分散型データと人工知能の相乗効果による中小企業向け貿易金融

著者：Marjan Alirezaie、William Hoffman、Paria Zabihi、Hossein Rahnama、Alex Pentland; 出典：JRFM; Compiled by Shiyu Liu

2024年1月、JRFMは「透明で効率的な分散型データと人工知能のオーケストレーション」を発表した。中小企業の資金調達における人工知能の役割を検証している。中小企業は、データソースのばらつき、矛盾する契約、居住要件、貿易金融のサプライチェーンにおける複数の人工知能（AI）モデルの必要性などにより、事業効率と予測可能性を向上させるためにAI能力を活用する上で、限られたリソースに阻まれている。本稿では、透明性と解釈可能性を優先し、資金提供者（銀行など）に価値ある洞察を提供することで、中小企業の財務的信頼性を評価するという課題を克服するための分散型AIオーケストレーション・フレームワークを紹介する。シンボリック推論、言語モデル、データ駆動型予測ツールを含むオーケストレーション技術を活用することで、このフレームワークは、資金提供者がキャッシュフロー予測、融資率最適化、エコシステム・リスク評価について、より多くの情報に基づいた意思決定を行うことを可能にし、最終的には、中小企業の出荷前貿易金融へのより良いアクセスを促進し、サプライチェーン業務全体を強化します。この研究の中核部分は、中国人民大学金融技術研究所（WeChat ID: ruc_fintech）によってまとめられました。

はじめに

世界経済の生命線である中小企業（SME）は、世界の全雇用の3分の2を提供している。世界経済の生命線である中小企業は、その重要性にもかかわらず、世界の全雇用の3分の2を提供し、世界GDPの50％以上に貢献している。このような制約は、中小企業の成長、拡大、競争力に深刻な影響を与えかねません。サプライチェーンの中小企業は、信用リスクの評価が難しいため、さらに流動性に関する様々な課題に直面している。中小企業の財務履歴は限定的であることが多く、ビジネス指標も乏しかったり、洗練されていなかったりするため、金融サービス・プロバイダーが中小企業の信用力を評価し、適切な貿易金融条件を提示することは困難です。このような要因により、中小企業は長期にわたって貿易金融を見過ごされる可能性があり、金融申請の約50%が却下されています。中小企業は出荷後の金融に頼らざるを得ないことが多く、運転資金ニーズを満たす過程で非効率と遅延をさらに助長しています。

本稿は、中小企業の運転資金ニーズを満たすプロセスの非効率性と遅延をさらに助長する、人工知能（AI）とデータ技術（特に代替データソースと共同AIモデル）の新たな応用を推進する、複数年にわたる連邦政府出資の政府パイロットプロジェクトの初期調査結果を基に作成されています。-- このプロジェクトは、中小企業の貿易信用リスク評価の有効性を向上させるために、人工知能（AI）とデータ技術、特に代替データソースと共同AIモデルの適用を促進するものです。このプロジェクトは、サプライチェーンの回復力を革新的に強化するために人工知能（AI）を利用することに焦点を当てている。

      - AI活用の精度を向上させるための、AIを活用した機能（機械学習、機械推論、ナレッジグラフを含む）の相乗的スイート、

      - 事前に承認され、法令に準拠し、潜在的なプライバシーとデータリスクの範囲に対処するように設計されたデータセットの分散型、業界横断ネットワーク。align: left;">      - 最前線の実務者や関連する利害関係者に意思決定支援機能を拡張する手段として、大規模言語モデリング（LLM）に依存したテキストベースの自然言語インターフェースを提供します。

総体として、これらのAIベースの技術革新は、サプライチェーンの回復力を強化するために、中小企業の長期的な流動性の課題に対処するように設計されています。本稿では、（出荷前貿易金融へのアクセス改善を通じて）中小企業への運転資金フローを増加させることに加え、結果として生じるビジネスが持続可能で包括的かつ信頼できるものであることを保証するために、信頼できるAIガバナンス原則と責任ある官民データ連携をどのように実施するかについて、新たな洞察を提供する。

官民データ連携の文献で広く指摘されているように、企業のデータ資産は公益のための再利用において広く過小評価されている。本稿では、グローバルサプライチェーンにおける中小企業サプライヤーのサプライチェーンの強靭性と経済成長を強化するために、企業データ資産とコラボレーティブAI能力をどのように責任を持って合法的に統合し、利用できるかについて、より包括的かつ応用的な理解を提供する。

従来の線形サプライチェーンモデルを図1に示す。買い手、中小企業（SME）サプライヤー、ロジスティクス・プロバイダーで構成されている。プロセスは、買い手が中小企業の売り手が提供する製品やサービスに興味を示すことから始まる。ロジスティクス・プロバイダーは、商品を配送し、ロジスティクスを管理し、買い手と中小企業の売り手との間のコミュニケーションを促進するという重要な役割を果たす。このモデルでは、中小企業がメーカーから購入した商品は、顧客の注文を満たすために必要な商品を生産するための必要資金となる。つまり、中小企業が請求書に記載された商品を納品するのに十分な運転資金を持っていない場合、商品を供給できず、サプライチェーンの混乱につながる可能性があります。

これらの課題に対処するために、著者らは、非線形の貿易金融を提案している。著者らは、図2に示すような非線形貿易金融モデルを提案している。このモデルでは、物流プロバイダーと金融プロバイダーが共同で市場に参入し、物流プロバイダーが中小企業のサプライヤーにホワイトラベル付きの出荷前貿易金融を提供する再販契約を結ぶ。このモデルは、中小企業が出荷前運転資金の課題を克服するのを支援し、中小企業と物流業者の関係を強化し、金融サービス業者にとって市場拡大の機会を創出するよう設計されている。

図2に示すように、提案された非線形貿易金融モデルは、サプライチェーン内の中小企業、物流業者、金融サービス業者の既存の関係に大きな影響を与える。このモデルは、中小企業の出荷前運転資金の課題に対処し、中小企業と物流業者との関係を強化し、金融サービス業者にとって市場拡大の機会を創出することを目的としている。中小企業事業者にホワイトラベル付きの出荷前貿易金融を提供することで、物流事業者は中小企業の金融ニーズを促進する重要なプレーヤーとなる。これは、中小企業と物流業者の関係を強化するだけでなく、物流業者が中小企業に金融支援を提供する役割を果たすことで、両者の協力関係に新たな側面を生み出す。さらに、このモデルは金融サービス・プロバイダーに市場拡大の機会をもたらし、中小企業の流動性問題に対処するための独自のソリューションを提供することを可能にする。中小企業の信用プロファイルに対する理解が深まることで、銀行はより魅力的な金利で融資を提供できるようになり、最終的にこれらの企業の資本コストを引き下げることができる。

提案されているアプローチの技術的な詳細を掘り下げる前に。著者らは、同じような問題に対処する既存の解決策や文献の展開を簡単にレビューしている。

人工知能主導のサプライチェーン・ソリューション：材料と方法

図3は、中小企業（SMEs）向けの出荷前ソリューションの例を示しています。企業（中小企業）向け出荷前貿易金融コーディネーターの提案アーキテクチャ一覧。アプリケーション・レベルでは、アーキテクチャは2つの主要部分、すなわちインターフェース層（白い部分）とAI層（緑、青、赤で示したサブ層で構成）で構成されています。さらに、このシステムには、資金提供者、バイヤー、中小企業のサプライヤーなど、さまざまなアクターが関与しており、これらすべてがシステムと相互作用する。このセクションでは、提案されたコラボレーションAIモデルの詳細な説明を行い、関係する材料と方法について説明する。strong>

モデルのアーキテクチャは、ロジスティクス、銀行、サプライといった異なるビジネス領域からの取引データを統合しています。ロジスティクス・プロバイダーから提供されるデータには、出荷の詳細、請求書、顧客プロファイル、支払遅延や取引額などの金融行動を反映するメタデータが含まれます。この静的データ（顧客情報、場所）と動的データ（タイムスタンプ付き請求書ソリューション）のミックスにより、顧客とのやり取りを包括的に見ることができる。金融機関（銀行など）は、取引履歴、アクセス・タイムスタンプ、ローン履歴、銀行ポリシーへの準拠などのデータで深みを加えます。

提案されたモデルを実装するために、著者らは、ドメイン固有のデータを分析・解釈するために特別に設計されたAIアルゴリズムの協調的なスイートへの認可されたアクセスを提供する分散されたクロスドメインのデータソースの使用を提唱していることは注目に値する。図に示すように、APIベースのデータ転送アーキテクチャは、組織や境界を越えて（事前に定義されたクエリを介して）洞察の転送を可能にするが、生のデータは組織や地理的な境界を越えて移動しない。これにより、すべてのデータを集中管理する必要性を排除し、データ転送インスタンスの数を減らし、セキュリティとプライバシーの懸念を軽減する可能性のある分散型アプローチが保証される。セクション4では、データの分散化について、その分散化された性質、改善されたセキュリティ、スケーラビリティ、効率性について詳しく説明します。

2.2方法論

図3に示されているように、協調AIソリューションを開発するための方法論は、ニューラルシンボリックアプローチ（Hitzler et al.これは、データ駆動型の機械学習技術（赤のレイヤーで表される）と知識駆動型のモデル（青と緑のレイヤーで表される）の融合で構成される。）元のデータに最も近い右側から始まり、赤のレイヤーは継続的な学習プロセスを含み、様々なソースから継続的にデータを受け取り、モデルのパラメータを更新して、その関連性と精度を確保する。対照的に、青のレイヤーは、これまでで最も高い学習精度を持つ最もパフォーマンスの高いモデルを選択し、資金提供者や物流業者など、さまざまな関係者からの追加的なドメイン知識と統合します。

学習モデルと推論モデルを融合させたニューラル・シンボリック・アーキテクチャの提案では、プロセスは、データを理解し解釈するために異なるAIモデルを訓練する学習段階から始まる。モデルが訓練されると、推論フェーズが適用される。この推論段階は、生成され予測された回答の妥当性と一貫性を検証するため、非常に重要である。データからの学習と論理的な推論の適用という2つの側面を組み合わせることで、システムは回答が学習されたパターンに基づくだけでなく、論理的なフレームワークに従っていることを保証し、より正確で信頼性の高い結果を導きます。

本稿で提案する協調AIフレームワークは、多様なデータセットで訓練された異なるタイプのAIモデルを組み込んでいる。分散したデータソースで訓練された結果とモデルを調整するために、著者らはこれらの多様なモデルの出力が入力された知識グラフを採用し、プロセス全体を推論しやすくしている。この協調的AIアプローチは、様々なデータソースからの洞察を必要とする問題を解決する上で重要な役割を果たす。ビジネス実務者が業界横断的なデータと確実に対話できるようにすることで、本稿では、現在パイロットテスト中の新たなフレームワークを紹介する。これらのフレームワークは、サプライチェーンのエコシステムにおける中小企業（SME）の回復力と成長の可能性を高める。さらに、金融サービス・プロバイダーに付加価値を提供する革新的な方法を明らかにする。AIを活用することで、これらのプロバイダーは、さまざまな中小企業、物流プロバイダー、エコシステムのリスク間のキャッシュフロー・ダイナミクスをより深く理解することができ、最終的には市場がより効率的な貿易金融ソリューションを提供できるようになります。

要約すると、本稿では、サプライチェーンのユーザーやアクターの多様なニーズを満たすために、細かく調整された大規模言語モデルと新しい参照アーキテクチャを使用して、ユーザーフレンドリーなインターフェース層を統合したユニークなシステムを紹介する。このインターフェースは、クエリーを正式なスクリプトに変換することでAIレイヤーとのインタラクションを容易にし、その後、機械学習技術と知識駆動モデルを組み合わせて処理する。この革新的なアプローチは、データ処理とモデルのパフォーマンスを向上させるだけでなく、中小企業の課題に対する既存の理解に基づいている。金融革新やサプライ・チェーン・ファイナンス（SCF）ソリューションに焦点を当てた先行研究とは異なり、一般的に一般的な適用性に欠け、複雑な技術インフラを必要とする。対照的に、私たちのシステムは、ビジネスの実務家が複雑な課題に対処し、グローバル・サプライチェーンの回復力を強化するための情報に基づいた意思決定を行うために、高度な計算モデルを使用することを可能にします。私たちのモデルは、AIと分散型データの相乗効果を強調し、AIオーケストレーションとデータ分散を独自に融合させています。これは、中小企業の効率性と金融アクセスを改善するだけでなく、貿易金融におけるAIと技術革新の新たな道筋を示すものであり、この分野における先行研究との類似点と重要な相違点を浮き彫りにしている。

AIモデルの最終的な反応を検証するために、特にデータセットの多様性と異なる経済状況を考慮し、著者らは検証プロセスにおける人間の専門家の関与を強調している。このアプローチは、AIが生成した回答の正確性と信頼性を評価する上で、人間の判断と専門知識が重要であることを認識している。AIモデルは価値ある洞察と分析を提供するが、最終的な意思決定は人間の専門家の手に委ねられ、専門家はAIの知見をより広範でニュアンスのある方法で解釈し、配置することができる。これにより、複雑で変化する環境において、バランスの取れた効果的なAIの使用が保証される。

次のステップでは、著者らは、手作業で生成されたデータに依存する現在の実証レベルの実装を超えて、提示されたモデルを進化させることを目指している。

リアルタイムのビジネス環境で実世界のデータを利用することで、モデルの商業的、法的、運用的、倫理的側面を検証し、実用的な実現可能性と妥当性を確保することが目標です。

提案するアプローチの利点は多岐にわたりますが、序章で述べたように、それは以下の通りです：

運転資本へのアクセスは、組織の成長と成功、特に多国籍物流企業にとって重要です。特に多国籍物流企業にとって。ロジスティクス・プロバイダーは、資金調達プロバイダーのデータへのアクセスを許可することで、取引先の中小企業の信用力に関する知識を高めるだけでなく、銀行が流動性問題に対してオーダーメイドのソリューションを提供できるようになります。ダイレクト・エンゲージメント・アプローチは、パーソナライズされた効果的なコミュニケーションを保証し、物流業者に必要なサポートと金融ソリューションを提供した。高度なAI分析を使って請求書、支払条件、売掛金、買掛金、その他の財務面を洞察することで、銀行は物流業者の業務、キャッシュフロー、ビジネスサイクルをよりよく理解することができる。この理解の向上により、銀行はより魅力的な金利で融資を提供することができ、それによってこれらの企業の資本コストを削減することができる。