Biztosan sokunk fejében megfordult már egy-egy webes ajánlás láttán, hogy a gép mintha olvasna a gondolatainkban. Szinte rémisztő, hogy mára mennyire kiismertek bennünket az internetes ajánló programok, legyen szó a YouTube, a Netflix, vagy akár egyes webáruházak rendszeréről. Ez nem véletlen, hisz évről-évre egyre szofisztikáltabb a technológia, ami egy-egy ilyen ajánlórendszer mögött megbújik. De mit is értünk mi „ajánlórendszer” alatt?
Az ajánlórendszerek olyan szoftverek, melyek különböző adatok alapján személyre szabott javaslatokat tesznek. Ilyen adat lehet bármi, ami utal a viselkedésünkre és preferenciáinkra, úgymint keresési előzményeink, az eszköz, amiről böngészünk, a földrajzi helyünk, az online interakcióink vagy személyesebb adataink, mint az életkorunk vagy a nemünk. Az ilyen információkra épülő megoldásokkal napi szinten találkozunk az internet világában, hisz ezek ma már elengedhetetlen elemei a közösségi médiának, az online szórakoztatóiparnak és az e-kereskedelemnek, az utóbbi években pedig elkezdtek a befektetések piacán is hódítani.
Aktuális blogbejegyzésünkben először körbejárjuk, hogy hogyan működnek az ajánlórendszerek a befektetések világában, majd cikkünk apropójaként – nagy örömünkre – beszámolunk arról, hogy milyen befektetési ajánló rendszert fejlesztettünk mi magunk is a Dorsumnál. Vágjunk is bele!
Nem meglepő, hogy az ajánlórendszerek kínálta „hiper perszonalizáció” mára elérte a befektetések világát is. Ha ezek a rendszerek képesek böngészési szokásokból termékajánlásokat, vagy filmnézési szokásokból filmajánlásokat generálni, akkor miért ne lennének képesek pénzügyi szokásokat vizsgálva befektetési ajánlásokat nyújtani? A recept ugyanaz: nagy adathalmazok feldolgozásával, algoritmusokon keresztül termékek és szolgáltatások ajánlása a felhasználók számára. A különbség nagy vonalakban annyi, hogy jelen esetben az adathalmazok pénzügyi és tőkepiaci adatokból állnak, amik alapján befektetési termékek kerülnek ajánlásra. Persze ehhez az is kellett, hogy a pénzügyi intézetek a már rendelkezésre álló, nagy mennyiségű adatot és információt az ilyen rendszerek számára könnyen feldolgozható módon kezdjék el kezelni és rendszerezni.
A befektetési ajánlások megalkotásánál azonban fontos figyelemmel lenni a piac sajátosságaira is, és nem az általános online kereskedelemben jól bevált sémát lemásolni. Hiszen a logika bár azonos, az ajánlott termék jellemzői és közege igen eltérő. A pénzügyi intézetek ügyfelei például nem értékelik explicit módon a termékeket, a részvények bizonyos jellemzői (pl. árfolyamuk) akár egyik percről a másikra gyökeresen megváltozhatnak, és igen nagy pénzügyi hatással lehetnek a befektetőkre. Ellentétben mondjuk egy cipő megvásárlásával, mely után releváns vásárlói értékelést tudunk hagyni, hiszen a következő vásárló ugyanazt a terméket, (többnyire) ugyanolyan állapotban fogja megvásárolni, és a termék ára sem kezd el zuhanni egy negatív komment miatt.
Az említett sajátosságok miatt a befektetési ajánlásokhoz elengedhetetlen információ például az ügyfél kockázati profilja és befektetési céljai (MiFID). Ezek után a múltbéli tranzakciókra való alapozás, vagy a befektetők egyes tulajdonságai (társadalmi és pszichológiai tényezők) alapján meghatározott sajátosságok profilozása történik. Természetesen a befektetések terén is alkalmazható a más ajánlórendszereknél is egyre gyakrabban használt mesterséges intelligencia (MI) az ajánlások pontosítására, hisz meglepő módon olyan személyiségjegyeket, tulajdonságokat képes összekapcsolni, amelyeket mi kívülről nem észlelünk.
A Dorsum Recommendation Engine megoldása is egy kifinomult MI-n alapuló befektetési ajánlómotor. Működése a MI egy típusára, a mélytanulásra, azon belül pedig az ún. neurális hálózatokra épül. A neurális hálózat egy olyan hardver vagy szoftver megvalósítású, párhuzamos, elosztott működésre képes információfeldolgozó eszköz, amely az emberi agy mintájára neuronok (műveleti elemek) összekapcsolt rendszeréből áll, rendelkezik tanulási algoritmussal, és a megtanult információt felhasználó előhívási algoritmussal.
A Recommendation Engine historikus tranzakciókból és ügyféladatokból álló adathalmazokban mintákat keresve befektetői csoportokat hoz létre, így képes megtanulni, hogy egy-egy befektetői csoportnak milyen eszközök ajánlhatók, gyakorlatilag létrehozva saját szabályrendszerét. Ezt nevezzük tanulási fázisnak. Az előhívási fázis ennél tipikusan gyorsabban történik. Ennek során a rendszer által megtanult minták mentén megtörténik a bevitt ügyfél adatainak feldolgozása, melynek végén megkapjuk a számára ajánlható termékeket.
A neurális hálózatban történő adatfeldolgozást egy ún. preprocess folyamat előzi meg, ami akár egy előszűrésnek is tekinthető. Ezen a ponton előzetesen rögzíthetjük a rendszerben, hogy bizonyos információkat hagyjon figyelmen kívül (pl., ha tudjuk, hogy a Budapesti lakosok eleve nem felelnek meg a mintának), vagy előre definiálhatunk csoportokat (pl. előre szétválaszthatjuk a fővárosi, nagyvárosi, kisvárosi, falusi stb. lakosokat).
A feldolgozás után is beiktatható egy adatmanipulációs, ún. postprocess folyamat. Ennek során üzleti vagy marketing stratégiai megfontolásból tudjuk befolyásolni az eredményt. Ez lehet akár egy bizonyos termék súlyozásának változtatása, ezzel növelve az esélyét annak, hogy az ajánlott termékek közé kerül. Vagy akár rögzíthetünk is bizonyos termékeket, hogy azok mindenképp szerepeljenek az ajánlásban.
A Recommendation Engine mögött rejlő potenciált szinte lehetetlen felmérni, hiszen az ajánlások pontossága elméletben a végtelenségig növelhető újabb adathalmazokon elindított tanulási folyamatokkal, vagy a működési paraméterek finomhangolásával. Az adatminőség növelése is hozhat hasonló javulást, sőt, jelenleg rendelkezésre nem álló, vagy még nem is létező adattípusok is megjelenhetnek a jövőben.
Tény, hogy a MI-ra alapuló rendszerek még relatíve gyerekcipőben járnak, azonban már most látható, hogy óriási hatással lesznek az emberiség jövőjére. A Recommendation Engine ajánlórendszerünkkel mi is szeretnénk részei lenni ennek az áttörésnek, és elhozni a technológiát a befektetések piacára.
Forrás:
Horváth G. (szerk.), Altrichter M., Horváth G., Pataki B., Strausz Gy., Takács G., Valyon J., Neurális hálózatok, Budapest, Panem Kiadó, 2006.
A 2018-1.3.1-VKE-2018-00007 számú projekt az Innovációs és Technológiai Minisztérium Nemzeti Kutatási Fejlesztési és Innovációs Alapból nyújtott támogatásával, a 2018-1.3.1-VKE pályázati program finanszírozásában valósult meg.
