Presentazione di Marco Belmondo (Chief marketing Officer di Datrix | AI applications, Finscience | investment AI, 3rdPlace | user & customer AI), tenuta il 21.02.2019 all'evento Silicon Drinkabout presso il Fintech District. Macroscenario sull'intelligenza Artificiale, valore e casi pratici di utilizzo in Finanza degli Alternativa Data.
datrix.it
finscience.com
3rdplace.com
1. datrix.it
WE ACCELERATE HUMAN INTELLIGENCE FOR BUSINESS GROWTH.
#datadriven #marketing #sales #investments
Milano, 21.02.2019
Meeting Silicon Drinkabout – Fintech District
“How is AI gonna change our 2019?“
AI: Macroscenario and Alternative data
2. Lo sviluppo dell’Artificial Intelligence.
Il termine Artificial Intelligence è stato coniato nel 1956 dal matematico statunitense John McCarthy, che lanciò
successivamente anche i primi linguaggi di programmazione per AI (Lisp 1958 e Prolog 1973).
Biologi evoluzionisti anni 40
Perceptron (prima rete neurale) 1958
Test di Turing 1950
GPU Anni 80
Quantum Computing
Quantum Machine learning
Chip neuromorfici
Deep Blue 1996
Primo neurone artificiale 1943
Applicazioni industriali
Applicazioni B2B
Applicazioni B2C
Ternary Computing
Scienziati creazionisti o simbolici
3. Definizione di Artificial Intelligence.
L’Artificial Intelligence è il ramo della computer science che
studia lo sviluppo di sistemi hardware e software dotati
di capacità tipiche dell’essere umano.
Noi di Datrix | AI applications intendiamo l’intelligenza
artificiale non come sostitutiva, ma acceleratrice
dell’intelligenza umana. Accelera i processi, propone azioni,
ma lascia all’uomo la decisione.
Le capacità riguardano la comprensione ed elaborazione del
linguaggio naturale scritto o parlato e delle
immagini, l’apprendimento, il ragionamento e la capacità di
pianificazione e l’interazione con persone, macchine e
ambiente.
Le nostre soluzioni AI si basano su tecniche di
apprendimento: vengono cioè definiti degli algoritmi che
elaborano un’enorme quantità di dati dai quali è il sistema
stesso che deve derivare le proprie capacità di comprensione
e ragionamento.
Nuovo Umanesimo Tecnologico.
Artificial
Intelligence
(AI)
4. Nuovo Umanesimo Tecnologico.
L'Umanesimo non è un pensiero puramente
letterario, nemico della scienza. Si manifesta ogni
volta che una "crisi" ci costringe a ripensare la natura
umana. Crisi significa non solo declino, ma anche
trasformazione e arricchimento determinato dalla
tecnica: l'alfabetizzazione al tempo dei Sofisti, la
stampa al tempo degli umanisti e ora il digitale e
l'Intelligenza Artificiale. L’umanesimo è una tecnica.
Ricerca BCG – Google, Feb 2019 «The Dividends of
Digital marketing Maturity»: le tecnologie di AI data-
driven sono più veloci dell’uomo ad individuare le
ragioni di sottoperformance pubblicitaria e per
questo da sole migliorano i risultati del 20% medio.
L’intervento successivo umano di applicazione di
considerazione strategiche e di scelta accurata dei
fattori aggiunge mediamente un altro 15%.
Esempio di Human Boost.
5. Il futuro presente dell’Artificial Intelligence.
Fonte: New Vantage Partners 2019 Big Data and AI Executive Survey.
95,2% di accelerazione degli investimenti in Big
Data e AI da parte del settore finanziario contro
ad esempio il 76,9% del settore sanitario.
L’indagine “New Vantage Partners Big Data and AI Executive Survey” del 2019, svolta sulle aziende Fortune 1000,
evidenzia come i Big Data e l’Intelligenza Artificiale stiano accelerando i modelli di business delle imprese.
Le imprese concordano nell’individuazione dei
driver per ottimizzare la propria competitività.
La tabella evidenzia un’elevata
partecipazione del settore finanziario al
sondaggio.
6. Il futuro presente dell’Artificial Intelligence.
Fonte: New Vantage Partners 2019 Big Data and AI Executive Survey.
Del 91,7% delle imprese che individua nei
principali driver l’“agility”, il 40,3% ne
identifica l’assenza come principale sfida.
Gli investimenti in AI, passando da 68,9% a
96,4%, sono quelli stimati dover crescere
maggiormente (2019 vs 2017).
7. Settori utilizzatori di AI e ricavi dal mercato dell’AI.
3,221.8 4,819.11 7,345.35
11,283.76
17,267.75
25,995.68
37,987.17
53,231.4
70,971.51
89,847.26
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
100000
2016 2017* 2018* 2019* 2020* 2021* 2022* 2023* 2024* 2025*
MarketinmillionU.S.dollars
.
Fonte: Tractica 2019.
Revenues from the artificial intelligence (AI) market worldwide
from 2016 to 2025 (in million U.S. dollars).
8. Finanziamento delle startup di AI nel mondo, per categoria.
Fonte: Tractica 2016.
Average funding of artificial intelligence (AI) startup companies worldwide, by category (in million U.S. dollars).
9. Le nostre competenze distintive.
Partners e prime linee
del Management di alta
qualità
Governo delle
tecnologie innovative e
modulari
Forte expertise delle
varie Industry di
riferimento in ambito
digitale
Profonda conoscenza di
modelli e tecniche di
monetizzazione del
dato
Smart Data +
Alternative Data
Veniamo da Google, dalla Finanza, dagli Analytics, dai progetti
Horizon 2020, dalla lunga esperienza di 3rdPlace con grandi
aziende e dall’innovazione fintech di FinScience.
10. Why now?
La rivoluzione digitale ed il mondo finanziario stanno sempre di più convergendo in un continuo dialogo/scambio di
dati, tecnologie e soluzioni. La sfida del gruppo Datrix è governare e sfruttare le sinergie tra questi 2 mondi.
Blockchain
Trading Desk
Cybersecurity
Alternative/Digital Data
Artificial Intelligence
Data Governance
Gestione Digital Advertising
Data Protection
Export, Lancio nuovi prodotti,
Customer Intelligence, etc.
Data Modeling
Criptovalute
Investimenti
Asset Protection
Data Modeling
Investimenti, Customer
Enrichment, etc.
DIGITAL FINANCE
11. Quali dati usiamo?
Spesso e volentieri il valore differenziante nasce dalla combinazione e dall’azionamento con algoritmi proprietari di
machine learning di:
13. «L’era digitale da un lato produce incertezza
per alcune organizzazioni, dall’altro apre le
porte a nuove imprese o a imprese che
sanno rinnovarsi, tornando come bambini,
rimettendo in discussione
processi esterni ed interni. Questo vale
anche per le istituzioni finanziarie e le
società quotate»
La disponibilità di informazioni, prima
ancora che queste diventino notizie, fa la
differenza nel mondo degli investimenti.
ARTIFICIAL INTELLIGENCE
PER LA CRESCITA DATA-DRIVEN.
14. Gli Alternative Data.
Intelligenza Artificiale per innovare i modelli e le strategie di investimento.
Gli Alternative Data sono dati non
tradizionali, veramente “big” e spesso
non strutturati (testi, immagini, file
vocali) provenienti dagli ambienti digitali
(social, blog, forum, piattaforme di e-
commerce, mappe, ...).
Gli Alternative Data possono essere
utilizzati per prendere decisioni di
investimento, in affiancamento ai
tradizionali bilanci, trimestrali, analisi
o dati di Borsa come prezzi o volumi.
Questi segnali risultano difficili da
cogliere senza un software con
approccio algoritmico
all’informazione digitale, che
richiede competenze specifiche,
professionalità uniche e tecnologie
d’avanguardia.
15. Expertise finanziaria e digitale…
Data
Scientists
ESG
Specialists
Big Data
Architects
Quantitative
Financial
Analysts
Digital &
Alternative Data
Experts
… per vincere in un mercato «information intensive».
16. Cosa facciamo.
1. Informative (Alternative
Information Provider)
2. Operative (Quantamental
Investment Strategy & Testing)
> Indicatori e sistemi di monitoraggio,
> Segnali (forti ed emergenti) e scoring “alternativi” relativi ad aziende,
management, prodotti specifici e/o tematiche di interesse generale (es.
Brexit, spread, ESG).
> Modelli, strategie,
> Indici Smart Beta e portafogli di investimento derivati dalla combinazione
con approccio Quantamental degli Alternative Data con dati tradizionali
(es. dati di Borsa, bilanci e trimestrali, open data).
La nostra
infrastruttura
tecnologica è
basata sul cloud
quindi flessibile e
scalabile.
FinScience è l’unica startup italiana
selezionata da siliconrepublic.com tra le
25 europee altamente tecnologiche da
tenere d’occhio nel 2019.
FinScience è una fintech company che,
attraverso algoritmi proprietari di
Intelligenza Artificiale, raccoglie, analizza,
interpreta e pesa dati alternativi e
tradizionali finanziari per scopi
d’investimento.
In particolare eroga ai clienti due
tipologie di soluzioni software e servizi:
17. ALTERNATIVE
INFORMATION
PROVIDER
Misurazione,
monitoraggio ed
individuazione Alpha
QUANTAMENTAL
INVESTMENT
STRATEGY &
TESTING
Approccio
«Quantamental»
A.I.
ECOSYSTE
M
Digital Data Sources:
(Open Data, Social Network,
E-commerce, Blog, News, …)
…
FinScience AI Filter & Classifier
• Topic Model
• Entity Recognition
• Influencer Classificator
• …. ……
FinScience Data Lake
FinScience Indicators & Monitoring
• DPV (expert, Investor, etc.)
• Sentiment
• Volatility
• Highlights
• ….
FinScience AI Recommendator
• Digital Scores
• Alternative Data Portfolios
• Alternative Data Buy Lists
• Weak Signals
• Alert
• …
OUTPUT
Data, Signals &
Insights
Selection
Alternative
Data
Dati
Finanziari
TradizionaliQUANTAMENTAL
FRAMEWORK
Dati
Alternativi
Specifici
Nuovi
Dati
Finanziari
• Ottimizzare modelli
d’investimento
• Costruire portafogli
d’investimento alternativi
• Costruire buy list
• ……..
OUTPUT
BACKTESTING OPTIMIZER PREDICTION
19. Approccio Quantamental.
.
L’obiettivo finale della nostra metodologia è quello di combinare dati tradizionali e segnali alternativi provenienti da
diverse fonti utilizzando tecniche di machine learning e applicazioni di Natural Language Processing che ci consentano
sia di ottimizzare il profilo rischio rendimento dei portafogli che di fornire predizioni accurate su singole attività
finanziarie; ciò deriva dal fatto che il nostro team combina expertise di natura digitale e finanziaria in egual misura ed è
focalizzato ad allargare quanto più possibile il set di dati a disposizione per i modelli di predizione. Tendiamo ad evitare
soluzioni di calcolo a forza bruta, preferiamo un approccio con supervisione umana e ci concentriamo perciò prima di
tutto sulla selezione dei fattori e sul loro valore predittivo.
20. Caso pratico: Migliorare la stima del rischio default delle aziende.
Applicare algoritmi di machine learning
all’analisi di dati finanziari provenienti
dalle Camere di Commercio.
Sviluppare una carta d’identità digitale di
ogni singola company (es, presenza,
attività e digital reputation) arricchendo
il dataset disponibile.
Integrare il segnale finanziario con
l’informazione digitale per raffinare la
predizione rischio default rispetto a
metodi tradizionali.
1.
2.
3.
Committente: primaria società di Business & Credit Information.
.
21. I risultati raggiunti.
80%
93%
+13% in 3 mesi di lavoro
Grazie al nuovo modello di scoring è stato possibile
individuare:
+ 706 Bad Company (Rischio Alto)
+ 17.338 Good Company (Rischio Basso)
in un sotto-insieme di 135.000 aziende.
GOAL
> Far minimizzare investimenti rischiosi
> Favorire il credito verso company virtuose% di affidabilità modello di scoring
22. Come lavoriamo.
METODO TRADIZIONALE
L’analisi tradizionale di Credit Risk sfruttava un
max. di 15 o 16 variabili basate esclusivamente
su dati finanziari tradizionali (bilanci).
APPROCCIO DATRIX sfruttando AI
> Generazione di 1400 variabili estratte
direttamente dai bilanci.
> Raccolta Dati digitali Alternativi
aggiornati in tempo reale.
VS
DATI DI BILANCO
FEATURE ENGINEERING
UNBALANCED DATA
GRADIENT
TREE
BOOSTING
DIGITAL SCORING
ID MATCHING
DATA NORMALIZATION
23. Come lavoriamo.
• Ubicazione (CAP)
• Analisi statistica media su n anni
• Data inizio attività in giorni
• Distanza tra sede legale azienda e
residenza imprenditore
• …..
Nuove variabili da dati
tradizionali
• Ubicazione (Regione)
• Ritardo nel deposito bilancio
• Tempi medi di pagamento
• Copertura interessi
• Ratei e risconti attivi
• Indebitamento
• Patrimonio netto
• …..
Alcune variabili del
modello tradizionale
• Presenza o meno digitale dell’azienda,
imprenditori, azionisti, etc.
• Tipologia di presenza (social, web, app,
etc.)
• Frequenza d’aggiornamento
• Tecnologia utilizzata
• Numero punti vendita
• Recensioni attività azienda
• …..
Le nuove variabili digitali
Variabili tradizionali e variabili alternative.
24. Come lavoriamo.
DATI TRADIZIONALI DATI ALTERNATIVI
Categoria Camera
di Commercio:
Officina meccanica
Identificare le reali attività
di mercato di un’azienda:
Officina con servizio
rigenerazione FAP
MERITO DI CREDITO
Identificare segnali e
trend di mercato:
Es. agevolazioni fiscali
per installazione FAP
25. GRAZIE DELL’ATTENZIONE
Sede di Milano
Foro Buonaparte 71
20121 Milano [mappa]
Tel +39 02 76281064
Sede di Roma
Via della Serra Nevada 60
00144 Roma [mappa]
Tel +39 06 48905684
Sede di Cagliari
Via Sassari 3,
09123 Cagliari [mappa]
Tel +39 07 02330203
Marco Belmondo, Private Investor e Chief Marketing Officer
marco@datrix.it - https://www.linkedin.com/in/marcobelmondo/
Editor's Notes
Teorie evoluzioniste (vs creazioniste o simboliche) di alcuni biologi degli anni Quaranta, che intendevano l’intelligenza e l’apprendimento come il risultato dei segnali trasmessi tra i neuroni nel cervello umano. La tesi fondamentale – valida ancora oggi – era che i collegamenti tra alcuni neuroni si rafforzassero attraverso la frequenza delle comunicazioni. È il meccanismo che fa sì che la prima volta che ci cimentiamo in una nuova azione siamo incerti, ma col passare del tempo acquistiamo sempre più confidenza. I tentativi riusciti rafforzano il collegamento tra i neuroni coinvolti in una specifica azione.
Tring introdusse un metodo per verificare il grado di intelligenza di una macchina. Questo metodo è ancora oggi noto come Test di Turing.
Un articolo del 1958 sul New York Times presentava una nuova meraviglia tecnologica, il Perceptron di Frank Rosenblatt: “Il cervello elettronico che insegna a se stesso: nel giro di un anno sarà in grado di percepire, riconoscere e identificare ciò che lo circonda, senza bisogno di controllo o addestramento da parte dell’uomo”. Quel cervello elettronico avrebbe dovuto imparare a pensare come gli umani, diventare cosciente di sé e, un giorno, sarebbe potuto partire per visitare “altri pianeti come una sorta di esploratore spaziale meccanico”. il Perceptron era un macchinario da 5 tonnellate che occupava una stanza intera. Ma sapeva solamente distinguere la destra dalla sinistra.
I primi programmi A.I. erano dei problem solver, ossia dei SW in grado di svolgere con efficacia il proprio compito ma si trattava prevalentemente di problemi semplici (problemi giocattolo, riconoscere le forme).
Negli anni '70 fecero la prima comparsa i sistemi esperti. A differenza dei primi problem solver, i sistemi esperti integrano una base di conoscenza su un determinato dominio e un motore inferenziale per elaborare i dati tramite il calcolo probabilistico e le euristiche. I primi sistemi esperti furono utilizzati nella ricerca scientifica e in campo medico. Scienziati convinti che una vera intelligenza artificiale potesse nascere solo se istruita dall’alto, fornita cioè di tutte le regole necessarie a portare a termine il suo compito: una logica “creazionista”, meglio nota come simbolica. Il modello simbolico è un sistema che ha portato a qualche successo (come sa bene Gary Kasparov), ma ha grossi limiti: prima di tutto, richiede agli esseri umani un lavoro enorme; inoltre, funziona solo in quei campi che hanno regole molto chiare: la matematica o, appunto, gli scacchi. Nella traduzione – con tutte le sue sfumature, eccezioni e importanza del contesto – non raggiunge livelli nemmeno lontanamente accettabili.
LeCun (ora a capo ricerca di Facebook) si unì a questo movimento di reietti, subito dopo aver conosciuto il loro leader (e altro grande padre della AI moderna) Geoff Hinton, oggi capo della ricerca a Google,nel 2012 inventore del deep learning. Pochi anni dopo, si trasferì brevemente con lui all’università di Toronto, dove iniziò a prendere forma la rivoluzione informatica che oggi è sotto gli occhi di tutti.
GPU: chip di elaborazione dati molto più veloci delle CPU, provenienti dal mondo del gaming ed in grado di supportare processi complessi molto più rapidamente, per altro operando a frequenze più basse e consumando meno energia.
Computer quantistico: per eseguire le operazioni sui dati utilizza i fenomeni tipici della meccanica quantistica, come la sovrapposizione degli effetti derivanti da particelle atomiche e subatomiche. Qubit al posto dei bit, informazioni su e giù invece di 0-1.
Quantum Machine Learning: variabili continue.
Ternary Computing si basa sui chip neuromorfici (microchip che integrano elaborazione dati e storage in un unico microcomponente (nanotecnologie) per emulare le funzioni sensoriali e cognitive del cervello umano) e si basa sul calcolo a tre strati 0-1-2).