Dyp læring i finanssektoren: Hvordan kunstig intelligens endrer spillereglene i Saudi-Arabia?

Hvis du følger med på teknologi- eller finansnyheter i Riyadh og Dammam, har du sikkert lagt merke til den store oppmerksomheten rundt "dyp læring (Deep Learning)" i det siste. Men sannheten, bortenfor de prangende overskriftene, er at det skjer en grunnleggende endring under overflaten. Jeg snakker om øyeblikket når algoritmene forlater forskningslaboratoriene og slår rot i den virkelige verden, spesielt her i kongeriket med Visjon 2030 som setter digital transformasjon øverst på agendaen.

Fra teori til praksis: Hva betyr "dyp læring" egentlig?

For fem år siden var begrepet "Machine Learning in Finance: From Theory to Practice" bare en glansfull boktittel i hyllene til de lokale akademiske miljøene. Men i dag? Situasjonen er en helt annen. Store banker og finansieringsselskaper i østprovinsen ser ikke lenger på kunstig intelligens som en luksus, men som et helt nødvendig verktøy for å holde seg konkurransedyktige. Den virkelige utfordringen ligger ikke lenger i å forstå teorien, men i hvordan man får disse modellene til å fungere effektivt i en verden full av brå endringer – det som kalles "konseptdrift" (Concept Drift).

Hvordan oppdager intelligente modeller svindel før den skjer?

Se for deg et system som lærer en kundes daglige atferd. Plutselig begynner denne kunden å gjennomføre store transaksjoner midt på natten fra Jeddah, selv om han aldri har forlatt hjemmet sitt i Khobar. Eldre systemer ville ha slått alarm, men da ville det allerede vært for sent. I dag, med avanserte "dyp læring"-teknikker basert på neuro-symbolsk AI (Neuro-symbolic AI), er systemet i stand til å oppdage dette avviket i atferden umiddelbart, ja til og med forutsi det. Dette er ikke science fiction; det er hva som nå skjer i driftssentralene hos de største finansinstitusjonene i Saudi-Arabia, der verktøy som Di LSS (Deep Learning Security Systems) brukes til å overvåke milliarder av transaksjoner per sekund.

• Sanntidstilpasning: I stedet for å oppdatere systemet én gang i måneden, lærer og utvikler modellene seg kontinuerlig for å holde tritt med nye svindelmønstre.
• Gjennomsiktighet: Algoritmene er ikke lenger en "svart boks". Moderne teknologi lar risikosjefer forstå hvorfor systemet har frosset en bestemt konto, noe som reduserer menneskelige feil.
• Integrasjon med Python: Det går ikke en uke uten at jeg hører om en workshop i hovedstaden Riyadh om "Deep Learning with Python"; dette språket, som er grunnmuren i denne revolusjonen, har blitt en hjørnestein i utdanningen av den nye generasjonen saudiarabiske ingeniører.

Mellom fortid og nåtid: "The Way I Used to Be" i investeringsverdenen

Jeg husker dagene med tradisjonell teknisk analyse, da den store investoren satt foran 5 skjermer, analyserte diagrammer og tegnet Fibonacci-nivåer manuelt. Denne arbeidsmåten (The Way I Used to Be) var krevende og påvirket av menneskelige følelser. I dag er ting annerledes. Jeg ser saudiarabiske investeringsfond som bruker dyp læring-algoritmer til å analysere enorme datamengder som mennesker ikke kan håndtere: fra værrapporter i Kina som påvirker forsyningskjeder, til sentimentanalyse av tusenvis av tweets om en bestemt aksje på Tadawul-børsen.

Det virkelige spørsmålet nå er ikke "Skal vi bruke kunstig intelligens?", men "Hvordan sikrer vi at disse systemene lærer de riktige tingene?". Og her kommer konseptet "label-free learning" (læring uten etiketter) inn i bildet, noe som skapte stor oppmerksomhet på den siste teknologikonferansen. Tanken er at modellen oppdager uregelmessigheter på egen hånd, uten at mennesker trenger å beskrive alle tenkelige svindelscenarier på forhånd. Dette sparer enormt med tid og krefter, og gjør systemet smartere til å håndtere helt nye typer svindel.

Til slutt tror jeg ikke jeg overdriver når jeg sier at vi i Saudi-Arabia er vitne til et historisk veiskille. Overgangen fra å importere ferdige løsninger til å bygge lokale dyp læring-systemer som forstår det lokale markedets egenart, er det virkelige kappløpet. Den som har den beste modellen i dag, vil ha evnen til å ta de raskeste og mest presise investeringsbeslutningene i regionen. Og viktigst av alt, all denne utviklingen er nå tilgjengelig for oss, og ikke forbeholdt Silicon Valley.