Sintētisko privātpersonu finanšu darījumu ģenerēšana

Abstract

Darba mērķis ir izpētīt Open Banking datu deficītu Eiropas Savienībā. Pētījums mēģina risināt problēmu, kas ir saistīta ar privātpersonu finanšu datu iegūšanu, lai pielietotu digitālo produktu izstrādē. Vispārīga datu aizsardzības regula ierobežo klientu datu tirdzniecību kā arī regulē tos izmantošanu produktu izstrādē. Rezultātā, jaunajiem Open Banking uzņēmumiem nepietiek finanšu datus, lai uztrenētu augstas kvalitātes mākslīgo intelektu. Autors piedāvā sākt ģenerēt sintētiskus finanšu darījumus kā alternatīvu klientu datiem. Sintētiskie dati nav ierobežoti pēc skaita un nav tieši saistīti ar jebkuru reālu privātpersonu. Sintētiskie dati ir piemēroti mākslīgo intelektu izstrādei. Šis risinājums var samazināt Open Banking datu deficītu pilnībā ievērojot Vispārīgas datu aizsardzības regulas prasības. Darbā tiek izpētīts hibrīda modeļa risinājums, kurā tiek pielietotas dziļās mācīšanās un klasiskās laikrindu analīzes tehnoloģijas, lai uztrenētu ģenerēšanas modeli, kas spēj sintezēt Open Banking datus lielā mēroga.

The thesis explores early open banking adopters' challenges in the European Union. It addresses the limitations of acquiring private individual financial data for product development. The General Data Protection Regulation (GDPR) restricts the sale of customer data and imposes regulations on utilising it in product development. As a result, early open banking adopters lack relevant training data to develop high-quality AI services. The proposed solution considers synthetic financial transactions as an alternative to customer data. Synthetic data is unlimited and untraceable to real-world individuals, and it can also be used in AI model training. The solution can mitigate the open banking data deficit while complying with GDPR. The paper explores a hybrid model solution involving deep learning and classical statistical time-series techniques to build a generative engine for synthesising open banking data at scale.