Курсовая с практикой на тему Искусственный интеллект и его развитие в финансовом секторе

Содержание:

1. Теоретические аспекты использования искусственного интеллекта на финансовом рынке 3
1.1 Предпосылки внедрения и история развития искусственного интеллекта 3
1.2 Основные черты искусственного интеллекта на финансовом рынке 8
2. Современное состояние использования искусственного интеллекта на финансовом рынке 17
2.1 Основные области применения искусственного интеллекта на финансовом рынке 17
2.2 Перспективы развития использования искусственного интеллекта на финансовом рынке 23
Список литературы 28

Введение:

Актуальность исследования обусловлено ростом интереса к цифровым технологиям. В настоящее время цифровые технологии охватывает все сферы деятельности, при этом особый интерес вызывают системное внедрение технологий «искусственного интеллекта» в экономическое и социальное пространство развитых стран и формирование крупных социально-экономических систем как на технологической основе.
Призрак автоматизации в «большой системе «и изгнания людей из этой сферы экономики, где она является» технологической » частью системы (банковско-финансовая, транспортная, логистическая в широком смысле, даже некоторые отрасли медицины), начинает становиться реальным фактором экономического планирования и развития, дополняя и без того почти социальный мейнстрим понятием гибкого труда и неограниченной социальной мобильности. И это может стать источником глобальной экономической турбулентности, возможно, большей, чем мировой финансовый кризис.
Согласно технической точке зрения использование искусственного интеллекта в большинстве сферах подталкивает к реализации четвертой промышленной революции, которая приведет к замене человеческого труда объектами, обладающих искусственным интеллектом. Но, в этом случае, социальный риск, связанный с изменениями в структуре экономики, появится на ранней стадии развития и будет увеличиваться за счет внедрения элементов, а то и более сложных систем, основанных на искусственном интеллекте.
Внедрение технологий искусственного интеллекта создаст не только новые возможности, но и очень важные социальные и экономические риски. Но, главное, что развитие процесса внедрения технологий искусственного интеллекта (искусственного интеллекта, ki — AI) будет в определенной степени синхронизировано с процессами реструктуризации экономики на глобальном и региональном уровнях. Этот процесс по определению будет нелинейным, зависит от многих внешних факторов. Работа «сговора» государства в процессе развития ИИ заключается в минимизации негативного, замедлении влияния внешних факторов, которые в среднесрочной перспективе останутся благоприятными.
Цель исследования рассмотреть тенденции использования искусственного интеллекта на финансовом рынке.
Задачи исследования
— раскрыть теоретические аспекты использования искусственного интеллекта на финансовом рынке;
— изучить современное состояние использования искусственного интеллекта на финансовом рынке;
— подвести основные итоги исследования.
Предмет исследования формы искусственного интеллекта, используемые на финансовом рынке. Объект исследования финансовый рынок.

Заключение:

Итак, данные изначально используются банками для поиска новых рыночных возможностей для продуктовой линейки, и задача работы с данными становится одной в том же ключе. Получение из внутренних и внешних источников (информация и ресурсы Банка, открытые базы данных в государственных информационных системах, социальные сети, Интернет и др.) это первый шаг. Во-вторых, организовать инфраструктуру, в которой данные будут структурированы и возможность быстрого исследования.
Чтобы максимизировать ценность монетизированного решения, компании должны построить архитектуру, которая может поддерживать широкое повторное использование, реорганизацию и повторное использование по требованию. Здесь, ключевым вопросом для бизнеса является оценка значимости этих факторов в контексте предполагаемого использования. В частности, важно понимать, какие данные понадобятся для эффективного и быстрого решения проблемы или запуска определенной кампании.
Растущий интерес сети к большим данным связан с тем, что рынок насыщен, ощущение кризиса никуда не делось, а конкуренция усиливается. Большие данные позволяют не только ускорить процесс получения информации и извлечь из нее больше пользы, но и повысить точность анализа и сложность работы.
В то время, как цели, так и задачи, с которых будут начинаться совместные проекты банков и ритейлеров в основном лежат в области маркетинга и увеличения продаж, поэтому получить лучшее разнообразие для каждого конкретного магазина, сделать хороший показ товаров, повысить точность прогноза и оптимизировать инвентарь, сделать наиболее актуальные персонализированные предложения для стимулирования спроса.
Одним из самых известных примеров использования big data в российском продуктовом ритейле является опыт сети «Лента». Основным источником данных является карта лояльности, с ее помощью совершается 95% покупок в интернете. Но в сети учитывается и другая информация о клиенте, в том числе данные из социальных сетей.
В России крупнейший российский ритейлер X5 retail Gr — up, управляющий «Пятерочками», «Перекрестками» и «каруселями», базируется на проектах в области анализа больших данных (Big Data), в рамках которых он хотел лучше изучить клиентов, так как ресурс роста за счет увеличения сети и роста цен постепенно исчерпывается.
В сети есть данные о покупках и профилях клиентов, их можно использовать для прогнозирования будущих затрат. Есть несколько приложений для анализа поведения людей в магазине и разработки индивидуальных предложений. В будущем ритейлеры будут использовать искусственные технологии для прогнозирования присутствия, продаж в отдельных магазинах, а также для принятия решения, например, о том, какой ассортимент предложить. Компании, которые успешно внедряют новые технологии, получат выгоду, потому что продажи увеличатся, ассортимент будет более точно соответствовать спросу, а сеть сможет оптимизировать ценообразование и сократить объем ручной работы.

Фрагмент текста работы:

Ряд экономических теорий, которые были созданы в 1950-х годах, основывались на предположении о рациональном поведении участников рынка. Примерно в то же время Герберт Саймон сформулировал абсолютный предел рационального поведения, определяемый тремя факторами: вычислительной сложностью задачи, находящейся в пределах разума, и максимальным количеством времени, которое требуется для принятия решения. Из наличия ограничения рациональности (как вопроса максимизации личных интересов) следует, что участники рынка, вместо того чтобы принимать абсолютно рациональные решения, должны найти компромисс между достаточностью и собственной удовлетворенностью результатом (в англоязычной литературе термины встречаются в употреблении).
Качество «достаточно хорошего» управленческого решения во многом определяется тем, как методы и механизмы поиска решения связаны со сложностью проблемы. В том случае, когда поиск решения осуществляется человеком, учитываются психические ограничения и особенности человеческого разума: например, скорость и точность информационных процессов среди очевидных ограничений разума.
Исследование Искусственного Интеллекта (далее – ИИ) в сообществе, сосредоточенном на нейронных сетях, было мотивировано двумя аспектами. Во-первых, поскольку мозг является примером самой совершенной интеллектуальной системы, то для построения искусственной интеллектуальной системы необходимо воссоздать принципы организации применяемых к ней вычислений. Во-вторых, машинное обучение осуществляется в нейронных сетях, что может быть полезно для лучшего понимания механизмов, лежащих в основе человеческого интеллекта.
В 1940-е годы появилась линейная модель нейронов ниже следующего вида (формула 1.1):
f (x, w) = x1w1 +… + xnwn, (1.1)

которая определяет набор входных параметров Х1,…, xn для единичных производственных параметров при использовании веса w1,…, ВН.
В 1969 году Марвин Мински и Сеймур Паперт опубликовали книгу, критикующую персептроны (элементы математической модели для принятия решений на основе альтернатив) [5], в процессе обсуждения содержания которой научное сообщество пришло к осознанию ряда ограничений нейронных сетей.
Например, линейная модель нейрона не может выучить функцию, в которой вес входного параметра должен изменяться от значения других входных параметров. Элементарным примером функции является «исключающая» или » (X — R) математика и логика: веса переменных в модели зависят от того, различаются ли значения.
В начале 1980-х годов изучение символического мышления было популярно. Опираясь на эти принципы, экспертные системы не обладают способностью к обучению, так как применяют готовые знания механически и требуют большого объема ручной работы. На фоне границ символических вычислений появилась вторая волна интереса к нейронным сетям-коннекционизм. Этот подход основан на предположении, что можно добиться разумного поведения при взаимодействии примитивных вычислительных блоков, не обладающих интеллектом.
Второй значимой идеей коннекционизма является распределенное представление: один входной параметр может быть представлен несколькими вычислительными единицами, и при этом одни и те же вычислительные единицы могут участвовать в описании нескольких входных параметров. Эти представления позволяют им «упаковывать» множество компактно свойства исследуемого объекта с помощью сравнительно небольшого числа вычислительных единиц.
На рисунке 1 представим основные этапы развития искусственного интеллекта.