AI体验纽约:瑞士信贷和摩根大通的亮点

时间:2019-03-15 13:16:32 阅读:39次
人工智能已成为银行和金融服务行业的基础技术,一流的组织认识到其对成功至关重要。 6月20日星期三,超过300位高管,分析师和数据科学家在纽约康拉德酒店举行了宴会,亲自了解如何成为人工智能驱动的企业,以及为什么这种演变如此重要,尤其是在这些行业中。

<! - 多 - >

  

   Paras Parekh(瑞士信贷),HP Bunaes(DataRobot),Peter Cotton(摩根大通),Anshul Sehgal(瑞士信贷)

  

  在DataRobot的银行业总经理Greg Michaelson发表主题演讲之后,J.P。摩根执行董事Peter Cotton探讨了数据科学的兴起,以及J.P.摩根大通的具体意义。与DataRobot合作使得构建和评估模型变得更加容易,在各个银行业中开辟了一个“大声”问题的世界。

   Peter跟随DataRobot的银行业务总监H.P. Bunaes回应了Peter的想法,并强调了使用自动化机器学习可以高效有效地解决的众多银行用例。

  瑞士信贷全球市场预测分析主管Paras Parekh和他的同事,高级数据科学家Anshul Sehgal,深入分析了机器学习如何让瑞士信贷占据优势通过差异化研究。

  

  瑞士信贷的活跃基金经理每天都会创建超过2.5亿个字节的数据,并认识到所有这些新创建数据的潜力。

  他们还深入研究了一个特定的用例,然后强调数据科学家并没有被自动化机器变得多余 - 相反,他们的重点略有转变,但它们的价值仍然比以往任何时候都高。

  

AI体验演讲嘉宾聚焦:来自瑞士信贷的Paras Parekh和Anshul Sehgal

   Paras和Anshul通过一个关于监督学习,无监督学习和强化之间差异的快速课程引导观众开始他们的会议在通过交互式流行测验测试观众之前学习。让观众热身之后,他们潜入了他们演讲的内容:“通过机器学习创造差异化研究。”

  每天创建超过2.5亿个字节的数据,瑞士信贷的活跃基金经理认识到所有这些新创建数据的潜力。这些新的和备选的数据集 - 公司外部消息公司发布的关于公司的独特信息(代表潜在的投资机会) - 具有产生阿尔法的巨大潜力,其中对冲基金在替代数据集上的支出预计到2020年将增长到70亿美元。对于瑞士信贷而言,这是一种数据和分析,应该为今天和未来的金融研究提供动力。

   Paras和Anshul深入研究了他们使用DataRobot的自动化机器平台解决的一个特定用例:如何提高瑞士信贷对石油勘探和生产公司的估值,作为投资机会。对于这一估值,Paras和Anshul试图预测该公司未来的石油产量。

  

  

   Paras Parekh和Anshul Sehgal(瑞士信贷)

  

  他们从数据开始,整理和混合传统和替代数据集。他们在数据集中包含的一些公开可用替代数据包括DrillingInfo.com的井位和井产量数据,FracFocus.com的丙烷和水用量数据,以及美国政府的许可数据。

  通过模型构建过程引导观众,Paras和Anshul突出了DataRobot在加快项目总体时间表方面的强大功能。在收集数据集之后,即使在使用DataRobot之后,数据准备的步骤仍然保持不变:数据科学家与分析师合作清理数据,消除噪音,并找出如何处理缺失值和异常值。

   Paras建议使用Cloudera和Alteryx等工具将数据准备和提取工具集成到功能架构中的数据提取和处理步骤中。数据清理后,数据科学家和业务分析师通过探索性分析来识别和生成功能。总的来说,模型构建过程的这些初始步骤需要3-4周,无论是否有DataRobot。

  然而,在进行下一步时,DataRobot的力量和潜力对观众来说非常清晰。在与分析师一起清理和准备数据之后,瑞士信贷的数据科学家随后将自行建立和测试模型。此过程过去至少需要2周时间:通过使用DataRobot,该过程现在只需2个小时。

  

   DataRobot的自动化机器学习平台不能取代数据科学家,也不能代替他们构建和测试模型的能力。 Anshul和Paras强调,DataRobot所做的是增强数据科学家的能力,充当精英决策支持系统,并提供大量的生产力提升。

  即使使用像DataRobot这样的工具自动化机器学习模型构建和测试过程,黄金法则仍然适用于数据科学家:垃圾输入,垃圾输出。如果没有真正了解数据的数据科学家以及如何准备数据,那么您将把垃圾放入自动化机器学习模型中,并进行垃圾预测。没有数据科学家,这个过程仍然失败。

  瑞士信贷的数据科学家与DataRobot的平台合作,他们的角色略微转向关注模型构建过程的两个关键部分:

  •   处理原始数据以进行清理和准备。这需要一位了解数据清理,特征工程以及该数据集本身的独特属性的数据科学家。


  •   模型选择和分析。在确定并生成信息功能之后,数据科学家必须在DataRobot中进行模型选择,模型分析和超参数调整。通过这项关于特征工程的工作,Paras和Anshul能够开发出高度精确的模型,当与清理数据和工程特征相结合时,可以提供“完美的预测”。


      

       DataRobot的自动化机器学习平台不能取代数据科学家,也不能代替他们构建和测试模型的能力。 Anshul和Paras强调,DataRobot所做的是增强数据科学家的能力,充当精英决策支持系统并提供大量的生产力提升。使用DataRobot只是将数据科学家的注意力从手动,耗时的过程转移到专注于模型构建和测试过程的其他更具创造性和增值的方面。

      ,点击

  • AI体验纽约:瑞士信贷和摩根大通的亮点所属专题:AI专题 《AI体验纽约:瑞士信贷和摩根大通的亮点》链接:http://www.zhouchuanxiong.net/1248

    AI体验纽约:瑞士信贷和摩根大通的亮点相关文章