Deep learning in de financiële sector: hoe AI de spelregels in Saoedi-Arabië verandert

Als je het technische of financiële nieuws in Riyad of Dammam volgt, dan is je vast de grote ophef rond "deep learning" van de laatste tijd niet ontgaan. Maar eerlijk is eerlijk: los van de opvallende krantenkoppen, vindt er onder de oppervlakte een fundamentele omslag plaats. Ik heb het over het moment waarop algoritmes de onderzoekslaboratoria verlaten en echt voet aan de grond krijgen, zeker hier in het koninkrijk met Saudi Vision 2030, waarin digitale transformatie prioriteit nummer één is.

Van theorie naar praktijk: wat betekent 'deep learning' nu echt?

Vijf jaar geleden was de term "Machine Learning in Finance: From Theory to Practice" niet meer dan een opvallende boektitel in de lokale academische wereld. Maar nu? De situatie is totaal anders. Grote banken en financiële instellingen in de oostelijke provincie zien kunstmatige intelligentie niet langer als een luxe, maar als een essentieel instrument om concurrerend te blijven. De echte uitdaging is niet langer het begrijpen van de theorie, maar het laten werken van deze modellen in een wereld vol onverwachte veranderingen, ook wel bekend als 'concept drift'.

Hoe ontdekken intelligente modellen fraude voordat het gebeurt?

Stel je een systeem voor dat het dagelijkse gedrag van een klant leert. Plotseling begint die klant midden in de nacht grote transacties uit te voeren vanuit Jeddah, terwijl hij of zij zijn of haar huis in Khobar nooit verlaat. Oude systemen sloegen pas alarm als het al te laat was, maar tegenwoordig, met geavanceerde "deep learning"-technieken die gebruikmaken van neuro-symbolische AI, is het systeem in staat om deze gedragsafwijking direct te detecteren, en er zelfs op te anticiperen. Dit is geen sciencefiction, maar wat je nu ziet in de control rooms van de grootste financiële instellingen van Saoedi-Arabië, waar tools zoals Di LSS (Deep Learning Security Systems) worden gebruikt om miljarden transacties per seconde te monitoren.

• Directe aanpassing: In plaats van het systeem één keer per maand bij te werken, leren en ontwikkelen de modellen zich elke minuut om nieuwe fraudepatronen bij te houden.
• Transparantie: Algoritmes zijn geen 'black box' meer. Moderne technologieën stellen risicomanagers in staat om te begrijpen waarom het systeem een bepaalde rekening heeft bevroren, waardoor menselijke fouten afnemen.
• Integratie met Python: Er gaat geen week voorbij of ik hoor over een workshop in de hoofdstad Riyad over "Deep Learning with Python"; de moedertaal van deze revolutie is de basis geworden voor de nieuwe generatie Saoedische ingenieurs.

Tussen verleden en heden: 'The Way I Used to Be' in de wereld van investeringen

Ik herinner me de dagen van traditionele technische analyse nog goed, waar de grote investeerder voor vijf schermen zat, grafieken analyseerde en handmatig Fibonacci-indicatoren plaatste. Die manier van werken (The Way I Used to Be) was omslachtig en vatbaar voor menselijke grillen. Tegenwoordig is het anders. Ik zie dat investeringsfondsen in Saoedi-Arabië vertrouwen op deep learning-algoritmes om enorme hoeveelheden gegevens te analyseren die voor mensen onmogelijk te verwerken zijn: van weerrapporten in China die toeleveringsketens beïnvloeden, tot de analyse van de sentimenten in duizenden tweets over een bepaald aandeel op de Tadawul-beurs.

De echte vraag is nu niet langer 'Gaan we kunstmatige intelligentie gebruiken?', maar 'Hoe zorgen we ervoor dat deze systemen de juiste dingen leren?'. En daar komt het concept 'labelvrij leren' (label-free learning) om de hoek kijken, dat voor veel opschudding zorgde op de laatste technologielconferentie. Het idee is dat het model zelf afwijkingen ontdekt zonder dat de mens elk mogelijk fraude-scenario vooraf hoeft te beschrijven, wat enorme tijd- en moeitebesparing oplevert en het systeem slimmer maakt in het omgaan met ongekende fraude.

Tot slot: ik overdrijf niet als ik zeg dat we in Saoedi-Arabië een keerpunt meemaken. De overgang van het importeren van kant-en-klare oplossingen naar het bouwen van lokale deep learning-systemen die de specifieke kenmerken van de lokale markt begrijpen, is de echte race. Wie vandaag de dag het beste model heeft, zal in de regio de snelste en meest nauwkeurige investeringsbeslissingen kunnen nemen. En het belangrijkste van alles is dat al deze ontwikkelingen nu binnen handbereik zijn en niet langer het exclusieve domein van Silicon Valley.