跳转到主要内容

最新研究表明,机器学习在金融领域日趋成熟

Amanda West
Amanda West
路孚特实验室全球总监

路孚特最近发布的一份报告显示,随着企业努力提高竞争力,人工智能(AI)和机器学习在金融服务的多个业务领域中的规模越来越大。随着金融数据科学家采用更具影响力的角色驱动机器学习策略,企业只会受到围绕数据质量和可用性的挑战。


  1. 路孚特的新报告收集了 400 多位数据科学家、量化专家和数据领导者的见解,从而揭示了人工智能和机器学习在金融领域的最新发展趋势。
  2. 机器学习在金融服务业明显正在走向成熟。80% 的公司在相关技术上进行了大量投资。
  3. 数据科学家扮演着越来越重要的战略角色,自 2018 年以来,金融服务公司的数据科学团队数量增长了 260% 以上。

要在收件箱中获取更多数据驱动的见解,请订阅 Refinitiv Perspectives 每周新闻

以下是路孚特的第二份全球人工智能和机器学习报告 “数据科学家的崛起” 中的一些亮点。

该报告是基于对数据从业者和决策者在金融领域使用机器学习进行的最大规模的全球调查之一,也是数据从业人员和创新领导者的“必读书”。

查阅路孚特人工智能和机器学习报告:数据科学家的崛起

观看:新人工智能与机器学习研究——数据科学家的崛起

机器学习成为一种水平能力

随着公司们部署了越来越复杂的技术,例如深度学习,并开始执行快速的创新周期,机器学习在金融服务业日趋成熟。

超过 72% 的调查参与者表示,这是他们商业战略的核心组成部分,其中 80% 的人在相关技术上进行了大量投资。

在 2018 被确定为采纳的关键障碍的与投资水平、技术选择和获取人才有关的挑战为大规模实施机器学习模型提供了坚实的基础。


2020年的报告显示了不同的用例组合。

数据科学家的角色更具战略性

数据科学家已经从技术部门转移到直接在业务中工作和驱动机器学习。他们已经从按照业务要求开发模型过渡到影响实现业务目标所需的技术和数据策略。

数据科学家对机器学习策略成功的重要性是显而易见的。自 2018 年我们的第一份机器学习报告以来,每家公司的数据科学角色的平均数量显著增加,且团队数量增加了 260% 以上。


采用深度学习

今年的报告显示,75%的公司在使用深度学习。这是一个出人意料的进步,同时也受到领先的深度学习技术框架使用激增的支持。


深度学习可以帮助企业从大型和多样化的非结构化数据集中获得有价值的观点,但硬件成本和训练模型所需的时间可能令人望而却步。

自然语言处理(NLP)是另一个越来越受人关注的领域,并且越来越多地应用于挖掘非结构化数据的价值。非结构化数据的出现并不令人惊讶。2018 年,只有 2% 的公司专门处理非结构化数据,而这一数字在 2020 年飙升至 17%。如今,64% 的公司使用某种形式的非结构化数据。


数据策略的重要性

数据科学家正在使用不同的数据源,包括非结构化数据和另类数据来开发模型。

在 2020 年的调查中,只有 3% 的参与者表示他们没有在模型中使用另类数据,这一比例比 2018 年的 30% 有所下降,这反映出需要新的数据集来更好地理解新冠肺炎疫情的影响

下载完整报告:只有3%的金融公司不使用另类数据,低于2018年的30%

在我们 2018年 的调查中,数据质量差被认为是有效开发模型的关键挑战之一。今年,数据质量差和可用性仍被认为是人工智能采用的障碍。

如果企业想要真正受益于“人工智能优先”愿景的速度、灵活性和价值,它们需要高质量、值得信赖的数据,这些数据可以方便地访问、吸收和操作。

新冠肺炎疫情是拱形加速器

我们的 2020 年报告显示,72% 的公司模型受到新冠肺炎疫情的负面影响。一些公司宣布他们的模型过时了,而其他公司正在建造新的。

问题的症结在于缺乏灵活性,无法在环境变化时快速适应和合并新的数据集。

COVID-19对金融行业的人工智能/机器学习有何影响

关于金融领域中的机器学习你应该知道的事

今年的报告包含了您想要了解的有关机器学习领域的所有信息。它提供对金融服务中的用例、数据科学家不断变化的角色、新兴技术的使用、最新投资趋势等方面的见解。

它还包括基于路孚特实验室开发和部署机器学习模型以解决金融领域一些最具挑战性问题的经验所提出实践建议,并与我们的客户分享了一些构建的原型。

查阅路孚特人工智能和机器学习报告:数据科学家的崛起