Beyond the hype: How can the financial industry benefit from artificial intelligence?
Notice bibliographique
Résumé
Artificial intelligence (AI) has been in the spotlight for several years now and even remains so during the difficult COVID-19 period. There has been a lot of AI hype and a lot of AI-related ‘buzz-phrases’ such as ‘data is the new oil’, fueled by our imagination. In practice, nowadays, AI is more related to machine learning (ML). In this paper, we will review the different approaches that defines ML to have a better sense of the concrete strengths and weaknesses of each. In particular, we will tackle some misconceptions, which involve some mismatches between expectations and practical results. In addition, we will also see how some breakthroughs from academics, such as beating the Go world champion, could translate in applications for the financial industry. Finally, we will see the implications for business and organisation, beyond technical aspects. Indeed, the AI hype tends to create a lot of noise, making harder for decision makers and executives to distinguish noise from actionable signals. For instance, change of organisation culture is perhaps the most important for successfully deploying ML systems in real use cases. It requires changing many things from recognising the value from data from existing processes; increasing the organisation’s risk appetite; creating new teams and fostering internal and external collaborations. As an example, we will review the strategy from Quebec’s Autorité des Marchés Financiers (AMF) for implementing these changes. Beyond a specific organisation, the whole financial industry could benefit from this new wave of innovative technologies as other sectors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».