Τι και αν περισσότερες τράπεζες επιλέγουν τις λύσεις μεγάλων εταιρειών που δραστηριοποιούνται στο AI, όπως την Open AI και την Anthropic για να αποκτήσουν πρόσβαση στην τεχνητή νοημοσύνη.
Η Revolut φαίνεται να εκπαίδευσε ένα proprietary μοντέλο με την ονομασία PRAGMA σε 40 δισεκατομμύρια transactions, αλληλεπιδράσεις με την εφαρμογή και άλλα οικονομικά δεδομένα από 25 εκατομμύρια χρήστες σε περισσότερες από 111 χώρες.
Ακριβώς αυτό αναλύεται σε πρόσφατη επιστημονική εργασία arXiv:2604.08649.
Τι βασικά σημεία της μελέτης:
Τα σύγχρονα χρηματοπιστωτικά συστήματα παράγουν τεράστιες ποσότητες δεδομένων συναλλαγών και συμβάντων που κωδικοποιούν πλούσια οικονομικά σήματα. Η παρούσα εργασία παρουσιάζει το PRAGMA, μια οικογένεια βασικών μοντέλων για ακολουθίες τραπεζικών συμβάντων από πολλαπλές πηγές.
Η προσέγγισή μας προ-εκπαιδεύει μια αρχιτεκτονική βασισμένη στο Transformer σε ένα μεγάλης κλίμακας, ετερογενές σώμα τραπεζικών συμβάντων, χρησιμοποιώντας έναν αυτοεποπτευόμενο στόχο προσαρμοσμένο στη διακριτή φύση των χρηματοπιστωτικών αρχείων.
Το μοντέλο που προκύπτει υποστηρίζει ένα ευρύ φάσμα εργασιών, όπως η αξιολόγηση πιστοληπτικής ικανότητας, η ανίχνευση απάτης. μπορεί να επιτευχθεί ισχυρή απόδοση με την εκπαίδευση ενός απλού γραμμικού μοντέλου πάνω στις εξαγόμενες ενσωματώσεις και μπορεί να βελτιωθεί περαιτέρω.
Αποδεικνύουμε ότι το PRAGMA επιτυγχάνει κορυφαία απόδοση σε πολλαπλούς τομείς για χρηματοοικονομικές εφαρμογές.
Το πρόβλημα
Τα διάφορα AI μοντέλα που κυκλοφορούν στην αγορά, όπως για παράδειγμα το Chat GPT, είναι καλά στο να διαβάζουν κείμενο.
Αν τα τροφοδοτήσεις με όσο περισσότερη πληροφορία γίνεται από το internet, τόσο καλύτερα θα γίνουν στην πρόβλεψη της επόμενης λέξης.
Δυστυχώς όμως, εκεί που δεν τα πηγαίνουν καλά είναι στο χώρο του fraud detection, δηλαδή στις περιπτώσεις ανίχνευσης απάτης.
Ο λόγος είναι ότι τα οικονομικά δεδομένα δεν είναι απλά κείμενο. Το αρχείο μιας τράπεζας για τη συμπεριφορά του πελάτη αποτελεί ένα sequence structured events.
Το κάθε event έχει έναν τύπο, έχει ένα ποσό, έχει ένα νόμισμα, έχει ένα timestamp και μια σχέση με οποιοδήποτε άλλο event στο ιστορικό του πελάτη της τράπεζας.
Όταν αυτά τα δεδομένα αν τα τροφοδοτήσεις σε ένα text-based AI όπως το ChatGPT, θα διαβάσει το σήμα του δολαρίου ή του ευρώ και τα ψηφία με τον ίδιο τρόπο που διαβάζει γράμματα. Ωστόσο όμως, το μοτίβο που σηματοδοτεί απάτη ή πιστωτικό ρίσκο δεν μπορεί να διαβαστεί. Δεν μπορεί να προβλεφθεί.
Γιατί δουλεύει το PRAGMA στη περίπτωση της Revolut
Όσους δεν κατάλαβαν μέχρι αυτή τη στιγμή περί τίνος πρόκειται, θα πρέπει να αναφέρουμε ότι αυτό που δίνει το προβάδισμα στη Revolut με τη χρήση του εν λόγω μοντέλου, είναι το γεγονός ότι μπορεί να δει το big picture του πελάτη.
Μπορεί να δει πού έχει ξοδέψει χρήματα, πότε διαπραγματεύτηκε μετοχές, πώς μετέφερε χρήματα σε διεθνές επίπεδο, πότε και με ποια στοιχεία της εφαρμογής έχει αλληλεπιδράσει πριν και μετά από κάθε συναλλαγή. Το PRAGMA εν ολίγης έχει εκπαιδευτεί σε όλα αυτά τα δεδομένα.
Διαβάζει κάθε οικονομικό event ως τρία πράγματα.
- Τι συνέβη
- Συγκεκριμένες λεπτομέρειες γι’ αυτό το event
- και πότε συνέβη. Μαθαίνει μοτίβα σε όλο το ιστορικό του πελάτη.
Ένας πελάτης ο οποίος έβαλε χρήματα στον λογαριασμό του, έκανε μια μικρή πληρωμή με κάρτα και στη συνέχεια έστειλε μια διεθνή μεταφορά και στη συνέχεια σταμάτησε, όλο αυτό αντιπροσωπεύει ένα μοτίβο.
Ακριβώς αυτό κάνει το μοντέλο ιδανικό για τραπεζικές εφαρμογές όπως τη Revolut. Το PRAGMA μαθαίνει να αναγνωρίζει τι συνήθως προηγείται αυτού του μοτίβου.
Σύμφωνα με την Revolut, το μοντέλο εκπαιδεύτηκε με βάση 207 δισεκατομμύρια data points που καλύπτουν 25 μήνες πραγματικής δραστηριότητας πελατών.
Ακολουθήστε το Techmaniacs.gr στο Google News για να διαβάζετε πρώτοι όλα τα τεχνολογικά νέα. Ένας ακόμα τρόπος να μαθαίνετε τα πάντα πρώτοι είναι να προσθέσετε το Techmaniacs.gr στον RSS feeder σας χρησιμοποιώντας τον σύνδεσμο: https://techmaniacs.gr/feed/.
