ඇමරිකානු බැංකුවක් ප්රථම වරට gradient boosting සමඟ පුහුණු කරන ලද ණය ආකෘතියක් නැව්ගත කළ විට, වලංගුකරණ වාර්තාව ආකෘති ලේඛනගත කිරීමට වඩා හතර ගුණයක් දිගු විය. එම අනුපාතය තවමත් පවතී. 2026 දී, US මූල්ය වෙළඳපොළ සඳහා ප්රමාණාත්මක ආකෘතියක් ගොඩනැගීම ආසන්න වශයෙන් සියයට 20 කේතය, සියයට 30 දත්ත වැඩ, සහ සියයට 50 වලංගුකරණය, ලේඛනගත කිරීම සහ සමාලෝචනය වේ. මෙම මාර්ගෝපදේශය සැබෑ යාන්ත්ර විද්යාව හරහා ගමන් කරයි.
US යනු ප්රාග්ධනය සහ සේවක සංඛ්යාව අනුව ලෝකයේ ඝනතම ප්රමාණාත්මක මූල්ය වෙළඳපොළයි. ෆෙඩරල් සංචිත අධීක්ෂණ දත්ත පෙන්වා දෙන්නේ ෆෙඩරල් මට්ටමින් නියාමනය කරන ලද බැංකු 4,000 ක් පමණ වන අතර, විශාලතම 30 ඒවායේ ඉන්වෙන්ටරිවල දහස් ගණනක් වෙනස් ආකෘති රැගෙන යයි. යටින් ඇති ක්රම OCC හි SR 11-7 ආකෘති අවදානම් කළමනාකරණ ප්රකාශනය තුළ විධිමත් කර ඇති අතර, එය සමස්ත US බැංකු කර්මාන්තයම ප්රමිතිගත කර ඇත.
අන්තයේ සිට අන්තය දක්වා නල මාර්ගය
ක්රියාකාරී ප්රමාණාත්මක නල මාර්ගයකට අදියර හයක් ඇත: දත්ත ග්රහණය, විශේෂාංග ඉංජිනේරු විද්යාව, ආකෘති පුහුණුව, පසුබැසීමේ පරීක්ෂාව, වලංගුකරණය, සහ නිෂ්පාදන අධීක්ෂණය. දත්ත ග්රහණය වෙළඳපල පෝෂක, ගනුදෙනු පද්ධති, ණය ආයතන, සහ අභ්යන්තර ගබඩා වලින් ඓතිහාසික සහ සජීවී දත්ත ලබා ගනී. විශේෂාංග ඉංජිනේරු විද්යාව ආකෘතියට පෙනෙන ආදානයන් ගොඩනඟයි, ප්රමාදයන්, අනුපාත, සහ දර්ශක විචල්ය ඇතුළුව. ආකෘති පුහුණුව තෝරාගත් පුහුණු කාල සීමාවක් මත ආකෘතිය සවි කරයි. පසුබැසීමේ පරීක්ෂාව සාමාන්යකරණය තක්සේරු කිරීම සඳහා නියැදියෙන් පිටත දත්ත වලට එරෙහිව ආකෘතිය ක්රියාත්මක කරයි. වලංගුකරණය වෙනම කණ්ඩායමක් විසින් සිදු කරනු ලබන අතර ආකෘතිය ප්රතිපත්තියට අනුකූල වන බව තහවුරු කරයි. නිෂ්පාදන අධීක්ෂණය යෙදවීමෙන් පසු ආකෘතියේ හැසිරීම නිරීක්ෂණය කරයි.
සෑම අදියරකටම තමන්ගේම මෘදුකාංග තොගයක් ඇත. බොහෝ US ආයතනවල දත්ත Snowflake, Databricks, හෝ Amazon Redshift තුළ පවතී. විශේෂාංග ඉංජිනේරු විද්යාව Python pandas හෝ PySpark තුළ ක්රියාත්මක වේ. ආකෘති පුහුණුව scikit-learn, XGBoost, LightGBM, හෝ PyTorch භාවිතා කරයි. පසුබැසීමේ පරීක්ෂාව Python හෝ R සටහන් පොත්වල ක්රියාත්මක වේ. වලංගුකරණ වාර්තා ලේඛන ගබඩාවල PDF සහ HTML ලෙස පවතී. නිෂ්පාදන අධීක්ෂණය Splunk, Datadog, හෝ අභ්යන්තර මෙවලම් තුළ ගොඩනගා ඇති උපකරණ පුවරු මත ක්රියාත්මක වේ.
US බැංකු ආකෘති වටා ඇති ආරක්ෂක රේඛා තුන
US බැංකු ආකෘති පාලන ව්යුහය ආරක්ෂක රේඛා තුනක ප්රවේශයක් අනුගමනය කරයි. පළමු පේළිය යනු ආකෘතිය හිමිකර ගන්නා සහ එහි ප්රතිදානය භාවිතා කරන ව්යාපාර ඒකකයයි. දෙවන පේළිය යනු ආකෘති අවදානම් කළමනාකරණ කාර්යය වන අතර, එය ස්වාධීනව ආකෘතිය වලංගු කරයි, උපකල්පනවලට අභියෝග කරයි, සහ නිෂ්පාදන යෙදවීම සඳහා අත්සන් කරයි. තෙවන පේළිය අභ්යන්තර විගණනය වන අතර, එය පළමු සහ දෙවන පේළි ක්රියාකාරකම් දෙකම සමාලෝචනය කරයි. ව්යුහය $10 බිලියනයකට වඩා වැඩි වත්කම් ඇති ඕනෑම US බැංකුවක් සඳහා අවශ්ය වන අතර එම සීමාවට පහළින් බහුලව සම්මත කර ඇත.
SR 11-7 යනු පාලන ලේඛනයයි. එය ආකෘති අවදානම නිර්වචනය කරයි, ආකෘති ඉන්වෙන්ටරි අවශ්ය කරයි, සංකල්පීය ශබ්දතාව සමාලෝචනය සහ අඛණ්ඩ අධීක්ෂණය ඇතුළත් වලංගුකරණයට අණ කරයි, සහ පැහැදිලි වගකීම පවරයි. ෆෙඩරල් සංචිත අධීක්ෂණ විභාග ආකෘති ඌනතා සොයා ගැනීමේදී SR 11-7 වෙත ආපසු හඹා යයි. SR 11-7 අපේක්ෂාවන් අසමත් වන බැංකු අවධානය අවශ්ය කරුණු, ප්රතිෂ්ඨාපනය, සහ ආන්තික අවස්ථාවන්හිදී බලාත්මක කිරීමේ ක්රියාමාර්ගවලට මුහුණ දෙයි.
US fintechs සහ බැංකු සැබවින්ම භාවිතා කරන මෙවලම්
මෙවලම් කට්ටලය පිටස්තරයින් උපකල්පනය කරනවාට වඩා ඒකාබද්ධ වේ. Python යනු US ආයතනවල නව ප්රමාණාත්මක වැඩ සඳහා ප්රමුඛ භාෂාව වන අතර, R ගණිතමය සහ සංඛ්යාන වාර්තාකරණ භූමිකාවන්හි කොටසක් රඳවා ගනී. නිෂ්පාදනය ක්රියාත්මක කරන පුස්තකාලවලට දත්ත හැසිරවීම සඳහා NumPy සහ pandas, ආර්ථිකමිතික සඳහා statsmodels, සාමාන්ය යන්ත්ර ඉගෙනීම සඳහා scikit-learn, gradient boosting සඳහා XGBoost සහ LightGBM, ගැඹුරු ඉගෙනීම සඳහා PyTorch සහ TensorFlow, සහ ප්රශස්තිකරණය සඳහා CVXPY හෝ Gurobi ඇතුළත් වේ. යෙදවීමේ තොගය සාමාන්යයෙන් Kubernetes මත ක්රියාත්මක වන අතර, MLflow හෝ Weights and Biases අත්හදා බැලීම් නිරීක්ෂණය කරන අතර SageMaker හෝ Vertex AI නිෂ්පාදන ආකෘති සත්කාරකත්වය සපයයි.
| නල මාර්ග අදියර | සාමාන්ය US මෙවලම | හිමිකරු |
|---|---|---|
| දත්ත ග්රහණය | Snowflake, Databricks, Kafka | දත්ත ඉංජිනේරු විද්යාව |
| විශේෂාංග ඉංජිනේරු විද්යාව | pandas, PySpark, Feast | ආකෘතිකරණ කණ්ඩායම |
| ආකෘති පුහුණුව | scikit-learn, XGBoost, PyTorch | ආකෘතිකරණ කණ්ඩායම |
| පසුබැසීමේ පරීක්ෂාව සහ වලංගුකරණය | Jupyter, MLflow, අභ්යන්තර | ආකෘති අවදානම (දෙවන පේළිය) |
| නිෂ්පාදන යෙදවීම | SageMaker, Vertex AI, අභ්යන්තර | ML ඉංජිනේරු විද්යාව |
| අධීක්ෂණය | Datadog, Splunk, Arize | ML මෙහෙයුම් + පළමු පේළිය |
මූලාශ්ර: වෙළෙන්දා හෙළිදරව් කිරීම්, OCC SR 11-7 රාමුව, US බැංකු තාක්ෂණ හෙළිදරව් කිරීම් 2024-2026.
භාවිත කළ හැකි ආකෘතියක් පිටුපස ඇති දත්ත විනය
නරක දත්ත නරක ගණිතයට වඩා වේගයෙන් ප්රමාණාත්මක වැඩ විනාශ කරයි. ආකෘතිකරණ දත්ත වටා US බැංකු විනය තද කර ඇත. කාල ලක්ෂ්ය දත්ත, කාන්දුවීම් පරීක්ෂාව, රඳවා ගැනීමේ කාල සීමා, සහ පන්ති සමතුලිතතාවය මත පුහුණු කරන ලද ආකෘති දැන් මූලික අපේක්ෂාවකි. වැරදි ක්ෂිතිජයක් භාවිතා කරන, හෝ නියාමනය, නිෂ්පාදනය, හෝ බෙදාහැරීමේ වෙනස්කම් සඳහා ගණන් නොගන්නා පසුබැසීමේ පරීක්ෂාව වලංගුකරණ සමාලෝචනයකින් බේරෙන්නේ නැත. බොහෝ US ආයතන දැන් ආකෘති හිමිකරුවන්ට ආකෘතියක් ප්රවර්ධනය කළ හැකි වීමට පෙර අන්තයේ සිට අන්තය දක්වා දත්ත පෙළපත ලේඛනගත කිරීමට අවශ්ය කරයි.
බැංකු සහ fintechs දියත් කිරීමෙන් පසු ආකෘතිය ක්රියාත්මක කරන්නේ කෙසේද
නිෂ්පාදන අධීක්ෂණය යනු බොහෝ ප්රමාණාත්මක වැඩසටහන් නිහඬව අසාර්ථක වන ස්ථානයයි. පසුබැසීමේ පරීක්ෂාවේදී හොඳින් ක්රියා කළ ආකෘතියක් ජනගහන මාරුව, විශේෂාංග ප්ලාවනය, සහ ඉහළ ප්රවාහ දත්තවල වෙනස්කම් ඇතුළු බොහෝ හේතු නිසා නිෂ්පාදනයේදී පිරිහීමට ලක් විය හැක. හොඳින් පාලනය වන US ආයතනවල විනය වන්නේ දිනපතා හෝ සතිපතා රිද්මයක් මත ආදාන බෙදාහැරීම්, ප්රතිදාන බෙදාහැරීම්, සහ පහළ ප්රවාහ ව්යාපාර ප්රතිඵල නිරීක්ෂණය කිරීමයි. මේවායින් ඕනෑම එකක් සීමාවක් ඉක්මවා ගියහොත්, ආකෘතිය නැවත පුහුණු කරනු ලැබේ හෝ ශූර-අභියෝගකරු වැටීමක් සමඟ තාවකාලිකව ප්රතිස්ථාපනය වේ.
මෙය බැරෑරුම් ලෙස සලකන ආයතන ඇතුළතින් එකම ආකාරයකින් පෙනේ: ප්රමාණාත්මක විශ්ලේෂකයින් කුඩා කණ්ඩායමක් ආකෘති අවදානම් සමාලෝචකයින් සමඟ යුගලනය කර ඇත, ලේඛනගත ඉන්වෙන්ටරියක්, වලංගුකරණ සිදුවීම් දින දර්ශනයක්, සහ සෑම නිෂ්පාදන ආකෘතියකම සෞඛ්යය පෙන්වන උපකරණ පුවරුවක්. යටින් ඇති ගණිතය සමහර විට සරල, සමහර විට සංකීර්ණ වේ. ඒ වටා ඇති පාලනය සැමවිටම සාකච්ඡා කළ නොහැකි ය.
