MLOps在金融产业：常见案例与工作流程

在金融产业的ML

在algorithmia的2021 年企业机器学习趋势调查显示，关於客户体验跟流程自动化的案例，其中几个比较显着的，像是改进客户体验、增进客户insight分析、增加跟客户互动、自动化流程、提升客户忠诚度、欺诈检测等等。

图片来源：Machine learning in finance

这些趋势也同样可以运用在金融产业，将过去很多制式化的流程自动化，提供更好的服务体验，让员工可以花更少的时间去一字一句的对照文本内容，取而代之的是检查、确认那些对流程关键的资料栏。

除了上述的跨产业常见案例之外，也还有几项在专注在金融产业的案例：

市场监督
尽职调查
投资组合优化
优化交易执行
量化战略制定
算法交易

虽然ML 模型的学习能力有助於推动更准确的预测，但同时也必须确保此模型的使用符合监管要求并受到良好管理和系统安全性保护。

金融业的MLOps

近年来，金融产业的数位化旅程也让更多的专案成效可视化、也可透过这些资料更了解客户与银行之间互动装框。

一般来说银行的重要财务资料会经过较严格的安全性把关，不管是银行内或者是到银行工作的外派人员，也都依循相关的规范。这些把关机制也被重新审核当中，原因来自於GDPR(个人隐私法)的规范，同时也来自於想要把某些流程自动化的时候，这些流程也必须要有权利可以拜访有关的资料。

这些行为的改变，在大型银行引入新模式可能需要很长的时间。因为组织的灵活性较低。使用新模型可能需要几个月的时间。年轻、相对小的银行导入科技专案的状况相对灵活。且在业务一开始的时候，可能因为新兴服务，导致当地法律还没跟上，有时候会有一些法规与实务上的差距产生。随着业务成熟、当地法律成熟，这些规范也逐渐跟上。

常见的规范文件：
• 《模型风险管理指南》
• 《欧洲中央银行 (ECB) 内部模型指南》

在金融业当中，MLOps的引入能够协助达到安全性、合规性的标准。同时，一个系统要运作良好，同时也需要良好的合作来自於分析团队以及银行产业知识团队。在引入系统的同时，希望能够把人类觉得重复性高、耗时的流程简化，同时也透过数据，让决策者能够有所依据，让过去觉得难以下决策的问题，能够加速、以资料为主的方向被决定。

工作流程及利益相关者

以AWS的白皮书里面的图表为例，一个在金融业的专案，通常涉及多个团队、多个利益相关者。这些利益相关者通常会构建高层次的业务问题。一旦确定，开发团队必须将业务问题转化为机器学习问题，并具有明确定义的输入和输出。在这个过程当中通常会涉及(1)对银行内部流程的了解(2)对银行外部用户流程的了解(3)能够把这些行为的关键指标与开发团队沟通。

而技术团队则需要将这些流程与指标，在可见的风险以及合规性的规范下，把这些专业知识放进开发流程里。

＊图片来源：Machine Learning Best Practices in Financial Services