Questo documento del Well-Architected FrameworkGoogle Cloud : prospettiva dei servizi finanziari (FS) fornisce una panoramica dei principi e dei consigli per ottimizzare le prestazioni dei workload FS in Google Cloud. I consigli contenuti in questo documento sono in linea con il pilastro dell'ottimizzazione delle prestazioni del Well-Architected Framework.
L'ottimizzazione del rendimento ha una lunga storia nei servizi finanziari. Ha aiutato le organizzazioni di servizi finanziari a superare le sfide tecniche ed è quasi sempre stato un fattore abilitante o un acceleratore per la creazione di nuovi modelli di business. Ad esempio, gli sportelli automatici (introdotti nel 1967) hanno automatizzato il processo di erogazione del contante e hanno aiutato le banche a ridurre i costi della loro attività principale. Tecniche come il bypass del kernel del sistema operativo e l'assegnazione dei thread dell'applicazione ai core di computing hanno contribuito a ottenere una latenza deterministica e bassa per le applicazioni di trading. La riduzione della latenza ha facilitato una liquidità più elevata e solida con spread più ristretti nei mercati finanziari.
Il cloud crea nuove opportunità per l'ottimizzazione delle prestazioni. Inoltre, mette in discussione alcuni dei pattern di ottimizzazione storicamente accettati. In particolare, i seguenti compromessi sono più trasparenti e controllabili nel cloud:
- Time to market rispetto ai costi.
- Prestazioni end-to-end a livello di sistema rispetto alle prestazioni a livello di nodo.
- Disponibilità di talenti rispetto all'agilità del processo decisionale relativo alla tecnologia.
Ad esempio, l'adattamento dell'hardware e delle risorse IT a requisiti di competenze specifici è un'attività banale nel cloud. Per supportare la programmazione delle GPU, puoi creare VM basate su GPU. Puoi scalare la capacità nel cloud per soddisfare i picchi di domanda senza eseguire l'overprovisioning delle risorse. Questa funzionalità contribuisce a garantire che i tuoi workload possano gestire i picchi di carico, ad esempio nei giorni di pubblicazione dei dati sulle buste paga non agricole e quando i volumi di trading sono significativamente superiori ai livelli storici. Anziché spendere per scrivere codice altamente ottimizzato a livello di singoli server (come codice altamente ottimizzato nel linguaggio C) o scrivere codice per ambienti di computing ad alte prestazioni (HPC) convenzionali, puoi fare lo scale out in modo ottimale utilizzando un sistema distribuito basato su Kubernetes ben progettato.
I suggerimenti per l'ottimizzazione delle prestazioni contenuti in questo documento sono mappati ai seguenti principi fondamentali:
- Allinea le metriche sul rendimento della tecnologia con gli indicatori chiave dell'attività
- Dai priorità alla sicurezza senza sacrificare le prestazioni per rischi non comprovati
- Ripensa la tua architettura per adattarla a nuove opportunità e requisiti
- Prepara la tua tecnologia per il futuro per soddisfare le esigenze aziendali attuali e future
Allinea le metriche sul rendimento della tecnologia con gli indicatori aziendali chiave
Puoi mappare l'ottimizzazione delle prestazioni ai risultati di valore aziendale in diversi modi. Ad esempio, in un desk di ricerca buy-side, uno scopo commerciale potrebbe essere quello di ottimizzare l'output per ora di ricerca o di dare la priorità agli esperimenti dei team con un track record comprovato, ad esempio con indici di Sharpe più elevati. Sul lato vendite, puoi utilizzare l'analisi per monitorare l'interesse dei clienti e, di conseguenza, dare priorità al throughput dei modelli di AI che supportano la ricerca più interessante.
Il collegamento degli obiettivi di rendimento agli indicatori chiave di prestazione (KPI) aziendali è importante anche per finanziare i miglioramenti del rendimento. Le iniziative di innovazione e trasformazione aziendale (a volte chiamate iniziative di cambiamento della banca) hanno budget diversi e potenzialmente diversi livelli di accesso alle risorse rispetto alle operazioni di business-as-usual (BAU) o di gestione della banca. Ad esempio, Google Cloud ha aiutato i team di gestione del rischio e di tecnologia di un G-SIFI a collaborare con gli analisti quantitativi del front-office su una soluzione per eseguire calcoli di analisi dei rischi (come XVA) in pochi minuti anziché in ore o giorni. Questa soluzione ha aiutato l'organizzazione a soddisfare i requisiti di conformità pertinenti. Inoltre, ha consentito ai trader di avere conversazioni di qualità superiore con i propri clienti, offrendo potenzialmente spread più ristretti, liquidità più solida e coperture più convenienti.
Quando allinei le metriche sul rendimento con gli indicatori aziendali, tieni conto dei seguenti consigli:
- Collega ogni iniziativa tecnologica agli obiettivi e risultati chiave (OKR) aziendali pertinenti, come l'aumento delle entrate o dei profitti, la riduzione dei costi e la mitigazione dei rischi in modo più efficiente o olistico.
- Concentrati sull'ottimizzazione delle prestazioni a livello di sistema. Andare oltre la separazione convenzionale tra "change-the-bank" e "run-the-bank" e i silos di front-office e back-office.
Dai priorità alla sicurezza senza sacrificare le prestazioni per rischi non comprovati
La sicurezza e la conformità legale nelle organizzazioni di servizi finanziari devono essere inequivocabilmente di alto livello. Mantenere uno standard elevato è essenziale per evitare di perdere clienti e per prevenire danni irreparabili al brand di un'organizzazione. Spesso, il valore più elevato deriva da innovazioni tecnologiche come l'AI generativa e servizi gestiti unici come Spanner. Non scartare automaticamente queste opzioni tecnologiche a causa di un'idea sbagliata generale sul rischio operativo proibitivo o su una postura di conformità legale inadeguata.
Google Cloud ha collaborato a stretto contatto con i G-SIFI per garantire che un approccio basato sull'AI per l'antiriciclaggio (AML) possa essere utilizzato nelle giurisdizioni in cui gli istituti servono i clienti. Ad esempio, HSBC ha migliorato in modo significativo le prestazioni della sua unità per i reati finanziari (Fincrime) con i seguenti risultati:
- Attività sospette confermate quasi 2-4 volte in più.
- Costi operativi inferiori grazie all'eliminazione di oltre il 60% dei falsi positivi e al tempo di indagine concentrato solo su avvisi strategici ad alto rischio.
- Output verificabili e spiegabili per supportare la conformità legale.
Prendi in considerazione i seguenti consigli:
- Verifica che i prodotti che intendi utilizzare possano contribuire a soddisfare i requisiti di sicurezza, resilienza e conformità per le giurisdizioni in cui operi. Per raggiungere questo obiettivo, collabora con i team dedicati agli account, i team di gestione del rischio e i team di prodotto di Google Cloud.
- Crea modelli più efficaci e offri trasparenza ai clienti sfruttando l'AI Explainability.
Ottieni trasparenza per i workload di AI generativa utilizzando tecniche come citazioni delle fonti, grounding e RAG.
Quando la spiegabilità non è sufficiente, separa i passaggi decisionali nei tuoi flussi di valore e utilizza l'AI per automatizzare solo i passaggi non decisionali. In alcuni casi, l'AI spiegabile potrebbe non essere sufficiente o un processo potrebbe richiedere l'intervento umano a causa di problemi normativi (ad esempio, l'articolo 22 del GDPR). In questi casi, presenta tutte le informazioni necessarie all'agente umano per prendere decisioni in un unico riquadro di controllo, ma automatizza le attività di raccolta, importazione, manipolazione e riepilogo dei dati.
Ripensa la tua architettura per adattarla a nuove opportunità e requisiti
Il miglioramento delle architetture attuali con funzionalità basate su cloud può fornire un valore significativo. Per ottenere risultati più trasformativi, devi ripensare periodicamente alla tua architettura utilizzando un approccio cloud-first.
Prendi in considerazione i seguenti consigli per ripensare periodicamente l'architettura dei tuoi workload e ottimizzare ulteriormente le prestazioni.
Utilizza alternative basate su cloud ai sistemi e agli scheduler HPC on-premise
Per sfruttare una maggiore elasticità, una migliore security posture e funzionalità complete di monitoraggio e governance, puoi eseguire i workload HPC nel cloud o fare il burst dei workload on-premise nel cloud. Tuttavia, per determinati casi d'uso di modellazione numerica, come la simulazione di strategie di investimento o la modellazione XVA, la combinazione di Kubernetes con Kueue potrebbe offrire una soluzione più efficace.
Passa alla programmazione basata su grafi per le simulazioni
Le simulazioni Monte Carlo potrebbero essere molto più efficienti in un sistema di esecuzione basato su grafi come Dataflow. Ad esempio, HSBC utilizza Dataflow per eseguire i calcoli dei rischi 16 volte più velocemente rispetto al suo approccio precedente.
Esegui piattaforme di trading e scambi basati su cloud
Le conversazioni con i clienti di Google Cloud rivelano che il principio di Pareto 80/20 si applica ai requisiti di prestazioni dei mercati e delle applicazioni di trading.
- Oltre l'80% delle applicazioni di trading non richiede una latenza estremamente bassa. Tuttavia, ottengono vantaggi significativi dalle funzionalità di resilienza, sicurezza ed elasticità del cloud. Ad esempio, BidFX, una piattaforma di cambio multivaluta, utilizza il cloud per lanciare rapidamente nuovi prodotti e aumentare in modo significativo la disponibilità e l'impatto senza aumentare le risorse.
- Le applicazioni rimanenti (meno del 20%) richiedono bassa latenza (meno di un millisecondo), determinismo ed equità nella distribuzione dei messaggi. In genere, questi sistemi vengono eseguiti in strutture in colocation rigide e costose. Sempre più spesso, anche questa categoria di applicazioni viene trasferita sul cloud, sia all'edge sia come applicazioni cloud-first.
Rendi la tua tecnologia a prova di futuro per soddisfare le esigenze aziendali attuali e future
In passato, molte organizzazioni di servizi finanziari hanno sviluppato tecnologie proprietarie per ottenere un vantaggio competitivo. Ad esempio, nei primi anni 2000, le banche di investimento e le società di trading di successo avevano le proprie implementazioni di tecnologie di base come i sistemi pub-sub e i broker di messaggi. Con l'evoluzione delle tecnologie open source e del cloud, queste tecnologie sono diventate prodotti di consumo e non offrono un valore aziendale incrementale.
Prendi in considerazione i seguenti consigli per preparare la tua tecnologia al futuro.
Adotta un approccio Data as a Service (DaaS) per un time-to-market più rapido e una maggiore trasparenza dei costi
Le organizzazioni di servizi finanziari spesso si evolvono attraverso una combinazione di crescita organica e fusioni e acquisizioni (M&A). Di conseguenza, le organizzazioni devono integrare tecnologie diverse. Devono inoltre gestire le risorse duplicate, come fornitori di dati, licenze di dati e punti di integrazione. Google Cloud offre opportunità per creare un valore differenziato nelle integrazioni post-fusione.
Ad esempio, puoi utilizzare servizi come la condivisione di BigQuery per creare una piattaforma DaaS (Data-as-a-Service) pronta per l'analisi. La piattaforma può fornire sia dati di mercato sia input da fonti alternative. Questo approccio elimina la necessità di creare pipeline di dati ridondanti e ti consente di concentrarti su iniziative più importanti. Inoltre, le aziende fuse o acquisite possono razionalizzare in modo rapido ed efficiente le loro esigenze di licenze dei dati e di infrastruttura post-fusione. Anziché dedicare sforzi all'adattamento e alla fusione di operazioni e patrimoni di dati legacy, l'azienda combinata può concentrarsi su nuove opportunità di business.
Crea un livello di astrazione per isolare i sistemi esistenti e gestire i modelli di business emergenti
Sempre più spesso, il vantaggio competitivo per le banche non è il sistema bancario di base, ma il livello di customer experience. Tuttavia, i sistemi bancari legacy spesso utilizzano applicazioni monolitiche sviluppate in linguaggi come Cobol e integrate nell'intera catena del valore bancaria. Questa integrazione ha reso difficile separare i livelli della catena del valore, per cui era quasi impossibile eseguire l'upgrade e modernizzare questi sistemi.
Una soluzione per affrontare questa sfida consiste nell'utilizzare un livello di isolamento come un sistema di gestione delle API o un livello di gestione temporanea come Spanner che duplica il registro e facilita la modernizzazione dei servizi con analisi avanzate e AI. Ad esempio, Deutsche Bank ha utilizzato Spanner per isolare il proprio patrimonio bancario principale legacy e iniziare il suo percorso di innovazione.