在金融產業的ML

在algorithmia的2021 年企業機器學習趨勢調查顯示，關於客戶體驗跟流程自動化的案例，其中幾個比較顯著的，像是改進客戶體驗、增進客戶insight分析、增加跟客戶互動、自動化流程、提升客戶忠誠度、欺詐檢測等等。

• 圖片來源：Machine learning in finance

這些趨勢也同樣可以運用在金融產業，將過去很多制式化的流程自動化，提供更好的服務體驗，讓員工可以花更少的時間去一字一句的對照文本內容，取而代之的是檢查、確認那些對流程關鍵的資料欄。

除了上述的跨產業常見案例之外，也還有幾項在專注在金融產業的案例：

• 市場監督
• 盡職調查
• 投資組合優化
• 優化交易執行
• 量化戰略制定
• 算法交易

雖然ML 模型的學習能力有助於推動更準確的預測，但同時也必須確保此模型的使用符合監管要求並受到良好管理和系統安全性保護。

金融業的MLOps

近年來，金融產業的數位化旅程也讓更多的專案成效可視化、也可透過這些資料更瞭解客戶與銀行之間互動裝框。

一般來說銀行的重要財務資料會經過較嚴格的安全性把關，不管是銀行內或者是到銀行工作的外派人員，也都依循相關的規範。這些把關機制也被重新審核當中，原因來自於GDPR(個人隱私法)的規範，同時也來自於想要把某些流程自動化的時候，這些流程也必須要有權利可以拜訪有關的資料。

這些行為的改變，在大型銀行引入新模式可能需要很長的時間。因為組織的靈活性較低。使用新模型可能需要幾個月的時間。年輕、相對小的銀行導入科技專案的狀況相對靈活。且在業務一開始的時候，可能因為新興服務，導致當地法律還沒跟上，有時候會有一些法規與實務上的差距產生。隨著業務成熟、當地法律成熟，這些規範也逐漸跟上。

常見的規範文件：
• 《模型風險管理指南》
• 《歐洲中央銀行 (ECB) 內部模型指南》

在金融業當中，MLOps的引入能夠協助達到安全性、合規性的標準。同時，一個系統要運作良好，同時也需要良好的合作來自於分析團隊以及銀行產業知識團隊。在引入系統的同時，希望能夠把人類覺得重複性高、耗時的流程簡化，同時也透過數據，讓決策者能夠有所依據，讓過去覺得難以下決策的問題，能夠加速、以資料為主的方向被決定。

工作流程及利益相關者

以AWS的白皮書裡面的圖表為例，一個在金融業的專案，通常涉及多個團隊、多個利益相關者。這些利益相關者通常會構建高層次的業務問題。一旦確定，開發團隊必須將業務問題轉化為機器學習問題，並具有明確定義的輸入和輸出。在這個過程當中通常會涉及(1)對銀行內部流程的了解(2)對銀行外部用戶流程的了解(3)能夠把這些行為的關鍵指標與開發團隊溝通。

而技術團隊則需要將這些流程與指標，在可見的風險以及合規性的規範下，把這些專業知識放進開發流程裡。

＊圖片來源：Machine Learning Best Practices in Financial Services

如圖所示，在 ML 生命週期的每個階段，都必須確保適當的訪問控制、安全、治理和監控層。在MLOps的流程當中，大致上涵蓋這些範圍：

• 1. 提供安全的機器學習環境：
  • 計算和網路隔離
  • 身份驗證和授權
  • 資料加密
  • 可審計性
• 2. 建立機器學習管理：
  • 可追溯性
  • 可解釋性
  • 模型監控
  • 再現性
• 3. 操作機器學習工作負載：
  • 模型開發工作負載
  • 各開發環境工作負載
  • 產品話和持續監控工作負載
  • 追蹤和警報

Reference
[1]. WHAT MLOPS IS AND WHY BANKS NEED IT

[2]. Machine Learning Best Practices in Financial Services

[3]. Machine learning in finance