Membuat mesin prediksi untuk pasar keuangan – TechCrunch


Kecerdasan buatan dan Teknologi pembelajaran mesin telah berkembang pesat selama dekade terakhir dan telah bermanfaat bagi banyak orang dan bisnis, terutama di bidang keuangan, perbankan, investasi, dan perdagangan.

Dalam industri tersebut, banyak aktivitas yang dapat dilakukan oleh mesin dengan lebih baik dan lebih cepat dari manusia, seperti penghitungan dan pelaporan keuangan, selama mesin diberikan data yang lengkap.

Alat AI yang sedang dibangun oleh manusia saat ini menjadi level lain yang lebih kuat dalam kemampuannya untuk memprediksi tren, memberikan analisis yang kompleks, dan menjalankan otomatisasi lebih cepat dan lebih murah daripada manusia. Namun, belum ada mesin bertenaga AI yang dapat diperdagangkan sendiri.

Ada banyak aktivitas mesin yang dapat bekerja lebih baik dan lebih cepat dari manusia, seperti perhitungan dan pelaporan keuangan, selama mesin diberikan data yang lengkap.

Bahkan jika mungkin untuk melatih sistem yang dapat menggantikan penilaian manusia, masih ada margin kesalahan, serta beberapa hal yang hanya bisa dimengerti oleh manusia. Manusia pada akhirnya masih bertanggung jawab atas desain mesin prediksi berbasis AI, dan kemajuan hanya dapat terjadi dengan masukan mereka.

Data adalah tulang punggung mesin prediksi apa pun

Membangun mesin prediksi berbasis AI pada awalnya membutuhkan pemahaman tentang masalah yang sedang dipecahkan dan persyaratan pengguna. Setelah itu, penting untuk memilih teknik pembelajaran mesin yang akan diterapkan, berdasarkan apa yang akan dilakukan mesin.

Ada tiga teknik: supervised learning (belajar dari contoh), unsupervised learning (belajar mengidentifikasi pola umum), dan reinforcement learning (pembelajaran berdasarkan konsep gamifikasi).

Setelah teknik diidentifikasi, saatnya menerapkan model pembelajaran mesin. Untuk “perkiraan deret waktu” – yang melibatkan pembuatan prediksi tentang masa depan – memori jangka pendek (LSTM) dengan urutan ke urutan (Seq2Seq) dapat digunakan.

Jaringan LSTM sangat sesuai untuk membuat prediksi berdasarkan serangkaian titik data yang diindeks dalam urutan waktu. Bahkan jaringan saraf konvolusional sederhana, yang dapat diterapkan pada pengenalan gambar dan video, atau jaringan saraf berulang, yang dapat diterapkan pada pengenalan tulisan tangan dan ucapan, dapat digunakan.

Posted By : Togel Hongkong