Dr. Sai Zeng, Head of AI CoE & Distinguished Engineer bei UBS, auf AI for Financial Services NYC - AI Erfolge im Investment Management

data Über Sai Zeng: Bei UBS leitet sie die Umsetzung von Strategien, die auf AI basieren, um das Management, die Risikoreduktion und die betriebliche Effizienz in allen Konzernfunktionen der Bank zu verbessern.

Über UBS: UBS ist ein globales Finanzdienstleistungsunternehmen, das Wealth-Management-, Asset-Management- und Investment-Banking-Dienstleistungen anbietet. Sie ist an den wichtigsten Finanzplätzen der Welt tätig und bietet einer breiten Kundschaft massgeschneiderte Finanzlösungen an.

Die Replikation von leitenden data Wissenschaftlern und die Integration verschiedener Talente in den Bereichen maschinelles Lernen, Deep Learning und NLP sind entscheidend für die Skalierung der AI Technologie. Die gemeinsame Entwicklung von Lösungen mit Entwicklungsteams und Geschäftsinteressenten fördert einen "Full-Stack data scientist"-Ansatz.

AI und maschinelles Lernen werden als Erweiterungen bestehender Produkte und Lösungen betrachtet, nicht als eigenständige Produkte. Dies fördert die enge Zusammenarbeit mit Entwicklungsteams und Produktverantwortlichen, um die Modelle von AI in bestehende Frameworks zu integrieren.

Die Teams widmen etwa 20 % ihrer Kapazität der Innovation und dem Experimentieren mit neuen großen Sprachmodellen (LLMs) und Technologien. Dieser strukturierte Ansatz stellt sicher, dass problemorientiertes Experimentieren mit den Unternehmenszielen übereinstimmt und ein Gleichgewicht zwischen dem Bedarf an Innovation und der Erzielung von messbarem Fortschritt und Wert schafft.

AI Zu den Anwendungen gehören ein Tool für die Suche nach Rechtsdokumenten, das die Suchfunktionalität für 20 Millionen Dokumente verbessert, und ein Tool für die automatische Kommentierung von Finanzcontrollern, das die Zusammenstellung von data und die Erstellung von Kommentaren automatisiert. Diese Tools verbessern die betriebliche Effizienz und erfüllen spezifische Geschäftsanforderungen.

Es ist wichtig, Mitarbeiter einzustellen, die AI Algorithmen verstehen und Fähigkeiten in Produktlösungen integrieren können. Dies beinhaltet ein "Full-Stack data scientist"-Konzept, bei dem Fachleute AI, Softwareentwicklung, Bereitstellung und Skalierbarkeit in der Produktion kennen, um von Anfang an einen ganzheitlichen Ansatz zu gewährleisten.

Die Zeit, die wir uns für Innovationen nehmen, wird durch echte Probleme bestimmt. Nach der Übernahme der Credit Suisse gab es einen konkreten Anwendungsfall, bei dem die Personalabteilung Fragen zum Vergleich von 401(k)-Plänen stellte. Diese Untersuchung ging über einfache Fragen hinaus und führte zu komplexen Multi-Agenten-Frameworks, die zu weiteren Untersuchungen und Innovationen anregten.

AI im Finanzdienstleistungssektor konzentriert sich auf betriebliche Effizienz und Kosteneinsparungen, mit Vorteilen wie verbesserter Kundenerfahrung und Vertrieb/Marketing. AI Anwendungen in internen FAQs Chatbots, automatisiertes Reporting und Automatisierung in Bereichen wie Anti-Geldwäsche (AML) und Know-Your-Customer (KYC)-Prozesse gehen schnell in Produktion.

Ein Tool für die Suche nach juristischen Dokumenten stand vor Herausforderungen wie der Handhabung von 20 Millionen Dokumenten und der Implementierung einer Zugangskontrolle. Das Team entwickelte eine Google-ähnliche Suche für juristische Dokumente und konzentrierte sich dabei auf Skalierbarkeit und Zugriffskontrolle. Der Weg vom Proof of Concept zur Produktion dauerte über ein Jahr.

Ein Auto-Kommentar-Tool für Finanzcontroller automatisiert die data Aggregation und die Erstellung von Kommentaren. Dieses Tool rationalisiert den Prozess der Erläuterung wesentlicher Änderungen in der Gewinn- und Verlustrechnung (GuV) und ersetzt die manuelle data Sortierung durch automatische Lösungen. Es integriert umfangreiche Sprachmodelle, um Sprachmuster zu erkennen und tägliche Kommentare zu generieren.

AI Die Modelle folgen etablierten Genehmigungsprozessen, ähnlich wie bei Risikomodellen. Durch den Nachweis von Input, Output und Metriken wird die Einhaltung von Governance-Standards gewährleistet. Große Sprachmodelle erfordern neue Validierungsansätze, die die sich entwickelnde Natur der AI Technologien widerspiegeln.

Die Gewährleistung von Genauigkeit ohne Halluzinationen ist eine Herausforderung, insbesondere in strukturierten data Umgebungen. Zu den Lösungen gehört die Verwendung von AI Modellen zur Interpretation von data und zur Erstellung von Antworten, um Fehler zu minimieren. Die Interaktion mit großen Sprachmodellen konzentriert sich auf die Zusammenstellung von Antworten auf der Grundlage genauer data , die über SQL-Anweisungen extrahiert werden.