Pembelajaran mesin

Pembelajaran mesin telah mengubah pengenalan gambar dan penerjemahan. Dalam keuangan, keberhasilannya lebih timpang dari dugaan.

Ada empat medan. Meramal harga, mengeksekusi pesanan, mendeteksi penipuan, dan memutuskan menggantikan manusia.

Medan pertama, meramal harga. Itulah impiannya. Dan itulah medan yang paling mengecewakan.

Foto kucing tetap foto kucing. Pasar berubah begitu aturannya ditemukan, karena orang lain langsung memanfaatkannya.

Sinyalnya lemah, sejarahnya pendek, dan masa lalu tidak terulang. Model yang kuat di sana terutama mempelajari bising.

Medan kedua, eksekusi pesanan. Kurang gemerlap, tapi jauh lebih menguntungkan.

Membeli sejuta saham sekaligus menaikkan harga melawan diri sendiri. Pesanan harus dipecah, dengan ritme yang tepat.

Sebagai contoh: pada pesanan seratus juta euro, menghemat sepersepuluh persen biaya berarti seratus ribu euro.

Diulang setiap hari pada ribuan pesanan, itu kekayaan. Dan di sini, model punya jutaan contoh untuk belajar.

Di aplikasi, bab ini dianimasikan dan dinarasikan, kartu demi kartu. Mulai uji coba gratis.

Unduh diApp Store

Medan ketiga, deteksi penipuan. Di sinilah ia benar-benar berhasil.

Setiap pembayaran kartu dinilai dalam sepersekian detik. Tempat, jumlah, jam, kebiasaan: semuanya dibandingkan.

Jebakan klasik: katakanlah satu penipuan per seribu pembayaran. Model yang selalu menjawab “bukan penipuan” benar sembilan puluh sembilan koma sembilan persen.

Dan ia tidak berguna. Yang penting adalah berapa penipuan yang ditangkap, dan berapa nasabah jujur yang diblokir.

Sebagai contoh: sejuta pembayaran, seribu penipuan. Model menangkap sembilan ratus, dan salah pada nol koma lima persen pembayaran jujur.

Itu berarti empat ribu sembilan ratus sembilan puluh lima peringatan palsu. Hampir hanya satu dari enam peringatan yang penipuan sungguhan.

Medan keempat, kotak hitam. Model menolak kredit. Kenapa? Sering, bahkan pembuatnya tidak bisa menjelaskannya dengan sederhana.

Padahal, di banyak negara, hukum mewajibkan penolakan kredit bisa dijelaskan. Dan regulator ingin memahami keputusan sebelum menerimanya.

Model juga bisa meniru bias datanya. Kalau ia belajar dari keputusan yang tidak adil, ia mengulanginya, dengan sangat cepat.

Jadi bank menimbang: model yang sedikit kurang tepat, tapi bisa dijelaskan, daripada peramal yang bisu.

Ingat: mesin unggul di tempat contohnya banyak dan aturannya stabil. Ia mengecewakan di tempat masa depan tidak mirip masa lalu.

Jadi waspadai kecerdasan buatan apa pun yang menjanjikan bisa meramal bursa. Justru di medan itulah ia paling redup.