, объектов, паттернов. Их много, каждый из них довольно редкий и, что особенно досадно, алгоритмы машинного обучения плохо с ними справляются. Данные разреженные (sparse data) и обучающая выборка слишком мелкая.

Мы научились правильно «готовить» такой «хвост», что даёт существенное повышение точности алгоритмов. Например, в популярной теме чат-ботов для банков и телекома, наш алгоритм научился распознавать тысячу и более разных тем и типов запросов, тогда как у остальных команд обычно речь идёт о 50-200 темах. Банкам такая точность кажется недостаточной.

Читайте также:  Мнение: искусственный интеллект будет иметь развитие, превышающее возможности человеческого мозга

По нашим оценкам, для хорошего качества диалогов в банке чат-бот должен уметь распознавать 5000 и более разных ситуаций и запросов. Нейросети, например, пока не умеют так тонко обрабатывать текст. Такой уровень детализации обычно достигается только за несколько лет ручного труда аналитиков и конструирования правил.

Мы разработали алгоритмы, которые позволяют обучить систему за пару месяцев и настроить цикл её дальнейшего самообучения. Поэтому крупные банки, которые уже попробовали делать чат-ботов и столкнулись с тем, что те плохо распознают запросы, приходят к нам.

Дмитрий Лучкин: Если брать из недавних проектов, то для компании-лидера по продаже купонов мы на основе алгоритма «Случайный_лес» сделали два ИИ-модуля. Первый — для предиктивной аналитики вероятности оттока, который в режиме реального времени когортировал пользователей по вероятности ухода на основе истории их поведения. Второй — модуль рекомендательной системы.

Оба модуля работали на основе собранных данных в виде 800 млн событий по 4 млн уникальных покупателей (просмотры, частота открытия и закрытия витрин, категории покупок, сами покупки, средний чек, платформы, действия на активацию через email и так далее)

Они продемонстрировали высокую точность предсказательной силы и рост конверсии в продажи (выше, чем у общеотраслевых решений по ecommerce — у скидочных сервисов своя специфика).

Проекты с использованием искусственного интеллекта хороши тем, что дают понятную измеряемую полезность. Если знаете, какой сегмент у вас уйдет. Если кто-то из тех, что платят деньги, — вам нужно делать всё возможное, чтобы удержать этих высокодоходных пользователей. На зрелых рынках с высоким уровнем конкуренции выигрывает тот, кто лучше возвращает и удерживает своих потребителей.

Ситуация с Data Science и искусственным интеллектом на сегодняшний день в мире (США, Китае)

Артемий Малков: Я бы выделил два аспекта: технический и аспект бизнеса. С точки зрения бизнеса, искусственный интеллект сейчас находится на стадии массового внедрения как в процессы бизнеса, так и в продукты, предназначенные для пользователей.

Это масштабное явление. Например, 20 лет назад самой востребованной функцией у компаний был выход в интернет, потом — выход в «облака», затем на мобильные устройства. Сейчас это внедрение искусственного интеллекта.

Источник: https://vc.ru/future/32450-iskusstvennyy-intellekt-iznutri-budni-proektov-v-sfere-mashinnogo-obucheniya

Открытая дискуссия «Новые прорывные цифровые технологии в России: искусственные интеллект и машинное обучение – AI&ML Russia 2018», 21 марта, Москва

Информационно-аналитическое агентство TelecomDaily, проводит Открытую дискуссию «Новые прорывные цифровые технологии в России: искусственные интеллект и машинное обучение – AI & ML Russia 2018», которая состоится 21 марта 2018 г., в отеле «Holiday Inn Suschevskay», по адресу: г. Москва, ул. Сущёвский вал, д. 74.

Одной из главных задач, сформулированной в программе цифровой экономики, является разработка технологий искусственного интеллекта и машинного обучения. Узнать о развитии этих технологий и обсудить интересующие вопросы можно на предстоящей открытой дискуссии.

Среди обсуждаемых тем будут следующие:

  • Искусственный интеллект, машинное обучение, нейронные сети, квантовые компьютеры: что это на самом деле? Влияние на цифровую трансформацию
  • Нейронные сети, или когда наступит завтра!
  • Квантовый компьютер и квантовая связь
  • Технологии AI&ML как платформа для революционной реализации программы Цифровой экономики в РФ
  • Стратеги развития как уже существующих, так и создание условий для возникновения новых прорывных и перспективных сквозных цифровых платформ и технологий
  • Основные направления для создания и развития цифровых платформ на базе технологий AI&ML
  • Создание условий и формирование системы «стартапов» и исследовательских коллективов, обеспечивающих развитие перспективных сквозных цифровых платформ и технологий AI&ML
  • Как и каким образом технологии искусственного интеллекта повлияют на процессы в социально-экономической сфере, государственном управлении и бизнесе
  • Какие возможности открывает применение технологий AI&ML в промышленном производстве, энергетике и добывающей отрасли
  • Технологии глубокого обучения для повышения эффективности информационных и аналитических систем.
  • Использование интеллектуальных систем в беспилотных и роботизированных комплексах
  • Искусственный интеллект в кибер-физических системах
  • Использование AI платформ диспетчерскими службами и в ситуационных центрах
  • Интеллектуальные и самообучающиеся системы в управлении дорожным движением и транспортом, для повышения удобства вождения и безопасности движения.
  • Технологии искусственного интеллекта и машинного обучения для целевого маркетинга в торговых сетях
  • AI-технологии для распознавания и обработки и речи. Использование Чат-ботов.
  • Когнитивные сервисы
  • Платформы и технологии машинного зрения. AI-решение для распознавания объектов

В конференции примут участие представители: государственных регулирующих органов; разработчики интеллектуальных технологий и систем, системных интеграторов, операторов связи; IoT компаний; производителей информационно-телекоммуникационного (ИТ) оборудования и абонентских устройств; подразделений и служб связи, ИТ и ИБ из различных секторов экономики, консультанты и эксперты отрасли, отраслевые СМИ.

Организатор — TelecomDaily.

Официальный сайт: http://www.tmtconferences.ru/aiml2018.html

Докладчики:

Ашманов Станислав Игоревич
генеральный директор, компания «Нейросети Ашманова»

Тихвинский Валерий Олегович
заместитель Генерального директора по инновационным технологиям, АО НИИТС

Абагян Карина Сергеевна
директор по стратегии ПАО Микрон

Максим Тамбиев
региональный Менеджер, Россия, Forrester Research, Inc.

Велихов Павел Евгеньевич
преподаватель НИУ ВШЭ

Константин Баяндин
директор онлайн-маркетинга и ценообразования OZON.ru

Павлов Александр Александрович
руководитель отдела Big Data & Machine Learning, Digital Contact

Шумский Сергей Александрович
директор Научно-координационного совета Центра науки и технологий искусственного интеллекта (в рамках Национальной Технологической Инициативы).

Яковенко Михаил Михайлович
заместитель генерального директора по информационным технологиям, Политехнический музей

Ефимушкин Владимир Александрович
заместитель генерального директора по научной работе ФГУП ЦНИИС, к.ф.-м.н., академик МАС

Место проведения:

Отель «Холидей Инн Москва Сущевский»
Адрес: Москва, ул. Сущевский вал. д. 74

Источник: https://ya-r.ru/2018/03/12/otkrytaya-diskussiya-novye-proryvnye-tsifrovye-tehnologii-v-rossii-iskusstvennye-intellekt-i-mashinnoe-obuchenie-ai-ml-russia-2018-21-marta-2018-moskva/

Машинное обучение и искусственный интеллект: итоги за 2017 год

Посвящённый технологиям машинного обучения проект WILDML опубликовал краткий обзор важнейших достижений в области искусственного интеллекта за последний год. dev.by приводит сокращённый перевод текста.

Пожалуй, самым громким публичным успехом года стало появление новой версии AlphaGo — программы, которая благодаря обучению с подкреплением разгромила чемпионов мира по игре в Го. Из-за огромного количества возможных ходов считалось, что победить в этой игре искусственному интеллекту не удастся ещё как минимум пару лет.

Изначально нейронные сети AlphaGo обучались на человеческих ходах, после чего начинали играть сами с собой, опираясь на метод под названием Monte Carlo Tree Search. Новая модель AlphaZero научилась играть лучше предыдущих версий, не имея никаких обучающих данных.

К концу года вышел ещё более усовершенствованный алгоритм AlphaZero, который в добавок к Го играет ещё и в шахматы и сёги. Способности программы поражают даже самых продвинутых игроков, они сами готовы учиться у неё и заимствовать ловкие комбинации.

В помощь им DeepMind выпустил специальное обучающее ПО AlphaGo Teach.

Однако Го — не единственная игра, которую освоил компьютер. Программе Libratus, разработанной в Университете Карнеги-Меллон, удалось стать на один уровень с топовыми игроками в покер на 20-дневном чемпионате по техасскому холдему.

Обратите внимание

Чуть ранее покерный бот DeepStack впервые обыграл профессионалов. Его созданли учёные из Карлова университета (Чехия), Чешского технического университета и Университета Альберты (Канада).

В обоих случаях игра была «один на один», где генерировать решения значительно проще, чем в игре за полным столом. 

Таким образом, следующей вершиной, которую покорят технологии обучения с подкреплением, должны стать более сложные игры с большим числом участников.

DeepMind активно работает над превращением среды Starcraft 2 в тестовую площадку для искусственного интеллекта, а бот OpenAI, который один на один победил сильнейших игроков в Dota 2, в недалёком будущем сможет сражаться с профи в игре пять на пять.

Возвращение эволюционных алгоритмов

В контролируемом обучении нейросетей успешно использют метод обратного распространения ошибки, и замену ему найдут нескоро.

А в обучении с подкреплением, похоже, снова становятся актуальными эволюционные методы, основанные на других принципах, чем градиентные алгоритмы. Так нейронные сети можно тренировать параллельно и с очень большой скоростью, на тысячах компьютеров.

При этом не нужны дорогостоящие графические чипы — можно использовать большое количество (от сотен до тысяч) относительно дешёвых центральных процессоров.

В начале 2017 года исследователи из OpenAI также показали, что эволюционные стратегии могут достичь не худших результатов, чем обычные алгоритмы обучения с подкреплением, например, Q-обучение.

К концу года команда Uber в своём блоге привела ряд научных статей, демонстрирующих потенциал генетических алгоритмов и дальнейших исследований.

Используя простой генетический алгоритм без каких-либо градиентов, их нейросеть учится играть в сложные игры от Atari, и показывает результаты в десять раз лучшие, чем DQN, AC3 или другие эволюционные стратегии.

Новые модели генерации речи, нейросети, распознающие изображения, и механизмы внимания

Источник: https://dev.by/news/iskusstvennyy-intellekt-i-glubokoe-obuchenie-itogi-za-2017-god

Управление продажами на основе искусственного интеллекта и машинного обучения

Контент страницы

​​​​​​​Практическая краткосрочная программа повышения квалификации «Управление продажами на основе искусственного интеллекта и машинного обучения» направлена на развитие компетенций в области теории и практики создания систем машинного обучения для использования в компаниях различных направлений бизнеса: розничной торговли товарами и услугами, в том числе e-commerce,  финансовых компаниях,  стартапах и других в целях анализа и повышения объема продаж товаров и услуг. 

Искусственный интеллект и машинное обучение стали неотъемлемой частью эволюции технологий, продаж, маркетинга и бизнеса.

В процессе обучения на данном курсе вы получите реальный опыт и знание того, как искусственный интеллект и машинное обучение работают на практике.

Спрос на специалистов в данной сфере стремительно растет и уже вышел за пределы ИТ-компаний, они становятся все более востребованными в продажах, маркетинге, финансах и даже HR​.

 ​​​По результатам обучения вы сможете:

  • ​находить и оценивать возможности применения систем искусственного интеллекта для решения прикладных задач, влияющих на повышение качества реализуемых товаров и услуг, повышения лояльности клиентов и объема продаж;
  • решать конкретные бизнес-задачи и работать с данными с помощью машинного обучения.​;
  • самостоятельно проектировать и реализовывать интеллектуальные информационные системы прогнозирования спроса, продаж, доходов, оттока клиентов, сегментирования потребителей, разработки рекомендательных систем, основанных на современных технологиях машинного обучения и обработки больших данных.​

Краткая программа учебного курса

Модуль 1. Введение в машинное обучение

Алгоритмы машинного обучения: классификация с обучением, кластеризация, регрессия, поиск аномалий. Принципы анализа текстовой и графической информации, эмоциональной окраски текстов. Принципы создания рекомендательных систем. Интеллектуальные сервисы и чат-боты.

Нейросетевые технологии: проблемы, решаемые искусственными нейронными сетями, основные направления применения нейросетевых технологий. Перспективы развития систем обработки больших данных и машинного обучения. Примеры задач машинного обучения в банковском маркетинге, работе с клиентами, операционной деятельности, управлении рисками.

Финансовые технологии, основанные на обработке данных и машинном обучении: интеллектуальные кредитные сервисы, интеллектуальные страховые сервисы, интеллектуальные сервисы интернета вещей. Примеры проектов. Обзор современных технологий машинного обучения: R, Python, Spark. Демократизация искусственного интеллекта.

Важно

Искусственный интеллект без программирования.  Microsoft Azure Machine Learning, IBM Watson Machine Learning.

Модуль 2. Практическое использование моделей классификации в задаче кредитного скоринга
Задача кредитного скоринга. Задача прогнозирования оттока клиентов. Модель логистической регрессии. Методы оценки качества моделей классификации. Модели деревьев и лесов решений.

Бустинг деревьев решений. Нейронные сети и машины опорных векторов. Технологическая реализация моделей машинного обучения в Microsoft Azure Machine Learning. Технологии улучшения моделей машинного обучения.
Практическая работа: Построение системы кредитного скоринга (kaggle).

Модуль 3. Практическое использование моделей регрессии в задачах прогнозирования спроса, продаж, доходов

Задачи прогнозирования спроса, продаж, доходов. Модель множественной линейной регрессии. Методы оценки качества моделей регрессии. Использование моделей деревьев, лесов, нейронных сетей для прогнозирования.
Практическая работа: Построение системы прогнозирования продаж (kaggle).

Модуль 4. Практическое использование моделей кластерного анализа в задаче сегментирования потребителей
Кластерный анализ. Задача сегментирования потребителей. Метод К-средних. Методы оценки качества моделей кластерного анализа. 
Практическая работа: Сегментирование потребителей.
​Модуль 5.

Анализ аномалий, рекомендательные системы и анализ текстовой информации в финансахПоиск аномалий. Задача поиска мошеннических трансакций.  Принципы анализа текстовой информации. Принципы анализа эмоциональной окраски текстов. 
Практическая работа: Анализ эмоциональной окраски записей в социальных сетях. 
Принципы создания рекомендательных систем.

Читайте также:  Machine learning, deep learning. что это? зачем это?

 Практическая работа: Построение рекомендательного сервиса.

Объем программы составляет 36 академических часов.

​Форма обучения – лекции и практические занятия с 18.50 до 22.00 в Фи​нансовом университете п

о адресу Ленинградский пр-кт, д. 51, корп. 1.
Стоимость обучения – 32 000 руб.​​​

По результатам освоения программы вы получаете удостоверение о повышении квалификации установленного образца Финансового университета при Правительстве Российской Федерации.​

Преподаватель курса

     

Соловьев Владимир Игоревич

д.э.н., профессор, Руководитель Департамента анализа данных, принятия решений и финансовых технологий Финансового университета, лауреат премий CEEMAN Champion Award, «Проект года» Официального сообщества ИТ-директоров России GlobalCIO и других. Работает в области информационных технологий с 1990 года.

Реализовал различные проекты в области анализа финансовых рынков, моделирования умных производств, промышленного, финансового и образовательного интернета вещей, а также в области искусственного интеллекта и обработки данных.для компаний из финансовой отрасли и реального сектора экономики.

 Автор 20 книг, более 100 научных статей и более 30 статей в профессиональных IT-журналах.

Обладает профессиональными статусами в области наук о данных: Charter Member, Microsoft Professional Program for Data Science ​​​Microsoft Certified Solutions Expert (Data Management and Analytics), ​​Microsoft Certified Solutions Associate (Machine Learning), ​​Microsoft Certified Solutions Associate (Data Engineering with Azure), ​​Microsoft Certified Trainer. 

 Программа обучения ППК-07 Управление продажами на основе искусственного интеллекта и машинного обучения.pdf

ЗАПИШИТЕСЬ НА ОБУЧЕНИЕ:

Источник: http://www.fa.ru/org/dpo/fintechschool/Pages/upai.aspx

Смартфоны – Искусственный Интеллект и Машинное Обучение

Современному смартфону, чтобы оставаться «модным», нужно иметь дисплей 18:9 с минимальными рамками (лучше с вырезом), превосходную камеру и искусственный интеллект и/или машинное обучение.

Искусственный интеллект и машинное обучение – эти заумные словечки перенимаются и применяются на всех составляющих наших смартфонов, от системы на кристалле до операционной системы. Так что же это: маркетинговое надувательство, научная фантастика или факт, являющийся вымыслом? Читайте дальше, и мы предоставим простой и по возможности свободный от жаргона обзор.

В чем же разница между искусственным интеллектом и машинным обучением

Искусственный интеллект лучше всего можно охарактеризовать, как способность машины демонстрировать практики, включающие обучение, поведение и общение, похожие на наши. Звучит, как нечто из разряда фантастики, да? Что ж, если бы мы закончили здесь, то мы бы согласились с этим, но давайте копнем глубже.

Возьмем обобщение ИИ (Общий ИИ), представленное выше, сузим его, выберем определенную область, которая более уместна для нашего вопроса – например, распознавание изображений – и назовем это Узкий ИИ.

Наши смартфоны не просто вдруг развили способность распознавать отличия между машиной и тарелкой с вечерним перекусом. Их этому научили. Способность «по-настоящему» узнавать что-то новое в своей чистой форме, т. е.

без постороннего вмешательства, для них пока недоступна.

Совет

Я состоял в команде, которая выпустила схему карты лояльности для крупной британской компании розничной торговли, которая теперь имеет около 16 млн. держателей карт. Теперь представьте объем данных, который мы собирали.

База данных клиентов, вмещающая всю информацию, которую предоставили все 16 млн. во время процесса регистрации, включает пол, возраст, детей и адреса.

База данных транзакций, куда вносится информация обо всех купленных предметах, включает дату, время и магазин.

Какие понимание и интеллект наши системы могли бы продемонстрировать нам, однако реальность была немного другой. Однажды мы прибыли в офис и обнаружили, что наши системы выдали нам «истину» или тренд, который мы не рассматривали.

Нет, наша система прямо отвечала на поставленный вопрос – сколько женщин с определенными демографическими данными не купили определенный бренд парфюма, например. Мы могли принять эти данные и дать совет бренду.

Это был интеллектуальный анализ данных, хотя и в массовом масштабе, с применением правил и логики, созданных нами.

Теперь же вернемся к смартфонам. Пора и машинному обучению выйти на сцену. В качестве практического примера возьмем альбом «Люди» от Apple и предположим, что ранее никого не «отмечали».

Когда вы впервые просматриваете альбом «Люди», он показывает только фотографии, где была определена геометрия «лица», без имен.

  • Выберите лицо без имени и дайте ему имя.
  • Программа попросит подтверждения, что другое лицо принадлежит этому человека. Пока она получила лишь первое лицо для работы, так что предлагаемое лицо во второй раз может отличаться. Вы отвечаете «да» или «нет» и повторяете.

С каждым разом программа узнает больше и больше об этом лице с разных углов, с различными прическами, что случается, когда оно стареет и т.д. Таким образом вы достигаете точки, когда, вы делаете фото человека, и программа автоматически отмечает его правильным именем.

Это яркий пример использования машинного обучения для активации Узкого искусственного интеллекта.

В приведенном выше примере, мы учили наш смартфон распознавать лица наших друзей, поскольку для нас они уникальны. В наши приложения камеры эти улучшения уже были внедрены другими компаниями, которые обеспечивают базовый уровень.

Они используют машинное обучение для регистрации и классификации множества фотографий, так что, когда в объектив попадает тарелка с едой, ваш смартфон распознает ее и применяет подходящие фильтры для лучшего из возможных фото, и отмечает ее как определенный вид еды.

В будущем эти Узкие ИИ будут расширяться для лучшей работы вместе.

Обратите внимание

К теме о распознавании наших лиц, iPhone X использует ИИ для Face ID, чтобы запомнить ваше лицо и снимать блокировку с iPhone в различных условиях.

Представьте себе будущее, где данный процесс автоматически распространяется на приложение «Фото», чтобы помогать в начальной стадии распознавания или в добавлении дополнительных изображений.

Специальные чипсеты с искусственным интеллектом

На этом этапе уместно поговорить о чипах. Когда производители ссылаются на элементы ИИ в своих чипах, рассматривайте это, как нечто похожее на графический процессор (GPU).

Ведь GPU предоставляет разработчикам ряд эффективных API, например, для отображения многоугольника в пределах определенного координатного пространства с цветной текстурой.

Чипсеты с искусственным интеллектом предоставляют эффективный ряд API, которые через нейронные сети поддерживают задачи, связанные с ИИ.

Примеры чипсетов, включающих аппаратные средства, связанные с ИИ, включают:

  • Нейронный процессор (ИИ-ускоритель) HiSilicon Kirin 970 от Huawei
  • ИИ-платформа ЦПОС Snapdragon 845 Hexagon 685 от Qualcomm
  • Нейронный процессор A11 Bionic от Apple

Их аппаратура нейронной сети может выполнять до 100 млрд. операций в секунду.

Но не беспокойтесь, если чипсет вашего смартфона не содержит специальных элементов с ИИ, данный процесс будет осуществляться программным обеспечением. Он будет менее эффективным, поскольку устройство не сможет запросить поддержку специального элемента, а в первую очередь будет использовать GPU и в некоторых случаях ЦП.

Разработчики

До недавнего времени, хотя ИИ был доступен на ОС для встроенных приложений и процессов, разработчикам было сложно осуществлять локальные ИИ-задачи внутри своих программ.

Ради этого им приходилось встраивать собственный ИИ или использовать сторонний фреймворк, вроде машинного обучения AWS от Amazon. Теперь же все изменилось, поскольку Android 8.

1 и iOS 11 предоставляют API, позволяющие разработчикам легко добавлять машинное обучение в свои программы.

Android 8.1

Android Neural Networks API (NNAPI) предназначен для осуществления интенсивных вычислительных операций для машинного обучения. NNAPI предоставляет базовый уровень функционала для фреймворков машинного обучения более высокого уровня (таких как TensorFlow Lite, Caffe2 и других), которые строят и тренируют нейронные сети.

iOS 11

Core ML – это основной фреймворк машинного обучения, используемый на продукции Apple, включая Siri, Камера и QuickType.

Конфиденциальность

Компании живут и умирают благодаря конфиденциальности наших данных, ради которой используют различные подходы. В некоторых, данные никогда не покидают смартфон, а если такое происходит, он токенизируется. В других случаях, зашифрованные данные в облаке предоставляют дополнительные возможности для улучшения и обогащения опыта.

Двигаясь дальше, уровень доступа для друзей и семьи сохранит дополнительное время всем нам. Возвращаясь к теме распознавания лица, если делиться и получать все процедуры обучения, предпринятые семьей и близкими друзьями, это обеспечит, что если кто-то обучит свою фото-библиотеку распознавать лицо своего сына, это знание автоматически перейдет на ВСЕ их библиотеки.

В этой статье мы концентрировались на фотографировании, чтобы текст был короче, а мысль не скакала туда-сюда, однако ИИ и ML применяются и в следующих областях:

  • Понимание языка, включая речь и распознавание написанного от руки
  • Использование датчиков смартфона для лучшего понимания, что происходит вокруг пользователя
  • Предиктивные интерфейсы, рабочий процесс пользователя и цензура контента/родительский контроль
  • Защита устройства
  • Улученная обработка изображений
  • Дополнительная реальность и ИИ-зрение
  • В управлении приложениями/системой устройства для увеличения работы аккумулятора

Последний момент перед заключением, если в этой области когда-нибудь появятся стандарты, это потенциально может позволить вам делиться своим интеллектом с устройствами и сервисами разных производителей. Знаем – мечты, мечты.

Так что пока не волнуйтесь. Ваш смартфон не сможет обрести самосознание как Скайнет и попытаться прикончить вас, когда вы в следующий раз приложите трубку к уху.

Просто теперь, больше чем когда либо, смартфоны начинают оправдывать первую часть своего названия.

Так что пока давайте наслаждаться выгодами, которые приносит искусственный интеллект через машинное обучение в наше повседневное взаимодействие с нашими устройствами.

Все это лишь поверхностная информация в отношении этой темы, поскольку разветвления ИИ очень запутаны. Для дополнительной информации нажмите сюда, чтобы перейти на Википедию.

Источник: https://68bit.ru/2018/04/smartfony-iskusstvennyj-intellekt-i-mashinnoe-obuchenie/

Введение в машинное обучение

Перевод статьи разработчика алгоритмов машинного обучения, бизнес-консультанта и популярного автора Ганта Лаборде «Machine Learning: from Zero to Hero». 

Начнешь c “Зачем?”, придешь к “Я готов!”

Если вы мало знаете об основах машинного обучения, то эта статья как раз для вас. Я буду постепенно излагать введение в машинное обучение, склеивая дружелюбный текст с вдохновляющими примерами. Присядь и расслабься, это займет некоторое время.

Почему машинное обучение сейчас в тренде

Искусственный интеллект (далее ИИ) всегда имел применение, начиная от перемещения ракетки в пинг понге и заканчивая выполнением комбо в Street Fighter.

ИИ опирается на представление программиста о том, как программа должна себя вести. Но как часто становится понятно, не все программисты талантливы в программировании искусственного интеллекта. Стоит только погуглить “эпичные фейлы в играх” и наткнуться на глюки в физике, даже у опытных разработчков.

Несмотря на это, компьютер поддается обучению для игры в видеоигры, понимания языка и распознавания людей и предметов. Этот навык исходит из старой концепции, которая только недавно получила необходимые вычислительные мощности для существования вне теории. Я имею в виду машинное обучение (ML, Machine learning).

Важно

Не продумывайте сложные алгоритмы самостоятельно — обучите компьютер создавать собственные сложные алгоритмы. Как это будет работать? Алгоритм не столько написан, сколько выведен. Посмотри это короткое видео, с помощью анимации оно должно дать понимание общего принципа создания ИИ.

И как возможно такое, что мы даже не понимаем устройство рабочего алгоритма? Прекрасным визуальным примером был ИИ, написанный для прохождения игр Марио. Люди хорошо знают, как нужно играть в сайд-скроллеры, но это безумие пытаться определить стратегию игры для ИИ.

Впечатлены? Как это возможно? К счастью, Элон Маск представил некоммерческую компанию, которая предоставляет возможность подключения ИИ к любым играм и задачам с помощью дюжины строк кода. Посмотрите, как это работает.

Зачем следует использовать машинное обучение?

У меня два ответа на вопрос, почему вас должно это заботить. Во-первых, с помощью машинного обучения компьютеры выполняют задачи, которые раньше они не выполняли. Если хотите создать что-то новое для всего мира, вы можете сделать это, используя машинное обучение.

Во-вторых, если не влияете на мир, мир повлияет на вас. Компании инвестируют в ML, и эти инвестиции уже меняют мир. Лидеры мысли предупреждают, что нельзя позволить алгоритмам машинного обучения быть в тени. Представьте себе, если бы монополия из нескольких корпораций контролировала Интернет. Если мы не “возьмемся за оружие”, наука не будет нашей.

Читайте также:  Soft robotics toolkit - уникальный набор для сборки собственного робота

Christian Heilmann высказал правильную мысль в беседе о машинном обучении:

Хорошо, теперь я заинтересован…

Концепт полезный и веселый. Но что за дичь там в действительности творится? Как это работает? Если хочешь сразу погрузиться, советую пропустить раздел и перейти к следующему “С чего мне начать?”. Если вы уже мотивированы делать модели ML, эти видео не понадобятся.

Если ты все еще пытаешься понять, как такое вообще возможно, следующее видео проведет тебя через логику работы алгоритмов, используя классическую задачу ML — проблему распознавания рукописного текста.

Классно, не правда ли? Видео демонстрирует, что каждый новый слой становится проще, а не сложнее. Будто бы функция пережевывает данные в более мелкие кусочки, которые потом выстраиваются в задуманный концепт. Поиграйтесь с этим процессом здесь.

Занятно наблюдать, как данные проходят через натренированную модель, но ты также можешь пронаблюдать тренировку собственной нейронной сети.

Классический пример машинного обучения в действии — датасет прямиком из 1936-го года, называемый ирисами Фишера. На презентации эксперта JavaFX, посвященной машинному обучению, я узнал, как использовать этот инструмент, чтобы визуализировать прикрепление и обратное распространение весов к нейронам в нейронной сети. Понаблюдайте за тем, как тренируется нейронная сеть.

Обучение нейронной сети Ирисы

Готовы стать Эйнштейном новой эры? Прорывы происходят каждый день, поэтому начинайте сейчас.

С чего мне начать?

Доступных ресурсов много. Я рекомендую два подхода.

Основы

С этим подходом вы поймете машинное обучение вплоть до алгоритмов и математики. Знаю, этот путь кажется тяжким, но зато как круто будет по-настоящему проникнуться в детали и кодить с нуля!

Если хочешь получить силу в этой сфере и вести серьезные обсуждения о ML, то этот путь для тебя. Советую пройти курс по искусственным нейронным сетям. Этот подход позволит вам изучать ML на вашем телефоне, убивая время, например, в очереди. Одновременной проходите курс о машинном обучении.

Курсы могут показаться слишком сложными. Для многих это причина не начинать, но для других это повод пройти это испытание и получить сертификат о том, что вы справились. Все вокруг будут впечатлены, если справитесь, потому что это действительно не просто. Но если вы это сделаете, получите понимание о работе ML, которое позволит вам успешно применять его.

Бесплатный курс Константина Воронцова Введение в машинное обучение от Yandex ШАД и ВШЭ доступен на Coursera.

Гонщик

Если вы не заинтересованы в написании алгоритмов, но хотите использовать их для создания сайтов и приложений, то используйте TensorFlow и погрузитесь в crash course.

TensorFlow — это библиотека с открытым исходным кодом для машинного обучения. Ее можно использовать любым способом, даже с JavaScript.

Услуги ML

Если проходить курсы не ваш стиль, то пользуйтесь ML как услугой. Технические гиганты владеют натренированными моделями, а сектор услуг по машинному обучению растет.

Источник: https://neurohive.io/ru/osnovy-data-science/vvedenie-v-mashinnoe-obuchenie-kto-ego-primenjaet-i-kak-stat-razrabotchikom/

Как искусственный интеллект проникает в финтех: от чат-ботов к персональным ассистентам

Рост производственной обработки данных, совершенствование алгоритмов машинного обучения, снижение стоимости обеспечения процессов, усиленная конкуренция и завышенные требования потребителей к финансовым компаниям — все эти факторы привели искусственный интеллект к полноправному участию в сфере финансовых технологий.

Более того, он достаточно надежен во всем, что касается рисков, конфиденциальности, проблем человеческого фактора и последовательности маркетинговой стратегии.

Технологии на базе искусственного интеллекта (ИИ) позволяют финансовым компаниям работать на опережение и оказывать персонализированный сервис по более низкой цене, чем это было возможно раньше.

Совет

По факту ИИ может качественно обрабатывать намного большие объемы информации, самообучаться и накапливать знания на рекордно высоких скоростях, обеспечивая улучшение взаимодействия между человеком и компьютером: компьютерные алгоритмы, которые непрестанно совершенствуются в процессе получения новых данных.

ИИ представляет собой не одну технологию, но комплекс родственных налаженных технологий и процессов, развивающихся качественно и стремительно: обработка текста на естественном языке (NLP — natural language processing), машинное обучение (ML -machine learning ) экспертные системы, виртуальные агенты, аналитическая обработка, системы рекомендации, помогающий роботу воспринимать, обрабатывать информацию и действовать по типу человеческого мышления. Такие технологии, как виртуальные агенты (разработанные компьютерами анимационные персонажи, выступающие в качестве онлайн-консультантов), аналитические идентификаторы и системы рекомендаций (алгоритмы для улучшении товаров и сервисов), обеспечивают инновационное поступательное развитие отрасли. Также всё это дает компаниям глубокое понимания сервиса и развития бизнес-процессов.

Мессенджеры захватывают рынок финансовых технологий, и совсем скоро мы будем покупать авиабилеты, оплачивать коммунальные услуги или делать заказ в магазине после минутного чата с роботом и одного клика в социальной сети, к которой привязана платежная карта. Чат-боты медленно, но неуклонно вытесняют мобильные приложения, хотя совсем недавно онлайн-банкинг казался вершиной комфортных и быстрых денежных операций. Так, всего за 10 лет, общение с роботами стало нашей новой повседневностью.

Чат-боты для миллиарда человек

Новые перспективы в этой области открыл Китай, где даже электронная почта не успела стать популярной, а на рынок уже хлынула «разговорная» коммерция, которая еще и обошла по востребованности все другие каналы. Китайские пользователи могут забыть о наличных и онлайн-банке, потому что достаточно открыть мессенджер WeChat и напрямую, в один клик, купить всё, что придет в голову.

Интернет в западном мире развивался совсем иначе: дифференциация приложений как возможность выбора и сравнительной оценки удобства, неизменная востребованность электронной почты.

Да и мессенджеры здесь другие — они, конечно, тоже идут к тому, чтобы покупки можно было осуществлять автоматизированно и через одного посредника, но «живое» консультирование клиента всё же не уступит место единой системе ботов.

Слишком много процессов нужно поставить на бесперебойный поток, при этом обеспечивая синхронность, высокий уровень сервиса и распознавание запроса клиента.

Подобные разработки есть и в России — например, встроенный в мессенджер Telegram Talk bank. Идея близка к китайскому WeChat, Talkbank тоже делает возможным финансовые операции внутри чата. Банк доступен всегда и везде, потому что он в кармане, во всей полноте возможных операций в электронном облаке смартфона.

Мой помощник

Номер один среди трендов, усиленных в 2017 году, — качество обслуживания клиентов.

Обратите внимание

Было установлено, что потребители хотят делиться своей личной информацией, если они могут получить персонализированные советы, предложения на основе общего понимания их потребностей.

Использование искусственного интеллекта для создания контекстной осведомленности может посоветовать, к примеру, как урезать затраты на латте, чтобы осуществить арендную плату в конце месяца.

Этой зимой Сбербанк, внутри приложения «Сбербанк онлайн», внедряет сервис «Мой помощник», который сможет, на основе анализа трат и предпочтений клиента, давать советы о бонусах, специальных предложениях, оптимизации расходов, налоговых возвратах и различной документации. Финансовая технология проекта встает в один ряд по целесообразности с чат-ботами.

До этого российские банки только тестировали искусственный интеллект, но вся эта область решений оставалась в списке блестящих идей на будущее. Но уже сейчас подобные приложения активно внедряются и вполне способны изменить структуру банковской индустрии в России.

А вот в Мидзухо, одном из ведущих японских банков, роботы уже стали реальностью, там клиентов обслуживает искусственный интеллект энергичных консультантов.

Робоэдвайзинг в России

Альтернативой финансовых консультантов по банковским вопросам, конкретным покупкам и другим денежным операциям в режиме онлайн стал робоэдвайзинг. По сути, это понятие сводится к финансовому консультированию клиента посредством автоматизированных технологий.

Робоэдвайзеры дают большие преимущества в сфере онлайн-трендинга. Прежде всего, это заявки в один клик и открытие счета в реальном времени, мониторинг, актуальные новости и обработка больших объемов сделок сразу.

Распространение брокеров в социальных сетях делает инвестиционные знания более доступными и понятными, а общение с клиентом — простым и адресным. Автоматизация позволяет преподносить информацию в режиме 24/7, при этом снижая издержки процессов.

Робоэдвайзеры доступны на десктопе или в формате мобильных приложений, несут в себе функции портфельного управляющего, определяющего риски и оптимальную инвестиционную стратегию. Характерная черта робоэдвайзеров — довольно низкие комиссии по операциям.

Важно

Для обеих сторон это максимально выгодный вариант развития событий, не только в контексте любых онлайн-покупок, но и инвестиционной деятельности, в том числе самостоятельных, розничных инвесторов.

Список продуктов и приложений в этой области активно пополняется новыми узнаваемыми брендами. Если говорить об инвестиционных целях, то на слуху сейчас ETF, REIT. В США довольно популярно мобильное приложение Robinhood — брокерские онлайн-услуги без минимального взноса и комиссии.

В России более известны «Финам» (Finamtrade), «Церих» (Zerich Trader Workstation), «Ай Ти инвест» (SmartX), а также и сами QUIK, METATRADER и TRANSAQ.

Довольно ярко проявил себя «Мой брокер», мобильное приложение компании БКС, которое объединило в одном сервисе торговлю, мониторинг, аналитику и прямую коммуникацию с финансовым советником в режиме чата или телефонного звонка.

Еще один относительно новый сервис — «Тинькофф инвестиции». Он позволяет покупать ценные бумаги в режиме онлайн с помощью кредитной карты.

По факту, процедура оформления не выходит за рамки традиционного брокерской деятельности, но некоторые бюрократические проволочки и необходимость присутствовать при заключении договора всё же упраздняются.

С одной стороны, быстро и удобно, с другой — под высокую ставку по процентам.

Из совсем новых стартапов стоит отметить российские Simple invest, Yango, Newton и Conomy Right и сервисы по учету личных финансов (PFM/PFP).

Если раньше функционал последних (PFM/PFP) не шел дальше учета расходов, то новые версии помогают накопить нужную к конкретному сроку сумму, спрогнозировать бюджет и работать с банковскими выписками. Список топ-программ по учету личных финансов возглавляет компания Mint LeamVest и более «элитный» PersonalCapital.

Совет

В России это два типа продуктов — приложения от самих банков, но в таком формате есть существенный недостаток, привязка к конкретным банковским картам. Если их у пользователя несколько, к тому же выпущены они разными финансовыми структурами, то свести учет воедино в рамках одного приложения такой вариант не позволит.

Второй тип — независимые приложения, но и здесь не без сложностей, такой апп потребует ручного ввода данных при каждой операции. Среди независимых сервисов известны Дзен-Мани, EasyFinance, Coin Keeper и Panda Money.

Кибер-банкинг — закономерное развитие финансовых услуг в разрезе потребления, онлайн-операций и банковской эволюции. «Разговорная коммерция» действительно в состоянии совместить в повседневности формат быстрых чатов и таких же быстрых и удобных финансовых операций. Как именно это произойдет — покажет время и ожидания пользователей.

Безусловно, у использования сервисов на ИИ в финтехе, есть и свои риски. Так, математические модели компьютерного обучения, которые были построены с учетом обучающих наборов данных, по факту не являются репрезентативными и могут привести к неточностям при практическом использовании.

Смежной проблемой является непрозрачность алгоритмов и систем ИИ в сравнении с традиционными аналитическими методами. Отсутствие однозначных систем тестирования ИИ до реализации может привести к небезопасным результатам.

Безопасность является особой проблемой для искусственного интеллекта, что делает данную систему непредсказуемой после ее запуска в реальный мир.

Тем не менее, ИИ действительно неоценим для финансовой индустрии, которая генерирует огромное количество данных. Мы будем свидетелями как успешных кейсов применения искусственного интеллекта, так и провалов.

В любых системах, находящихся на стадии становления, естественно будут ошибки, и чтобы их решить потребуется время и деньги со стороны индустрии.

Обратите внимание

В перспективе ИИ изменит финансовую индустрию до неузнаваемости и станет неотъемлемой ее частью.

Источник: https://www.forbes.ru/tehnologii/340187-kak-iskusstvennyy-intellekt-pronikaet-finteh-ot-chat-botov-k-personalnym

Ссылка на основную публикацию
Adblock
detector