Czy crowdsourcing może zmniejszyć niedobór specjalistów od informacji? Tak dzieje się już w USA, gdzie spore problemy z zatrudnieniem odpowiednich pracowników mają na przykład banki. Na ile to jednak bezpieczne?
Firmy w USA walczą o zastosowanie technologii sztucznej inteligencji i oferują coraz bardziej spersonalizowane i intuicyjne usługi dla klientów. To sprawia, że rośnie tam popyt na specjalistów od obróbki informacji. W Polsce powoli również pojawia się ten problem. Jednak Stany Zjednoczone są w zdecydowanie trudniejszej sytuacji. W sierpniu 2018 roku LinkedIn oszacował, że w całym kraju było ponad 150 tys. miejsc pracy związanych z danymi, które pracodawcy bez skutku próbowali obsadzić.
W tłumie raźniej
W rezultacie niektóre firmy świadczące usługi finansowe testują nowy pomysł, czyli crowdsourcing. Chodzi o to, aby wykorzystać mózgi utalentowanych analityków danych z całego świata. Kaggle, platforma służąca do podobnych analiz, którą niedawno przejął Google, zarejestrowała 2 mln specjalistów od danych (lub jak się ich określa, Kagglerów). Podobny pomysł próbują wdrożyć dwa fundusze hedgingowe: Numerai i Quantopian.
Quantopian prowadził przez dwa lata fundusz hedgingowy o wartości 150 milionów dolarów wykorzystując crowdsourcing. Według szefa Quantopian, Johna Fawcetta, podejście to rozwiązuje problem braku wyspecjalizowanych kadr. – Za pośrednictwem naszej platformy uzyskujemy szybki dostęp do 230 tys. ekspertów. Tymczasem nawet największe fundusze hedgingowe zatrudniają około 150 osób w swoich działach – powiedział John Fawcett. Znika też problem związany z koncentracją pracowników w jednym miejscu. Co ciekawe, informatycy od danych mogą dzięki platformie uczestniczyć w konkursach, gdzie przesyłają swoje algorytmy, aby zakwalifikować się do nagrody pieniężnej. Gdy natomiast Quantopian chce używać modelu do celów inwestycyjnych, wówczas kontaktuje się z autorem i oferuje umowę lojalnościową.
Turnieje dla laików
Numerai z kolei organizuje praktycznie codziennie testy dla specjalistów, w których prosi ich o zbudowanie modelu prognozującego (np. wyniki akcji spółek o niskiej kapitalizacji). Fundusz stworzył nawet w tym celu własną kryptowalutę – Numeraire. Metody modelowania w tym przypadku opierają się na uczeniu maszynowym. – Algorytmy uczenia maszynowego mogą oceniać wszystkie permutacje relacji w obrębie zestawu danych w dużo bardziej efektywny sposób niż zespół badaczy wykonujących modele regresji. Można na przykład znaleźć mniej liniowe, czy nawet nieliniowe kombinacje danych, które mają przewidującą moc – powiedział Matt Boyd, szef Numerai. Jego zdaniem, mimo że sami specjaliści od modelowania niekoniecznie mają przygotowanie formalne i odpowiednie wykształcenie, to pracując w ten sposób osiągają dużo lepsze wyniki, niż specjaliści na Wall Street. Oczywiście, przedstawiciel funduszu nie chce zdradzić stopy zwrotu, ani nawet wielkości zarządzanego kapitału. Jednak zainteresowanie platformą rośnie. Numerai dostaje około 3000 zgłoszeń tygodniowo, w porównaniu do kilkuset na początku 2018 roku. Ważna jest jednak także demokratyzacja w modelowaniu danych. – Bez względu na to, czy chodziłeś do najlepszej szkoły na świecie i uczyłeś się od najlepszych profesorów, czy też zdobyłeś swą wiedzę siedząc w piwnicy, nie jest to dla nas ważne. Nawet nie chcemy tego wiedzieć – stwierdził Boyd.
Co z bezpieczeństwem?
Jak wspomniano, największe zapotrzebowanie na podobnych analityków istnieje w instytucjach finansowych. Istotne jest oczywiście także to, by zachować pełne bezpieczeństwo pracujących na podobnych platformach. W efekcie jednak można zlecić potrzebne analizy zewnętrznym specjalistom i skupić się na tym, co jest podstawową działalnością banku inwestycyjnego.
Autor: Krzysztof Maciejewski – redaktor prowadzący w Creditreform Polska
