Anzeige
STRATEGIE15. November 2022

Quantum Machine Learning: Praktische Anwendungsfälle im Finanz- und Versicherungswesen

Experte für Quantum Machine Learning: Andrey Bulezyuk, Ginkgo Analytics
Andrey Bulezyuk, Ginkgo AnalyticsGinkgo Analytics

Quantencomputer basieren auf der Arbeit mit Qubits. Das sind Objekte, die auf der Hardware-Ebene unterschiedlich realisiert werden können: als Licht in einem speziellen Zustand, als Defekt in einem Kristall oder als nicht-äquidistanter Quantenoszillator mit Eigenschaften, die wir typischerweise in der Quantenmechanik beobachten, nämlich „Superposition“ und „Entanglement“. Was davon praktisch für die Finanzwirtschaft nutzbar ist, erklärt

Andrey Bulezyuk, Senior Data Engineer bei Ginkgo Analytics

Superposition bedeutet, dass ein Objekt in verschiedenen Zuständen sein kann, bis wir es messen (die Wellenfunktion kollabieren), was die Grundlage für das Schrödinger-Katzen-Paradoxon ist. „Entanglement“ oder “spukhafte Fernwirkung” bedeutet, dass ein Teilchen sofort eine Wirkung spürt, wenn das verschränkte Teilchen manipuliert wurde (unabhängig von der Entfernung). Außerdem können Qubits im Gegensatz zu herkömmlichen Computern, in denen die Bits nur Einsen und Nullen enthalten können, auch Zwischenwerte enthalten.

Wenn man diese Effekte klug kombiniert, lassen sich bestimmte Probleme, die nicht lösbar sind oder eine unrealistisch lange Rechenzeit benötigen, effektiver angehen.

Kombiniert man Quantencomputer mit Machine Learning, ergibt sich das neue Feld von Quantum Machine Learning (QML).”

Dabei ist ein Quantencomputer die Hardware, ähnlich wie ein GPU (Central Processing Unit)-basierter PC oder Server. QML hingegen repräsentiert die Algorithmen, Frameworks, Methoden, etc., die auf dem Quantencomputer ausgeführt werden können – ähnlich wie das uns bereits bekannte Machine Learning für herkömmliche PC- und Server-Hardware.

QML hingegen repräsentiert die Algorithmen, Frameworks, Methoden, etc., die auf dem Quantencomputer ausgeführt werden können – ähnlich wie das uns bereits bekannte Machine Learning für herkömmliche PC- und Server-Hardware.”

Fähigkeiten von Quantum Machine Learning

Das maschinelle Lernen auf Quantencomputern bietet Fähigkeiten, die Probleme schneller und genauer lösen als das klassische maschinelle Lernen. Es gibt mehrere Quantenalgorithmen, die eine bestimmte Problematik lösen. Die wichtigsten sind eine schnellere und genauere Suche und Optimierung, ein schnelleres Training, eine bessere Bilderkennung oder ein besseres Verständnis der natürlichen Sprache, eine bessere Stichprobenbildung und bessere Simulationen.

Quantum ML Finance Radar sortiert nach ZeitraumGinkgo Analytics

Die Quantensuche wird eingesetzt, um unbekannte Informationen aus einem unendlichen Suchraum zu finden. Ein Beispiel dafür ist die Suche nach einem geheimen Schlüssel (coprimer), die einen großen Einfluss auf die klassische Kryptographie und die Sicherheit hat.

Quantenoptimierung wird eingesetzt, wenn eine Reihe von Beschränkungen und Optimierungskriterien vorgegeben sind. Der Algorithmus findet eine optimale Kombination von Variablen aus einer praktisch unendlichen Anzahl von Kombinationen. Ein Beispiel ist die Optimierung von Transportplänen und -zuweisungen.

Quantensampling wird verwendet, wenn ein Agent Werte aus einem Lösungsraum zieht. Dies kann zur Verallgemeinerung der Bevölkerungsverteilung genutzt werden. Ein Beispiel ist das Bosonen-Sampling und die Überprüfung in Minuten anstatt in Stunden.

Quantensimulationen wiederum werden angewandt, um ein reales System oder einen realen Prozess über einen bestimmten Zeitraum zu imitieren. Das Modell stellt das Verhalten oder die Eigenschaften des Systems dar. Die Darstellung des Modells über einen bestimmten Zeitraum ermöglicht es, vorausschauende Prognosen und Szenarien für die Entscheidungsfindung zu erstellen.

Simulationen in der Finanzindustrie sind vor allem für die Ermittlung von Preisen von Finanzinstrumenten, die Höhe der Nachfrage sowie des Angebots oder die Wirtschaftsentwicklung relevant.

Was macht also einen guten Quanten-Anwendungsfall aus? Man braucht: große Datenmengen, viele Alternativen, einen systematischen Ansatz, hohe Genauigkeit oder hohe Geschwindigkeit und eine Möglichkeit, das Entscheidungsergebnis zu validieren. Wenn die Daten immer zuverlässiger und verteilter werden und das Ergebnis in Echtzeit benötigt wird, ist dies eine perfekte Umgebung für QML.

Quantencomputing in der Kryptographie & Blockchain

Quantencomputer-Kapazitäten stellen ein Risiko für die auf RSA-basierenden Sicherheitsmechanismen dar. Der Shor-Algorithmus, angewandt an einem Gerät mit einer hohen Anzahl stabiler Qubits, hat das Potenzial, koprimale Zahlen sehr schnell zu berechnen.

Post-Quanten-Kryptographie und Quantenschlüsselverteilung in Kombination mit traditionellen Mechanismen zur Gewährleistung mehrerer Sicherheitsebenen werden in der Zukunft die Landschaft dominieren.”

Die Sicherheit der Verschlüsselung der eigenen Daten liegt jedem Industriezweig am Herzen. Doch vor allem die Industrien, deren Datenverschlüsselung hohe Risiken mit sich bringt, machen sich am meisten Gedanken über die Zukunft der Verschlüsselung. So sind davon sowohl die Finanzindustrie, speziell die Blockchains, als auch die nationale Sicherheit betroffen.

Autor Andrey Bulezyuk, Ginkgo Analytics
Andrey Bulezyuk ist Senior Data Engineer bei der Ginkgo Analytics GmbH, Teil der internationalen Eraneos Group, sowie Autor mit dem Schwerpunkt Machine Learning Engineering. In diesem Bereich sowie im Fullstack Development besitzt er jahrelange Erfahrung. Bereits während seiner Schulzeit veröffentlichte er das Buch “Algorithmisches Trading” und schaffte somit eine Brücke für Investoren in die Programmierwelt und umgekehrt. Sein neuestes Buch „Django 3 for Beginners“ fokussiert sich auf Backend-Entwicklung mit Python und dem Framework Django. Seit einigen Jahren ist Bulezyuk zudem als Trainer für Entwicklerteams im Bereich Backend und Frontend Development, sowie Machine Learning Engineering tätig.
Blockchain-Technologien haben ihr Fundament in der Kryptographie. Die Sicherheit einer Blockchain und der sogenannten Wallets (auch bekannt als digitale Geldbeutel/Konten) steht und fällt mit den Möglichkeiten, private Keys zu knacken bzw. zu erraten. Das Risiko ist minimal und wird vermutlich erst in einigen Jahren zur Realität. Dennoch beschäftigen sich Forscher wie Del Rajan und Matt Visser mit der Zukunft der Blockchain und schlagen Konzepte vor. Bei diesen Konzepten geht es darum, die Blockchain resistent gegen Quantencomputing zu gestalten. (https://arxiv.org/abs/1804.05979)

Ein weiteres Beispiel für Forschungen im Bereich Kryptographie mit Quantencomputing ist die transnationale Sicherheit. Um die globale militärische Dominanz zu erhalten, investiert die NATO in die Forschung von Post-Quanten-Kryptographie. Man fokussiert sich sowohl auf die Entwicklung von Quantencomputing resistenten Verschlüsselungsmethoden als auch die Anwendung von Quantencomputing, um herkömmliche Verschlüsselungen zu „knacken“. Eine solche Fähigkeit wird automatisch gravierende Folgen für die Finanzindustrie und somit auch Blockchains sowie Kryptographie haben. (www.enisa.europa.eu/news/enisa-news/post-quantum-cryptography-anticipating-threats-and-preparing-the-future).

Anwendungen im Banken- und Versicherungswesen

Das Finanzwesen ist sicherlich einer der wichtigsten Bereiche für einen Quantendurchbruch.

Portfolio-Optimierung und Risikomanagement sind sehr rechenintensiv und genau hier sind die Quantencomputing-Technologien durch die Nutzung von Superposition und Entanglement überlegen.”

Eine weitere stark vernetzte Branche, die enorm von den Vorteilen des Quantencomputing profitieren wird, ist das Versicherungswesen. Die genaue Vorhersage von Wetterkatastrophen und des Fahrverhaltens beispielweise wird es ermöglichen, Risiken viel besser und schneller abzuschätzen als mit herkömmlichen Berechnungsmöglichkeiten. Nachfolgende Abbildung bietet eine Übersicht der möglichen Einsatzszenarien im Finanzbereich, in welchen das QML die herkömmliche Rechenleistung übertreffen wird.

Als Branchen, die mit sensiblen Kundendaten zu tun haben, müssen Finanzorganisationen und Versicherungen zunehmend darauf achten, kritische Daten zu sichern und sie vor Entschlüsselung und Verlust zu schützen. Zusätzlich zu den oben beschriebenen Maßnahmen in den Bereichen Sicherheit und Kryptografie könnten Finanzinstitute enorm von der Anwendung quantengestützter Künstlicher Intelligenz profitieren, um betrügerische Transaktionen und verdächtige Aktivitäten zu erkennen.

Im Jahr 2021 arbeitete KPMG mit dem kanadischen Hersteller D-wave zusammen, um eine Portfolio-Optimierung mit einem 2000-Qubit-Quanten-Annealinggerät durchzuführen. Das Projekt hat bewiesen, dass Quantencomputing-Technologien einen besseren und schnelleren Ansatz bieten können, auch wenn die Skalierbarkeit und Implementierung der Lösung noch eine Herausforderung darstellen.

Investment Banking & Trading

Investmentbanking beinhaltet viele Verantwortungsbereiche und nicht alle können mit Quantum Machine Learning verbessert werden. Am meisten wird der Unterbereich Asset Management vom Quantencomputing profitieren, da dieser enorme Datenmengen analysieren muss. Die Art der Daten beschränkt sich allerdings nicht nur auf strukturierte Daten (z. B. Bilanzzahlen, Gewinne, o. ä.), sondern vor allem auf unstrukturierte (z. B. Satellitenbilder, Videoanalysen von Nachrichtenagenturen, Gesetzestexte und vieles mehr). Die Herausforderung für die erfolgreiche Umsetzung von Quantencomputing-Technologien liegt in der Vorbereitung der Daten (Data pre-processing) in ein Format, das von einem Quantencomputer verarbeitet werden kann.

Über Ginkgo Analytics
Die Ginkgo Analytics (Webseite) ist ein Spin-Off der international tätigen Ginkgo Management Consulting GmbH, Teil der Eraneos Group, und bietet spezialisierte Dienstleistungen im Bereich Data Science an. Das Leistungsspektrum des mehrfach ausgezeichneten Unternehmens umfasst Datenanalysen, Big-Data-Lösungen, mathematische Optimierungen sowie die Anwendung von Machine Learning, neuronalen Netzen und Künstlicher Intelligenz. Im Kern unterstützt Ginkgo Analytics Unternehmen bei der Umsetzung von Big-Data-Plattformen und der Transformation zu einer „Data Driven“- and -„AI powered Company“. Zudem ermöglicht das im August 2022 gegründete Quantum Lab mit dem Fokus auf Quantum Machine Learning Industrieunternehmen einen einfachen Zugang zur Quantentechnologie und deckt alle Phasen, von der Ideenfindung bis zur Umsetzung, ab.
Quantum Reinforcement Learning ist der vielversprechendste Unterbereich von QML. Die Prämisse von QML wird es ermöglichen, eine hohe Anzahl von Agenten in einem riesigen Simulationsumfeld zu trainieren. Der Schlüssel liegt in der Fähigkeit von Quantencomputern, das Umfeld („state“) komplett zu simulieren und somit die bestmögliche Handlung („action“) auszuwählen – natürlich viel schneller als herkömmliche CPUs und GPUs. Tensorflow bietet beispielsweise ein Tutorial für das Framework „tensorflow-quantum“, das man direkt im Browser mit Colab ausführen kann.

Ausblick

Quantencomputing ist in einer Phase, in welcher es etwas schwierig ist, hinter die Kulissen zu schauen und den realistischen Status Quo zu belichten.

Das liegt daran, dass Quantencomputer sehr teuer und hochkomplex sind, sodass aktuell nur die größten Unternehmen oder Regierungen daran forschen können und die Ergebnisse vorerst für sich behalten, um die eigene Überlegenheit in nahezu jedem Industriezweig zu erhalten.”

Dennoch können wir davor ausgehen, dass das QML die Finanzindustrie drastisch verändern wird. Angefangen mit den exponentiellen Vorteilen, die es einem im Bereich von Asset Management, High-Frequency-Trading und dem Banken- und Versicherungswesen im Allgemeinen verspricht. Enorm ist vor allem die Geschwindigkeit des Modell-Trainings, die das QML bietet. Somit ist jedes Unternehmen, das QML anwendet, drastisch schneller beim Vorbereiten, Trainieren und Bereitstellen von Machine-Learning-Modellen. Quantencomputing wird diese Industrie durch die aufgeführten Risiken für die Verschlüsselung und die Blockchains zur Adaption zwingen.Andrey Bulezyuk, Ginkgo Analytics

 
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/147705
 
 

 

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert