资产管理是使用人工智能的迅速增长——或者至少这就是资产管理公司希望你相信。
我评估分数的管理者声称使用人工智能。尽管一些真正的采用,许多人有罪,我称之为AI-washing——表达时使用人工智能实际上他们只是采用传统的定量技术,如简单线性回归,在技术上符合“机器学习”。
这些可疑的索赔主要目标资产所有者是谁“渴望”投资AI-driven基金,根据最近的一项CFA协会研究投资者的信任。调查发现,84%的机构投资者希望投资于基金,利用人工智能和78%“相信使亚博赞助欧冠用人工智能投资决策将导致更好的投资者的结果。”
社区服务,我开发了一个尽职调查清单来帮助分配器评估经理人AI凭证。
但人工智能是并不是铁板一块,所以我们首先定义关键术语。根据安德鲁•摩尔前卡内基梅隆大学计算机科学学院院长,“人工智能是计算机科学和工程的表现的方式,直到最近,我们认为需要人类智慧”。
- 机器学习是一种人工智能的算法由人类学会执行一个特定的任务(例如,做出预测)没有被显式地编程或硬编码来执行这一任务。这些算法改善经验——的例子包括决策树、随机森林,多层感知器,支持向量机。我们称这类“经典机器学习。”
- 深入学习,机器学习的一个子集,使用一个算法称为人工神经网络的分层结构。尽管人类设计的架构并选择所需的网络输入和输出,网络——适当的培训——学习如何输入映射到输出和自己做出明智的决定。因为他们的结构和能力,DL模型可以近似比经典的ML算法和更复杂的功能可以识别非线性数据中的模式过于复杂的人类来识别。
- 另一种类型的机器学习,强化学习是基于学习算法,通过试验和错误的行为去实现一个特定目标(例如,确定资本的最优配置在一个投资组合的股票)。
- 一些经理也使用另一种类型的AI称为自然语言处理,机器理解人类语言和执行各种任务,如翻译关键字提取、和主题分类。在许多情况下,某种类型的ML用于自动化这些任务。
需要注意的是,大多数的管理者使用AI是利用某种类型的古典毫升,增加现有的基于人工智能的投资过程。然而,似乎很少有经理使用DL和更少的RL,尽管这些算法的能力来解决复杂的商业问题。
同时,尽管经理可能使用AI改进操作效率(如自动化管理,中间或后台,或客户服务流程),我只关注管理者如何使用人工智能实现投资的优势。传统业务尽职调查可以用来评估这些noninvestment应用程序。
与这一背景下,这是我不可否认nonexhaustive清单分配器可以用来评估的目的、完整性和有效性所使用的人工智能的资产管理公司。
- 似乎有点迂腐,但首先要求管理者清晰地说明投资它试图解决的问题,及其原因。答案将为接下来的AI检查提供必要的上下文。经理经历了什么过程阐明这个问题?的个人和团体组织都参与了这一过程,为什么?这个过程被记录?最后,经理的解决这个问题,为什么这是最佳的解决方案吗?目标是得到清晰的清晰度和理由产生的投资过程。
- 经理决定如何包括人工智能作为投资过程的一部分吗?是从事正式研究过程做出这个决定?在该组织决定探索和采用人工智能?投资团队吗?企业集团?是当前使用人工智能支持的领导?这是否代表了一个更广泛的采用决定扩大使用人工智能的未来?响应将帮助你衡量一个管理者的承诺和人工智能的方法。
- 接下来,问为什么经理决定使用人工智能。卡西Kozyrkov谷歌的首席科学家决定,为测量提供了一种启发式的回应:“如果你能做到没有人工智能,那就更好了。毫升/ AI对于那些情况下其他方法没有得到你(你)的性能需要。“经理解释AI比传统的人类技术提供了一个更好的解决方案。
- 现在缩小调查范围:AI执行特定的任务将什么?不满足于笼统像“识别市场效率低下。“经理应提供具体的用例和解释艾未未的投资过程中的确切作用。目的是了解这个任务的成就有助于解决投资问题。
- 经理使用类型的人工智能是什么?再次,不要满足于笼统像“机器学习”或“最近邻。“推动细节,这个答案没有专有的。然后经理证明选择:为什么这种类型的人工智能最优选择执行任务?AI必须满足用例。要求的例子这种类型的人工智能已经成功地应用在其他类似noninvestment用例。
- 对于许多公司来说,采用人工智能需要一套新的技能。经理购买或建造这能力吗?如果该公司买下了它,谁是供应商,审查过程是什么,以及如何确保继续使用和支持吗?重要的是,经理有专用的购买技术?如果经理建立,设计和开发了谁?组织雇佣新人了吗?它是如何吸引和保留必要的数据科学人才?要求看的简历数据科学团队成员;他们有经验使用这种类型的AI在其他商业用例?是什么关系这个天赋的投资团队和其他组织? Recognize that creating an AI model, especially a DL or RL model, is a mix of art and science. More generally, be sure to ask about the firm’s AI budget by segment (e.g., human resources, computational power, data) to ascertain if it is sufficient to support the continued use and future development of the technology.
- 商业上构建、测试、培训和部署AI需要健壮的研发基础设施。请求一个解释公司的技术堆栈(硬件和软件)。是云吗?它使用什么计算机语言?这个基础设施目前计算约束吗?
- Alyssa辛普森Rochwerger和威尔逊彭日成正确请注意在他们的书中,现实世界中人工智能”,当创建AI在现实世界中,用来训练模型的数据远比模型本身更重要。“这是向经理询问他们的选择的输入的关键。经理可能不提供单独的列表输入,但他们应该现在这种类型的数据以及数据的大小、频率和质量。他们还应该描述的数据管理流程——这是为什么选择输入特别适合用例?也决定如果他们获得一个稳定的(冗余)的可靠的数据流,只要使用模型,让他们确定他们的数据提供者。马可Iansiti和卡里姆拉建议在人工智能时代的竞争,关键是他们的数据管道系统,可持续和可伸缩的。
- 因为数据很少有一个随时可用的格式,它是理解的关键数据被收集,准备,和清洁;转换成一个可用的格式;和存储。经理对数据治理问题:是否有任何安全或隐私问题相关的数据他们使用?如果是这样,这些管理怎么样?
- 一旦你知道AI的类型和目的,选择输入,是时候向经理解释如何将数据转化为可操作的见解——具体来说,如何训练模型来预测未来的结果。普遍认为在训练过程,在垂直用于毫升和DL模型包括三个阶段:培训、验证和测试。详细询问经理的过程,包括图式。经理一定要放入普通语言这个过程如何避免过度拟合和有预见性的偏见,还请求数据科学与投资业绩指标用来衡量模型的性能。
- 任何人工智能开发和测试后,经理必须决定如果模型准备投入生产。愿意接受的最低性能是什么?有经理证明模型的输出超过人类智慧所能达到。同时,问谁决定模型生产就绪,如果决定是否记录。
- 经理可能运行之前的迭代的人工智能实验未能提供可接受的训练结果,验证或测试阶段。问经理解释他们如何回应这些失败。他们检查模型、数据和结果来确定如何补救问题?什么会导致他们放弃一个实验?他们从这些失败中学到什么?关键是他们遵循一个严格的流程,以确保新的实验的完整性(例如,他们不挑出特性的模型或重做的测试阶段相同的数据),他们文档版本控制软件的迭代过程。
- 一个模型是否满足所需的标准,如何集成到设计的投资过程?(在某些应用程序中,模型本身可能是投资过程。)这种集成是一项重要的任务需要特定的工程技术。谁负责这个“管道”吗?有从测试到生产质量检查转变吗?它是完全适当的请求流图模型的信号生成过程和要求信号是如何集成到投资的过程。还有实际问题:经理有一种手段,保证输入数据的有效性?多长时间运行模型吗?它运行多个并行模型,以确保信号精度?表达的信号怎么样? Do not hesitate to ask to see a signal being generated, and the resulting signal. Finally, are the models, data, and signals archived?
- 经理的承诺模型及其输出的关键问题。经理使用人类不到的人工智能,因为它揭示了可行的见解,这些见解是附加的投资过程(或者是投资过程本身)。因此,了解人类是否可以覆盖模型的输出是至关重要的。如果这样的自由裁量权是允许的,谁让这个决定,在什么条件下?多久这种情况?要求的具体的例子使用自由裁量权,当它不工作。
- 自由裁量权的使用也提出了一个问题:风险管理,无论是内置AI功能。在一些机器学习模型的情况下,这是正常的,但不复杂的ML模型经常将使用一个外生风险管理功能,通常需要人类的自由裁量权。这是什么功能,增加价值吗?
- 世界的变化,数据模式也是如此。因此,它是必要的监控模型性能衰变。过程是用于检测和测量这种衰减吗?限制衰变模型,最佳实践是定期培训新数据模型;培训的过程是什么?更重要的是,经理怎么知道如果模型停止工作?该公司用什么指标?这曾经发生了什么?如果是这样,它采取了什么行动?
- 我们已经走到这一步,是时候向经理展示其AI对投资过程的贡献。这个演示必须基于实证证据。不接受一个简单的口头解释,因为研究发表在《柳叶刀》所示,事后口头解释往往歪曲输入和输出之间的关系。此外,“现在的趋势是对人类承担AI是他们看任何特性,作为人类的临床医生,会发现最重要的。”尤其如此DL或RL模型,模型的输出不能解释因为很结构。在以后的专栏中,我将explainability更彻底地解决这个问题。但总而言之,当涉及到人工智能在现实世界中,应把重点放在验证过程的严密性和彻底性,不是一个人类的故事。
人工智能不是魔术。投资经理不能简单地雇佣机器学习数据科学家和工程师,购买数据,希望奇迹发生。VentureBeat估计只有13%的应用人工智能实际上是投入生产。
设计、开发和部署模型是实验性质,和许多项目失败,因为任务本身的复杂性。但他们也失败的原因,包括不清楚业务用例;缺乏理解和承诺的领导;组织仓库;人工智能人才短缺;缺乏足够的、相关的和可靠的数据;缺乏基础设施;和实现的成本。
尽管存在这些障碍,有些管理者使用人工智能为客户创造更好的投资成果。分配器面临的挑战是创建一个方法来把小麦从谷壳分开。
安吉洛Calvello博士是罗塞塔分析的创始人之一,一个投资经理,使用深度强化学习来构建和管理机构投资者的投资策略。亚博赞助欧冠
