AI+ Finance Agent Specialty™

1.1 Pénzügyi AI-ügynökök és a hagyományos pénzügyi automatizálás 1.2 A pénzügyi AI-ügynökök fejlődése 1.3 A pénzügyi AI-ügynökök típusainak áttekintése 1.4 Az ügynöki autonómia és a feladatátadás jelentősége pénzügyi környezetben 1.5 A pénzügyi AI-ügynökök és a hagyományos automatizálás fő különbségei 1.6 Gyakorlati feladat: pénzügyi AI-ügynökök megismerése

2.1 A pénzügyi AI-ügynökök architektúrája 2.2 Eszközök és könyvtárak az ügynökfejlesztéshez 2.3 AI-ügynökök és statikus modellek 2.4 Az ügynök életciklusának áttekintése 2.5 Felhasználási eset: ügyfélszolgálati ügynökök a bankokban a KYC, a gyakori kérdések és a tranzakciós reklamációk kezelésére 2.6 Esettanulmány: a Bank of America Ericája: virtuális pénzügyi asszisztens, amely több mint 1 milliárd interakciót kezel prediktív AI-val 2.7 Gyakorlati feladat: pénzügyi AI-ügynökök építése és megértése

3.1 Felügyelt és felügyelet nélküli ML a csalásfelderítéshez 3.2 Mintaelemzés és viselkedési profilalkotás 3.3 Valós idejű felügyeleti ügynökök 3.4 Valós felhasználási eset: AI-ügynökök figyelik a tranzakciós viselkedést, és anomáliákat jeleznek a digitális pénztárcák valós idejű csalásfelderítéséhez 3.5 Esettanulmány: a PayPal AI-rendszere gráfalapú anomáliafelderítő ügynökökkel az összes tranzakció 0,32%-át jelöli meg csalásgyanúsként, 99,9%-os pontossággal 3.6 Gyakorlati feladat: intelligens ügynökök a csalásfelderítéshez és az anomáliafigyeléshez

4.1 Jellemzőgenerálás nem hagyományos hiteladatokból 4.2 Magyarázhatóság (XAI) a hiteldöntésekben 4.3 Torzítások csökkentése a hitelezési ügynököknél 4.4 Valós felhasználási eset: ügynökök hiteltörténettel nem rendelkező ügyfeleket értékelnek tranzakciós és mobiladatok alapján 4.5 Esettanulmány: az Upstart AI-alapú hitelezési platformja, amelyet a CFPB is jóváhagyott, 27%-kal magasabb jóváhagyási arányt és 16%-kal alacsonyabb éves hiteldíjat (APR) hozott az adósoknak 4.6 Gyakorlati feladat: AI-ügynökök a hitelbírálathoz és a hitelezés automatizálásához

5.1 Személyre szabás profilalkotó ügynökökkel 5.2 Portfólió-újrasúlyozó algoritmusok 5.3 Hangulatérzékeny befektetés 5.4 Valós felhasználási eset: AI-ügynök hetente igazítja a portfóliót a pénzügyi célok és a piaci trendek alapján 5.5 Esettanulmány: a Wealthfront Path ügynöke pénzügyi viselkedésmodellezéssel ajánl személyre szabott megtakarítási célokat és befektetési utakat 5.6 Gyakorlati feladat: AI-ügynökök a vagyonkezeléshez és a robotanácsadáshoz

6.1 Megerősítéses tanulás a kereskedési ügynököknél 6.2 Prediktív modellezés történeti adatokból 6.3 A kockázat-hozam küszöbök kezelése 6.4 Valós felhasználási eset: AI-kereskedési ügynökök arbitrázsa kriptotőzsdék között 6.4 Esettanulmány: a Renaissance Technologies AI-val automatizálja a rövid tartású ügyleteket, és adaptív kereskedési botokkal termel következetes alfát 6.5 Gyakorlati feladat: kereskedési botok és piacfigyelő ügynökök

7.1 LLM-ek a gyorsjelentés-hívások és a beadványok elemzésében 7.2 AI-alapú összefoglalás és eseményészlelés 7.3 Beszédátirat és kulcspont-kinyerés 7.4 Valós felhasználási eset 7.5 Esettanulmány: BloombergGPT, pénzügyi célra hangolt nagy nyelvi modell 7.6 Gyakorlati feladat: NLP-ügynökök a pénzügyi dokumentumok feldolgozásához

8.1 AI a pénzmosás elleni küzdelemben (AML) és az üzleti partner azonosításában (KYB) 8.2 Szabályozástudatos szabálymodellezés 8.3 Tranzakciós gráfelemzés 8.4 Valós felhasználási eset: ügynök követi a gyanús, határon átnyúló pénzmozgásokat valós időben, több számlán keresztül. 8.5 Esettanulmány: a HSBC a Quantexa AI-ügynökeivel tárja fel az AML-hálózatokat, 30%-kal növelve a gyanús tevékenységek felderítését. 8.6 Gyakorlati feladat: megfelelési és kockázatfelügyeleti ügynökök a pénzügyi rendszerekben

9.1 Irányítási keretrendszerek a pénzügyi AI-hoz (RBI, EU AI Act) 9.2 Átláthatóság és auditálhatóság a döntési logikában 9.3 Méltányosság és magyarázhatóság 9.4 Valós felhasználási eset: auditálható AI-ügynöknaplók a belső szabályzati auditokban, a méltányos hitelezés biztosítására. 9.5 Esettanulmány: a Wells Fargo belső AI-méltányossági felülvizsgálatokat vezetett be a hitelezési botokra a hatósági vizsgálat után. 9.6 Gyakorlati feladat: felelős, méltányos és auditálható AI-ügynökök a pénzügyekben

10.1 1. esettanulmány: a JPMorgan COiN platformja 10.2 2. esettanulmány: AI a csalásfelderítésben: a PayPal Decision Intelligence rendszere 10.3 Esettanulmány: AI-vezérelt hitelbírálat: az Upstart hitelezési platformja 10.4 Záróprojekt 10.5 A modul fő tanulságai