#14 – Miten OP:n Finanssiäly hyödyntää deep learningia?
”Deep learning" terminä tuli käyttöön 2000-luvun puolivälissä, kun syviä neuroverkkoja alettiin tehdä. MLP (Multilayer Perceptron) -algoritmejä alettiin tehdä koneoppimisen saralla 70-luvulla. Niitä kehitettiin paljon ja käytettiin runsaasti 80-90-luvun taitteessa. Siihen aikaan niissä oli 1-2 kerrosta, ja niiden käyttökelpoisuus olikin hyvin rajoittunutta.
Laskennallisen kapasiteetin parantuessa 2000-luvulla alettiin tehdä monia, jopa kymmeniä kerroksia. Tätä tarkoittaa syvä neuroverkko. Kuvantunnistuksen saralla alettiin saada mielenkiintoisia tuloksia. Lopulta deep learning löi läpi erityisesti kuvan käsittelyssä, tunnistamisessa, manipuloinnissa ja generoinnissa”, OP:n Lead Data Scientist Juha Vesanto avaa deep learningin historiaa.
OP Tech Podcastin 14. jaksossa Kristian Luoma haastattelee OP:n Kehittäminen ja teknologiat -osaamiskeskuksen Finanssiäly-yksikön Lead Data Scientistia tai kaverillisemmin analytiikkavääpeliä, Juha Vesantoa. He keskustelevat siitä,
- mitä deep learning tarkoittaa,
- miten se vaikuttaa finanssialaan ja
- mistä Data Scientist saa työssään ”kicksit” finanssialalla.
Katso, mitä edeltävä jakso koski >>
Miten neuroverkot vaikuttavat finanssialaan?
”Neuroverkot ovat olleet pitkään ikään kuin kieltolistalla finanssialalla. Koska ne ovat ”black box” -algortimeja, niiden sisältöä on vaikea selittää ja finanssialalla nimenomaan halutaan selittää tulokset – regulaatio vaatiikin tätä. Nykyään yleinen mielipide on kuitenkin, että monimutkaisia algoritmeja saa käyttää ennustavissa malleissa, mutta päätöksiä ei saa tehdä näiden perusteella”, Juha kertoo.
Case Ruuvalli on asuntojen myyntihintoja ennustava malli, jolle syntyi alun perin tarve pankin vakuushallinnassa. Kun toimihenkilöt arvioivat vakuutta määrittäessään asunnon hinnan, pelkkä kauppakirja ei riitä. Asuntojen myyntihintoihin perustuva Ruuvalli luotiinkin toimihenkilöiden tueksi ja sen käytössä on Kiinteistövälittäjien Keskusliiton tilastot asuntojen myyntihinnoista.
”Ennustavien algoritmien avulla asunnon hintaa voidaan arvioida nykyhetkessä ja ennustaa noin puoli vuotta eteenpäin. Kun mennään tästä pidemmälle eteenpäin, tulevaisuuteen liittyvä epävarmuus, kuten globaali taloustilanne alkaa vaikuttaa. OP:lla ekonomistit ennustavat, miten maailman tai Suomen talous vaikuttaa asuntojen hintoihin. Ruuvallista kehitetäänkin tällä hetkellä versiota, joka yhdistää ekonomistien skenaarion Machine learning -malleihin”, paljastaa Juha.
”Ruuvalli toimii AWS-ympäristössä ja mallin opettamisessa käytetään hyväksi GPU-laskentaa, Keras-malleja sekä Tensorflow’ta. Se julkaistaan verkkoon käyttäen API-rajapinnassa Lambda-funktioita, ja mallimoottorina toimii AWS:stä löytyvä Sagemaker. Malli toimii siten, että se ottaa tiedon muun muassa asunnon osoitteesta, pinta-alasta sekä kunnosta. Myös erilaiset lisätiedot vaikuttavat, kuten rannan läheisyys, hissin olemassaolo ja kerros. Malli tunnistaa osoitteesta, missä päin Suomea asunto sijaitsee ja tämä onkin yksi olennaisimpia asunnon hintaan vaikuttavia tekijöitä. Lopulta arvio asunnon hinnasta saadaan lokaation ja asunnon ominaisuuksien yhdistelmästä”, avaa Juha.
Miten neuroverkkojen käyttö OP:lla on muuttunut viime vuosien aikana?
”Tulin OP:lle noin kaksi vuotta sitten. Tein aikaisemmin vähittäiskaupan analytiikkaa ja halusin tulla finanssialalle, koska tiesin täällä tapahtuvan juuri nyt paljon: lainsäädäntö muuttuu ja PSD2 avaa rajapinnat. Pankkien on panostettava kehittymiseen ja kehittämiseen”, Juha sanoo.
”Kahden vuoden aikana neuroverkot ovat ottaneet tuulta alleen finanssialalla. Esimerkiksi chatboteissa ne ovat oleellisia. Parhaillaan olemme suunnittelemassa laajennusta kuvankäsittelyn puolelle ja tällä hetkellä casena ovat autojen vahinkoilmoitukset. Tulevaisuudessa autolle sattuneesta vahingosta voisi kuvan avulla kysyä, mitä tilanteessa tulisi tehdä ja mitä se tulee maksamaan”, Juha kertoo.
Mistä Data Scientist saa ”kicksit” OP:lla?
”Itse innostun siitä, että saamme jotain tuotantoon. Olemme rekrytoineet viime aikoina paljon ihmisiä Data Scientist -puolelle ja meille kaikille yhteistä on halu tuottaa konkreettisia lopputuloksia. Kuukausi sitten julkaistiin uusi OP Mobiilin versio, jonka tuloksia katselee nyt 2 miljoonaa ihmistä. Ajattelemmekin itseämme sekä analyytikkoina että ohjelmistokehittäjinä”, Juha kertoo.
”Minusta on tietenkin myös mahtavaa olla mukana eturintamassa kehittämässä matemaattisia algoritmeja finanssialalla”, Juha sanoo.
Jos joku haluaa väitellä Juhan kanssa neuroverkoista, hänet löytää Linkedinistä. Juha, kollegat sekä Data Scientistin uramahdollisuudet finanssialalla löydät OP:n Finanssiäly-yksiköstä.
Kuuntele Juhan haastattelu kokonaisuudessaan Spotifyssa >>
Jakson sisältö
- Mitä deep learning tarkoittaa?
- Miten deep learningia voidaan hyödyntää finanssialalla?
- Mitä tekee OP:n Finanssiäly-yksikkö?
- Mistä Data Scientist saa ”kicksit” työssään OP:lla?
Jakson kesto: 16:53 min
Jatketaan keskustelua sosiaalisessa mediassa! Verkostoidu Kristianin ja Juhan kanssa:
- Twitterissä: @kluoma
- LinkedInissä: Juha Vesanto & Kristian Luoma