عنوان مقاله:
طراحی روند داده کاوی برای حوزه خدمات مالی
Designing a data mining process for the financial services domain
سال انتشار: 2022
رشته: مهندسی صنایع - مهندسی کامپیوتر
گرایش: داده کاوی - امنیت اطلاعات - بهینه سازی سیستم ها - هوش مصنوعی - تولید صنعتی
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
5. Discussion
In this research, we addressed the non-existence of a specialised data mining process for the financial service sector. As a result, for financial industry practitioners, the research outcome is a domain-specific process model – FIN-DM – which supports the execution of data mining. FIN-DM is contextualised and is up-to-date with the latest technological and regulatory developments impacting financial services. To this end, FIN-DM captures and provides data mining experts with concrete phases, tasks, and activities to tackle a number of critically important regulatory requirements and recommendations that emerged over the last decade. Some given regulations are not financial-services specific, but financial services have been one of the key sectors impacted. In particular, FIN-DM supports a systematic approach to effectively address privacy regulations (e.g., GDPR) and execute fully privacy compliant data mining life-cycles. It also provides a practical approach to execute best practices of AI ethics and AI ethical risks mitigation in all key phases of the data mining project. The proposed tasks support effective tackling of the key, and most widely recognised, AI ethics principles and concerns – Transparency, Responsibility, Accountability, Fairness, and Trustworthiness. Also, FIN-DM will be helpful to practitioners in the financial services industry to design the operations of data mining function in line with modern internal control operating models (3 Lines of Defence Model) and practically fulfill model risk management requirements in data mining model development, validation, and use. Lastly, FIN-DM supports practitioners with practical solutions to embed quality assurance as an integral component of the whole data mining life-cycle – introducing both internal project verification tasks and external project quality controls (validations).
Additionally, FIN-DM supports improving business validation and actionability of data mining results and provides an improved and structured data mining life-cycle requirements elicitation and management end-to-end. Furthermore, two other key CRISP-DM gaps – the lack of actual data mining model deployment/the transition of data mining models into software products and model life-cycle management – have been specified explicitly. To ensure adequate technological support and governance to data mining projects, we have incorporated a number of ITIL and COBIT elements in life-cycle practices and as a broader enablers’ set. Finally, FIN-DM has multiple advantages and limitations when applied. It can serve as an establishment guide or blueprint for scaling and industrialising data mining functions; nevertheless, it is likely to be more effective in organisations that have already established IT foundations and operate within standard IT industry frameworks (e.g., ITIL). Moreover, knowledge of the CRISP-DM life-cycle and prior experience would be beneficial to foster more effective organisational adoption. Some of the proposed solutions to gaps might not be entirely financial-sector specifics but rather applicable in the context of other sectors tackling similar challenges (e.g., telecom). A good example of such generic solutions is privacy and AI ethics components.
FIN-DM has undergone an initial evaluation, but it still needs to mature by being tested in practice. At the same time, as underscored in Czarnecki and Dietze (2017), the evaluation of reference models constitutes a problem and research challenge. In particular, the reference model, by nature, is generalisable; thus, its development is decoupled from its application. Thus, the evaluation in practical settings of data mining projects will be focused on FIN-DM’s applicability. To this end, as pinpointed in Czarnecki and Dietze (2017), each application of reference process increases their chance of adoption.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
5. بحث
در این تحقیق، ما به عدم وجود فرآیند داده کاوی تخصصی برای بخش خدمات مالی پرداختیم. در نتیجه، برای دست اندرکاران صنعت مالی، نتیجه تحقیق یک مدل فرآیند خاص دامنه است - FIN-DM - که از اجرای داده کاوی پشتیبانی می کند. FIN-DM با آخرین تحولات تکنولوژیکی و نظارتی که بر خدمات مالی تأثیر می گذارد، زمینه سازی شده و به روز است. برای این منظور، FIN-DM مراحل، وظایف و فعالیت‌های مشخصی را به متخصصان داده‌کاوی جذب می‌کند تا به تعدادی از الزامات و توصیه‌های نظارتی بسیار مهم که در دهه گذشته ظهور کرده‌اند، رسیدگی کنند. برخی از مقررات ارائه شده مختص خدمات مالی نیستند، اما خدمات مالی یکی از بخش‌های کلیدی تحت تأثیر قرار گرفته است. به طور خاص، FIN-DM از یک رویکرد سیستماتیک برای رسیدگی موثر به مقررات حفظ حریم خصوصی (به عنوان مثال، GDPR) و اجرای چرخه زندگی داده کاوی کاملاً مطابق با حریم خصوصی پشتیبانی می کند. همچنین یک رویکرد عملی برای اجرای بهترین شیوه های اخلاق هوش مصنوعی و کاهش خطرات اخلاقی هوش مصنوعی در تمام مراحل کلیدی پروژه داده کاوی ارائه می کند. وظایف پیشنهادی از برخورد مؤثر با اصول و نگرانی های کلیدی و شناخته شده اخلاق هوش مصنوعی - شفافیت، مسئولیت پذیری، مسئولیت پذیری، انصاف و قابل اعتماد بودن پشتیبانی می کند. همچنین، FIN-DM به دست اندرکاران صنعت خدمات مالی کمک خواهد کرد تا عملیات عملکرد داده کاوی را مطابق با مدل های عملیاتی کنترل داخلی مدرن (3 خط دفاعی مدل) طراحی کنند و عملاً الزامات مدیریت ریسک مدل را در توسعه مدل داده کاوی برآورده سازند. ، اعتبارسنجی و استفاده در نهایت، FIN-DM از پزشکان با راه حل های عملی برای تعبیه تضمین کیفیت به عنوان یک جزء جدایی ناپذیر از کل چرخه حیات داده کاوی پشتیبانی می کند - هم وظایف تأیید پروژه داخلی و هم کنترل های کیفیت پروژه خارجی (اعتبارسنجی) را معرفی می کند.
علاوه بر این، FIN-DM از بهبود اعتبار کسب و کار و عملکرد نتایج داده‌کاوی پشتیبانی می‌کند و نیازمندی‌های چرخه عمر داده‌کاوی بهبودیافته و ساختاریافته را برای استخراج و مدیریت سرتاسر فراهم می‌کند. علاوه بر این، دو شکاف کلیدی دیگر CRISP-DM - عدم استقرار مدل داده کاوی واقعی / انتقال مدل های داده کاوی به محصولات نرم افزاری و مدیریت چرخه عمر مدل - به صراحت مشخص شده است. برای حصول اطمینان از پشتیبانی تکنولوژیکی و مدیریت کافی برای پروژه های داده کاوی، تعدادی از عناصر ITIL و COBIT را در شیوه های چرخه حیات و به عنوان یک مجموعه توانمندساز گسترده تر گنجانده ایم. در نهایت، FIN-DM دارای مزایا و محدودیت‌های متعددی است. این می تواند به عنوان راهنمای تاسیس یا طرح اولیه برای مقیاس بندی و صنعتی کردن توابع داده کاوی عمل کند. با این وجود، احتمالاً در سازمان‌هایی که قبلاً پایه‌های فناوری اطلاعات را تأسیس کرده‌اند و در چارچوب‌های استاندارد صنعت فناوری اطلاعات (مانند ITIL) فعالیت می‌کنند، مؤثرتر خواهد بود. علاوه بر این، دانش چرخه حیات CRISP-DM و تجربه قبلی برای تقویت پذیرش سازمانی مؤثرتر مفید خواهد بود. برخی از راه‌حل‌های پیشنهادی برای شکاف‌ها ممکن است کاملاً مختص بخش مالی نباشند، بلکه در زمینه سایر بخش‌هایی که با چالش‌های مشابه مقابله می‌کنند (به عنوان مثال، مخابرات) قابل استفاده هستند. یک مثال خوب از چنین راه حل های عمومی، مولفه های اخلاقی حریم خصوصی و هوش مصنوعی است.
