Модернизация приложений инвестиционного портфеля для реальных активов с помощью Convolutional Neural…

В этой статье я расскажу, как несложно начать работу и внедрить предварительно обученную свёрточную нейронную сеть (CNN) для практического использования. В наше время, когда ИИ дебютирует в большинстве приложений, поставщики приложений, которые еще не начали с ним работать, должны принять к сведению, что это не обременительно и не требует от ученых данных интегрировать его в свое программное обеспечение — если, конечно, конечно, вам нужно обучить свою нейронную сеть для особых случаев.

Наш бизнес-кейс

В Swimbird мы стремимся предоставить целостное программное обеспечение для инвестиционного портфеля как сервисное решение, которое включает весь портфель инвестора. Естественно, что это должно включать все традиционные активы и обязательства, такие как акции,кредиты, фонды, облигации, свопы, деривативы, фонды прямых инвестиций (альтернативные инвестиции), криптовалюта и т. д. Все это мы поддерживаем — и считаем необходимым поддерживать — для того, чтобы обеспечить всеохватывающее представление об общем профиле инвестиционного риска.

Тем не менее, один тип активов, который часто не включается в приложения для традиционных инвестиционных портфелей, — это недвижимые активы, такие как недвижимость, предметы искусства, ювелирные изделия, транспортные средства и земля, и часто является важной частью общих активов.

Результат

Расширяя наш горизонт типов активов до реальных активов и сосредоточившись на том, чтобы сделать наш пользовательский интерфейс как можно более современным, отзывчивым и интуитивно понятным, мы обнаружили необходимость включения классификатора изображений, когда наши клиенты загружают изображения активов для быстрой пометки и автоматическое заполнение, конечно же, с возможностью переопределения вручную. В приведенном ниже примере вы увидите, что изображение было загружено в наше веб-приложение и, например. «Тип собственности» был заполнен автоматически после обработки CNN.

Выполнение

Поскольку весь наш технический стек представляет собой платформу микросервисов, мы могли бы использовать силу различных технологий, чтобы быстро реализовать эту возможность! Базовая модель глубокого обучения, которая идентифицирует изображения, представляет собой предварительно обученную свёрточную нейронную сеть [2].реализация была выполнена на python. , а на следующем экране печати вы видите основной код, который делает предсказание и выводит словарь справа от изображения (обратите внимание, что веб-интерфейс пользователя не является нашим официальным веб-сайтом, мы используем его только для быстрого прототипирования).

Как работает модель

Сверточные нейронные сети применяют комбинацию слоев, которые преобразуют изображение в результат, понятный модели [1]. Это показано на рис. 1. Сверточный слой, где он создает карту объектов, применяя фильтр, который сканирует изображение по несколько пикселей за раз. Затем вступает в действие объединение и масштабирование информации, сгенерированной сверточным слоем, для ее эффективного хранения. Затем полностью связанный входной слой объединяет выходные данные в один вектор. После этого полностью связанный слой применяет весовые коэффициенты к входным данным, созданным в результате анализа признаков. Наконец, подключенный выходной слой генерирует окончательные вероятности для определения класса изображения [1].

Звучит все это страшнее, чем есть на самом деле, если вы хотите применить только pre-train network, то вам нужно только знать, как применить изображение с библиотекой, которое отображено в моем коде на рис 2.

Будущая работа

В настоящее время наши варианты использования требуют только предварительно обученной модели сразу же, однако мы рассматриваем возможность применения методов трансферного обучения [3] для обучения сетей более конкретным изображениям. репозитории и включить еще более точную маркировку/автозаполнение.

Краткое содержание

Наконец, небольшой тизер: стало ясно, что нам нужно предоставлять нашим клиентам информацию о том, что в настоящее время происходит/обсуждается в отношении их инвестиций в социальные сети, чтобы они могли видеть и учиться. и действовать быстрее. В настоящее время мы находимся на стадии прототипа нашего механизма настроений и с нетерпением ждем возможности представить его части в обозримом будущем.