Dokumen dalam Google Cloud Framework yang Dirancang dengan Baik: Perspektif FSI ini memberikan ringkasan prinsip dan rekomendasi untuk mengoptimalkan performa workload industri jasa keuangan (FSI) Anda di Google Cloud. Rekomendasi dalam dokumen ini selaras dengan pilar pengoptimalan performa dari Framework yang Dirancang dengan Baik.
Pengoptimalan performa telah lama dilakukan dalam layanan keuangan. Teknologi ini telah membantu organisasi FSI mengatasi tantangan teknis dan hampir selalu menjadi pendorong atau akselerator untuk pembuatan model bisnis baru. Misalnya, ATM (diperkenalkan pada tahun 1967) mengotomatiskan proses pengeluaran uang tunai dan membantu bank mengurangi biaya bisnis inti mereka. Teknik seperti melewati kernel OS dan menyematkan thread aplikasi ke core komputasi membantu mencapai latensi rendah dan deterministik untuk aplikasi perdagangan. Pengurangan latensi memfasilitasi likuiditas yang lebih tinggi dan lebih kuat dengan selisih yang lebih ketat di pasar keuangan.
Cloud menciptakan peluang baru untuk pengoptimalan performa. Hal ini juga menantang beberapa pola pengoptimalan yang diterima secara historis. Secara khusus, pertimbangan berikut lebih transparan dan dapat dikontrol di cloud:
- Waktu penyiapan produk versus biaya.
- Performa menyeluruh di tingkat sistem versus performa di tingkat node.
- Ketersediaan talenta versus fleksibilitas pengambilan keputusan terkait teknologi.
Misalnya, menyesuaikan hardware dan sumber daya IT dengan persyaratan keterampilan tertentu adalah tugas yang mudah di cloud. Untuk mendukung pemrograman GPU, Anda dapat dengan mudah membuat VM berbasis GPU. Anda dapat menskalakan kapasitas di cloud untuk mengakomodasi lonjakan permintaan tanpa menyediakan resource secara berlebihan. Kemampuan ini membantu memastikan bahwa workload Anda dapat menangani beban puncak, seperti pada hari nonfarm payroll dan saat volume perdagangan jauh lebih besar daripada tingkat historis. Daripada menghabiskan waktu untuk menulis kode yang sangat dioptimalkan di tingkat server individual (seperti kode yang sangat disesuaikan dalam bahasa C) atau menulis kode untuk lingkungan komputasi berperforma tinggi (HPC) konvensional, Anda dapat melakukan penskalaan secara optimal dengan menggunakan sistem terdistribusi berbasis Kubernetes yang memiliki arsitektur yang baik.
Rekomendasi pengoptimalan performa dalam dokumen ini dipetakan ke prinsip inti berikut:
- Menyelaraskan metrik performa teknologi dengan indikator bisnis utama
- Memprioritaskan keamanan tanpa mengorbankan performa untuk risiko yang belum terbukti
- Memikirkan ulang arsitektur Anda untuk beradaptasi dengan peluang dan persyaratan baru
- Menyiapkan teknologi Anda untuk masa depan guna memenuhi kebutuhan bisnis saat ini dan di masa mendatang
Menyelaraskan metrik performa teknologi dengan indikator bisnis utama
Anda dapat memetakan pengoptimalan performa ke hasil nilai bisnis dengan beberapa cara. Misalnya, di meja riset sisi pembelian (buy-side), tujuan bisnis dapat berupa mengoptimalkan output per jam riset atau memprioritaskan eksperimen dari tim yang memiliki rekam jejak yang terbukti, seperti rasio Sharpe yang lebih tinggi. Di sisi penjualan, Anda dapat menggunakan analisis untuk melacak minat klien dan memprioritaskan throughput ke model AI yang mendukung riset yang paling menarik.
Menghubungkan sasaran performa dengan indikator performa utama (KPI) bisnis juga penting untuk mendanai peningkatan performa. Inisiatif inovasi dan transformasi bisnis (terkadang disebut upaya change-the-bank) memiliki anggaran yang berbeda dan berpotensi memiliki tingkat akses yang berbeda ke sumber daya jika dibandingkan dengan operasi business-as-usual (BAU) atau run-the-bank. Misalnya, Google Cloud membantu tim teknologi dan manajemen risiko dari G-SIFI untuk berkolaborasi dengan analis kuantitatif front office dalam solusi untuk melakukan perhitungan analisis risiko (seperti XVA) dalam hitungan menit, bukan jam atau hari. Solusi ini membantu organisasi memenuhi persyaratan kepatuhan yang relevan. Alat ini juga memungkinkan trader melakukan percakapan berkualitas lebih tinggi dengan klien mereka, yang berpotensi menawarkan selisih yang lebih ketat, likuiditas yang lebih kuat, dan lindung nilai yang lebih hemat biaya.
Saat menyelaraskan metrik performa dengan indikator bisnis, pertimbangkan rekomendasi berikut:
- Hubungkan setiap inisiatif teknologi dengan tujuan dan hasil utama (OKR) bisnis yang relevan, seperti meningkatkan pendapatan atau laba, mengurangi biaya, dan memitigasi risiko secara lebih efisien atau holistik.
- Berfokuslah untuk mengoptimalkan performa di tingkat sistem. Lihat di luar pemisahan konvensional antara mengubah bank dan mengelola bank serta silo front office versus back office.
Memprioritaskan keamanan tanpa mengorbankan performa untuk risiko yang belum terbukti
Kepatuhan terhadap peraturan dan keamanan di organisasi FSI harus memiliki standar yang tinggi dan tidak diragukan lagi. Mempertahankan standar yang tinggi sangat penting untuk menghindari kehilangan klien dan mencegah kerusakan yang tidak dapat diperbaiki pada merek organisasi. Sering kali, nilai tertinggi diperoleh melalui inovasi teknologi seperti AI generatif dan layanan terkelola yang unik seperti Spanner. Jangan otomatis mengabaikan opsi teknologi tersebut karena kesalahpahaman umum tentang risiko operasional yang sangat tinggi atau postur kepatuhan terhadap peraturan yang tidak memadai.
Google Cloud telah bekerja sama secara erat dengan G-SIFI untuk memastikan bahwa pendekatan berbasis AI untuk Anti-Pencucian Uang (AML) dapat digunakan di seluruh wilayah hukum tempat institusi tersebut melayani pelanggan. Misalnya, HSBC meningkatkan performa unit kejahatan keuangan (Fincrime) secara signifikan dengan hasil sebagai berikut:
- Hampir dua hingga empat kali lebih banyak aktivitas mencurigakan yang terkonfirmasi.
- Biaya operasional yang lebih rendah karena penghapusan lebih dari 60% positif palsu dan waktu investigasi yang hanya berfokus pada peringatan berisiko tinggi yang dapat ditindaklanjuti.
- Hasil yang dapat diaudit dan dapat dijelaskan untuk mendukung kepatuhan terhadap peraturan.
Pertimbangkan rekomendasi berikut:
- Konfirmasi bahwa produk yang ingin Anda gunakan dapat membantu memenuhi persyaratan keamanan, ketahanan, dan kepatuhan untuk wilayah hukum tempat Anda beroperasi. Untuk mencapai tujuan ini, bekerja samalah dengan Google Cloud tim akun, tim risiko, dan tim produk.
- Buat model yang lebih canggih dan berikan transparansi kepada pelanggan dengan memanfaatkan kemampuan penjelasan AI (misalnya, atribusi nilai Shapley). Teknik seperti atribusi nilai Shapley dapat mengatribusikan keputusan model ke fitur tertentu di tingkat input.
Mencapai transparansi untuk beban kerja AI generatif dengan menggunakan teknik seperti kutipan ke sumber, perujukan, dan RAG.
Jika kemampuan penjelasan tidak cukup, pisahkan langkah-langkah pengambilan keputusan dalam aliran nilai Anda dan gunakan AI untuk mengotomatiskan hanya langkah-langkah yang tidak terkait dengan pengambilan keputusan. Dalam beberapa kasus, AI yang dapat dijelaskan mungkin tidak cukup atau suatu proses mungkin memerlukan intervensi manusia karena masalah peraturan (misalnya, GDPR, Pasal 22). Dalam kasus tersebut, sajikan semua informasi yang dibutuhkan agen manusia untuk pengambilan keputusan dalam satu panel kontrol, tetapi otomatiskan tugas pengumpulan, penyerapan, manipulasi, dan peringkasan data.
Pikirkan ulang arsitektur Anda untuk beradaptasi dengan peluang dan persyaratan baru
Mengembangkan arsitektur saat ini dengan kemampuan berbasis cloud dapat memberikan nilai yang signifikan. Untuk mencapai hasil yang lebih transformatif, Anda perlu memikirkan kembali arsitektur Anda secara berkala dengan menggunakan pendekatan cloud-first.
Pertimbangkan rekomendasi berikut untuk secara berkala memikirkan ulang arsitektur workload Anda guna mengoptimalkan performa lebih lanjut.
Menggunakan alternatif berbasis cloud untuk sistem dan penjadwal HPC lokal
Untuk memanfaatkan elastisitas yang lebih tinggi, postur keamanan yang lebih baik, serta kemampuan pemantauan dan tata kelola yang ekstensif, Anda dapat menjalankan workload HPC di cloud atau memperluas workload lokal ke cloud. Namun, untuk kasus penggunaan pemodelan numerik tertentu seperti simulasi strategi investasi atau pemodelan XVA, menggabungkan Kubernetes dengan Kueue mungkin menawarkan solusi yang lebih efektif.
Beralih ke pemrograman berbasis grafik untuk simulasi
Simulasi Monte Carlo mungkin jauh lebih berperforma dalam sistem eksekusi berbasis grafik seperti Dataflow. Misalnya, HSBC menggunakan Dataflow untuk menjalankan penghitungan risiko 16 kali lebih cepat dibandingkan dengan pendekatan sebelumnya.
Menjalankan platform perdagangan dan bursa berbasis cloud
Percakapan dengan pelanggan Google Cloud mengungkapkan bahwa prinsip Pareto 80/20 berlaku untuk persyaratan performa aplikasi pasar dan perdagangan.
- Lebih dari 80% aplikasi perdagangan tidak memerlukan latensi yang sangat rendah. Namun, mereka mendapatkan manfaat signifikan dari kemampuan ketahanan, keamanan, dan elastisitas cloud. Misalnya, BidFX, platform multi-dealer valuta asing menggunakan cloud untuk meluncurkan produk baru dengan cepat dan meningkatkan ketersediaan serta jejaknya secara signifikan tanpa menambah resource.
- Aplikasi yang tersisa (kurang dari 20%) memerlukan latensi rendah (kurang dari milidetik), determinisme, dan keadilan dalam pengiriman pesan. Biasanya, sistem ini berjalan di fasilitas kolokasi yang kaku dan mahal. Semakin banyak aplikasi dalam kategori ini yang di-platform ulang di cloud, baik di edge maupun sebagai aplikasi cloud-first.
Menyiapkan teknologi Anda untuk masa mendatang guna memenuhi kebutuhan bisnis saat ini dan di masa mendatang
Secara historis, banyak organisasi FSI membangun teknologi eksklusif untuk mendapatkan keunggulan kompetitif. Misalnya, pada awal tahun 2000-an, bank investasi dan perusahaan perdagangan yang sukses memiliki penerapan teknologi dasar mereka sendiri seperti sistem pub-sub dan message broker. Dengan evolusi teknologi open source dan cloud, teknologi tersebut telah menjadi komoditas dan tidak menawarkan nilai bisnis inkremental.
Pertimbangkan rekomendasi berikut untuk memastikan teknologi Anda siap menghadapi masa depan.
Menerapkan pendekatan data-as-a-service (DaaS) untuk mempercepat waktu peluncuran ke pasar dan transparansi biaya
Organisasi FSI sering kali berkembang melalui kombinasi pertumbuhan organik dan merger dan akuisisi (M&A). Akibatnya, organisasi perlu mengintegrasikan teknologi yang berbeda-beda. Mereka juga perlu mengelola resource duplikat, seperti vendor data, lisensi data, dan titik integrasi. Google Cloud memberikan peluang untuk menciptakan nilai yang berbeda dalam integrasi pasca-merger.
Misalnya, Anda dapat menggunakan layanan seperti berbagi BigQuery untuk membangun platform data-as-a-service (DaaS) yang siap analisis. Platform ini dapat memberikan data pasar dan input dari sumber alternatif. Pendekatan ini menghilangkan kebutuhan untuk membangun pipeline data yang berlebihan dan memungkinkan Anda berfokus pada inisiatif yang lebih berharga. Selain itu, perusahaan yang digabungkan atau diakuisisi dapat dengan cepat dan efisien merasionalisasi kebutuhan infrastruktur dan pemberian lisensi data pasca-penggabungan mereka. Daripada menghabiskan upaya untuk mengadaptasi dan menggabungkan operasi dan aset data lama, bisnis gabungan dapat berfokus pada peluang bisnis baru.
Bangun lapisan abstraksi untuk mengisolasi sistem yang ada dan menangani model bisnis yang muncul
Keunggulan kompetitif bank semakin bukan pada sistem perbankan inti, tetapi pada lapisan pengalaman pelanggan mereka. Namun, sistem perbankan lama sering kali menggunakan aplikasi monolitik yang dikembangkan dalam bahasa seperti Cobol dan diintegrasikan di seluruh rantai nilai perbankan. Integrasi ini membuat pemisahan lapisan rantai nilai menjadi sulit, sehingga hampir tidak mungkin untuk mengupgrade dan memodernisasi sistem tersebut.
Salah satu solusi untuk mengatasi tantangan ini adalah dengan menggunakan lapisan isolasi seperti sistem pengelolaan API atau lapisan penyiapan seperti Spanner yang menduplikasi buku catatan dan memfasilitasi modernisasi layanan dengan analisis dan AI tingkat lanjut. Misalnya, Deutsche Bank menggunakan Spanner untuk mengisolasi sistem perbankan inti lama mereka dan memulai perjalanan inovasi mereka.