L'IA può trasformare il nostro settore, dagli investimenti alle operazioni. Esploriamo alcune domande che investitori e gestori dovrebbero porsi.
L'intelligenza artificiale (IA) sta crescendo a un ritmo fulmineo, apparentemente alla stessa velocità con cui ChatGPT risponde alle domande degli utenti. Penetrando rapidamente in ogni minimo angolo del mondo degli affari, l'IA sta aiutando le imprese a snellire le operazioni, a migliorare l'esperienza dei clienti e a potenziare le decisioni basate sui dati.
Nel settore degli investimenti l'IA potrebbe trasformare i ruoli degli asset manager attraverso decisioni d'investimento più informate, una migliore progettazione dei portafogli, una gestione ottimizzata del rischio e la modernizzazione delle operations. Di fronte alla continua trasformazione del futuro operata dall'IA, Andrew Chin, Head of Investment Solutions and Sciences di AB, si è prestato a rispondere a cinque domande a beneficio di gestori e investitori.
D: L'IA è una tecnologia trasformativa che continuerà a evolversi nel tempo con nuove applicazioni e nuovi usi. Questo processo non accadrà da un giorno all'altro. Quali opportunità si possono cogliere facilmente nell'ambito dell'IA al giorno d'oggi?
Andrew Chin, AB Head of Investment Solutions and Sciences: Al momento le opportunità più facili da cogliere in quest'area sono quelle offerte dall'elaborazione del linguaggio naturale (NLP), un ramo dell'IA che si concentra sulla comprensione e sull'interpretazione di dati testuali e orali. Il nostro settore è inondato da un oceano di dati testuali o che possono essere convertiti in testo. È questo, ad esempio, il caso delle fonti audio e video. Molte delle nostre mansioni, che si tratti di analizzare singoli titoli, di mettere a punto un'asset allocation tattica o di capire meglio le esigenze dei clienti, consistono essenzialmente nel sintetizzare questi dati per estrarre informazioni utili a prendere decisioni coerenti.
L'elaborazione del linguaggio naturale è uno strumento perfetto a tale scopo, perché è in grado di metabolizzare enormi quantità di dati e di sintetizzarli per suggerire possibili azioni da intraprendere.
I professionisti dell'investimento raccolgono e setacciano una mole di dati da un'ampia varietà di fonti alla ricerca di spunti e informazioni utili. Ad esempio, le recensioni sui prodotti lasciate dai clienti sui siti Internet possono far luce sulle opportunità e sulle sfide future che si profilano per le imprese. Tuttavia, non solo è impossibile per gli esseri umani leggere milioni di recensioni, ma è anche estremamente difficile discernere i temi ricorrenti ed estrarre informazioni prontamente utilizzabili da tutti questi dati. Gli strumenti basati sull'elaborazione del linguaggio naturale possono essere un ausilio estremamente potente per queste attività. Possono essere addestrati ad analizzare i dati in modo più efficace ed efficiente, a gestire volumi di dati nettamente maggiori e a commettere meno errori di calcolo, il tutto senza fare mai una pausa!
D: Per citare un noto fumetto, "Da un grande potere derivano grandi responsabilità". Ci puoi indicare due criticità alle quali i professionisti dell'IA potrebbero non prestare sufficiente attenzione?
Andrew Chin: Si è discusso a lungo di numerose criticità. Una di queste è rappresentata dalle cosiddette allucinazioni: situazioni in cui un modello di IA produce informazioni errate che vengono presentate come vere. Le aziende devono anche affrontare numerosi problemi di sicurezza. Vorrei tuttavia concentrarmi su un paio di altre criticità che considero rilevanti per le applicazioni finanziarie, ma che forse non hanno ricevuto altrettanta attenzione.
A mio avviso, la sfida più grande è costituita dal basso rapporto segnale/rumore che caratterizza in generale il mondo della finanza. Gli strumenti di apprendimento automatico sono estremamente efficaci nelle situazioni in cui i problemi sono ben definiti, e alcuni modelli e funzionalità possono essere addestrati per raggiungere un alto grado di efficacia, ma la realtà degli investimenti è diversa. Facciamo un esempio. Nel prevedere l'andamento dei corsi azionari, il 40-50% circa della volatilità complessiva è imputabile a fattori idiosincratici, per cui probabilmente non esistono elementi in grado di spiegare questi movimenti. In questa situazione è molto difficile per i modelli di apprendimento automatico formulare previsioni con un alto grado di efficacia.
Un'altra criticità che richiede maggiore attenzione è la regolazione puntuale dei modelli. Nel nostro lavoro sull'IA abbiamo scoperto che i modelli devono essere messi a punto in modo da poter essere efficaci in ambiti specifici. Che si tratti di investimenti, di distribuzione o di operations, ogni ambito ha i propri parametri, le proprie relazioni e le proprie sfumature. Se consideriamo, ad esempio, le attività di client outreach e di compliance, vediamo notevoli differenze nella natura delle domande e nell'accuratezza richiesta ai modelli. Nelle attività di compliance gli errori possono comportare notevoli costi monetari e reputazionali, e dunque serve più tempo per mettere a punto i modelli per questi usi.
Anche nell'ambito degli investimenti, gli approcci alla valutazione di azioni, obbligazioni e REIT sono molto diversi tra loro, per cui è importante perfezionare i modelli per questi tipi specifici di investimenti, con i loro attributi e comportamenti intrinseci. Questa regolazione puntuale può fare la differenza tra un modello d'investimento efficace e uno che produce risultati o raccomandazioni inefficaci ai fini delle decisioni. Dal momento che tanto gli investitori quanto i gestori puntano a ottenere risultati migliori, bisogna affrontare correttamente questi aspetti.
D: Nel settore degli investimenti l'IA si presta ovviamente a molti usi. Che dire degli impieghi a scopi aziendali che vanno al di là degli investimenti veri e propri?
Andrew Chin: Posso citare un paio di casi basati sulla nostra esperienza. Ad esempio, abbiamo implementato l'IA nella distribuzione e nelle funzioni operative. Sul fronte della distribuzione, abbiamo sfruttato l'IA per prevedere i flussi settoriali quale ausilio per definire le priorità delle nostre attività commerciali. Questi modelli sono tutt'altro che perfetti, ma abbiamo scoperto in pratica che forniscono prospettive utili a migliorare il processo decisionale dei nostri team di vendita.
Quanto alle funzioni operative, come la compliance e la gestione del rischio, gli strumenti di IA possono analizzare documenti esterni e interni molto corposi, come memorandum di offerta, materiali di marketing o prospetti informativi, scoprendo potenziali rischi e fornendo raccomandazioni. Considerando la grande mole di documenti testuali prodotti dalle società di asset management, l'elaborazione del linguaggio naturale può essere uno strumento potente per consentire ai dipendenti di svolgere in modo più efficace ed efficiente diverse funzioni.
D: Quali considerazioni dovrebbero fare le società d'investimento nell'implementare le competenze di data science e IA nelle proprie strutture organizzative?
Andrew Chin: Innanzitutto, è importante che l'uso della scienza dei dati sia dettato dalle controversie di investimento, dalle inefficienze operative o dai quesiti irrisolti. In breve, ci piace ricordare che "la scienza dei dati dovrebbe sempre prendere le mosse da una domanda." Gli scintillanti strumenti di IA, apprendimento automatico ed elaborazione del linguaggio naturale sono potenti, ma potrebbero non essere adatti a tutti i problemi: è importante accertarsi che le domande o i progetti sottostanti richiedano tecniche sofisticate. Questo approccio aiuterebbe inoltre le aziende a trovare soluzioni pratiche mentre imparano a utilizzare e ad applicare i nuovi strumenti.
Aggiungerei anche che le competenze settoriali sono essenziali: per adattare l'ampia gamma di strumenti di IA alla gestione degli investimenti, serve infatti una buona comprensione delle sfide del business, in aggiunta alle abilità tecniche. Le persone con competenze avanzate nelle aree pertinenti, che si tratti di investimento, operazioni o distribuzione, sono di primaria importanza per addestrare i modelli a operare in casi specifici, per la pronta configurazione e per la messa a punto. Le imprese e i modelli possono fallire miseramente nell'implementazione dell'IA se non identificano e applicano le competenze finanziarie e specifiche alle singole mansioni in ciascuna di queste tre importanti attività.
D: Per concludere, consideriamo la realtà dell'IA in un'ottica di lungo periodo. Rivolgendo lo sguardo all'orizzonte, come vedi evolversi il rapporto tra l'IA e le società di asset management?
Andrew Chin: Le società insegneranno ai dipendenti a utilizzare i nuovi strumenti, che non saranno più una prerogativa solo degli scienziati dei dati e degli esperti di tecnologia d'investimento, ma saranno estesi all'intera organizzazione. Volendo sfruttare questi strumenti per svolgere meglio il proprio ruolo, i dipendenti dovranno sapere come usarli nel modo giusto.
Di conseguenza, dovranno capire come prendere decisioni migliori e più rapide, ma anche quando bypassare gli algoritmi automatizzati utilizzando l'intuizione e il ragionamento umano. Gli strumenti di IA e apprendimento automatico non sono perfetti, per cui è importante comprenderne le vulnerabilità e capire come utilizzarli in modo più efficace. Tutti insieme impareremo che non possiamo fidarci ciecamente dei nuovi strumenti: dobbiamo sapere come funziona il loro processo decisionale e quando è necessario intervenire.
Insieme a questa tendenza, ci aspettiamo anche di rilevare miglioramenti nell'interpretabilità. Gli esseri umani capiranno meglio come questi strumenti prendono le loro decisioni. L'interpretabilità, intesa come la capacità di guardare all'interno della scatola nera e di renderla meno opaca, diventerà un campo di studio più sviluppato. Affinché l'IA sia accettata in modo sempre più ampio, questa curva di sviluppo dovrà puntare decisamente in alto, per cui prevediamo che il nostro settore rimanga intensamente focalizzato su questo tema.
A questo proposito, il personaggio di Iron Man può essere di ispirazione per capire come si possa integrare efficacemente un essere umano tecnologicamente competente in un campo specifico, come l'analisi finanziaria, con un assistente basato sull'IA in grado di raccogliere un'enorme quantità di dati, analizzarli e suggerire le azioni da intraprendere. Come nel film, gli esseri umani possono bypassare le raccomandazioni sulla base delle circostanze e delle proprie competenze e intuizioni. Crediamo che questa "Iron Person", con un'intelligenza potenziata e migliori e più rapide capacità di sintesi, sia la combinazione vincente di domani per l'IA.
