Pepperstone utilizza il machine learning su AWS per offrire un'esperienza di trading fluida a livello globale

Nella scelta di un broker online, la fiducia e il servizio clienti sono criteri importanti. Spesso le piattaforme di trading con una lunga storia e più licenze normative si rivelano scelte sicure. Nei Broker Awards del 2021, DayTrading.com ha nominato Pepperstone il miglior broker Forex, in gran parte per la sua presenza a livello globale e le sue "piattaforme ultra affidabili". Pepperstone è una piattaforma di trading online di valuta estera (forex) e titoli con sede a Melbourne che vanta oltre 40.000 singoli visitatori al mese.

Sin dalla sua fondazione nel 2010, Pepperstone si affida al cloud di Amazon Web Services (AWS). "AWS offre innovazioni frequenti e soluzioni flessibili e pronte all'uso che ci aiutano a gestire la nostra attività in modo più efficiente", afferma Tony Gruebner, Chief Marketing Officer di Pepperstone. La containerizzazione e l'uso di servizi gestiti pronti all'uso come Amazon Elastic Kubernetes Service (Amazon EKS) sono stati fondamentali per la capacità di Pepperstone di far crescere rapidamente la propria base di clienti e scalare i propri servizi in modo sicuro. Solo nel 2020, Pepperstone ha registrato una crescita del 20-30%.

Con Amazon EKS, Pepperstone può standardizzare le operazioni in qualsiasi ambiente, sfruttando l'automazione per realizzare implementazioni coerenti in più regioni a mano a mano che si espande in nuovi Paesi. Nel 2020, Pepperstone ha ottenuto cinque nuove licenze normative da agenzie come la Dubai Financial Services Authority, oltre alle due licenze precedentemente acquisite in Australia e nel Regno Unito. La spinta normativa dell'azienda ha aperto a nuove regioni, tra cui Africa ed Europa.

Il machine learning (ML) e l'intelligenza artificiale (IA) sono tecnologie fondamentali nello stack tecnologico di Pepperstone. Oltre a un team IT di 70 persone distribuito in quattro Paesi, l'azienda dispone di un team di data science a Melbourne dedicato allo sviluppo di modelli di machine learning. Inizialmente, i data scientist hanno sviluppato i propri algoritmi da eseguire su AWS. Nel 2019 sono poi passati ad Amazon SageMaker con AWS Fargate per automatizzare la creazione e l'implementazione di modelli di machine learning.

Quando è passato ad Amazon SageMaker per l'addestramento dei modelli, il team di data science di Pepperstone non ha avuto problemi ad adattare lo strumento ai propri flussi di lavoro. "In genere la curva di apprendimento per i nuovi strumenti di IA o ML è piuttosto ripida, ma con Amazon SageMaker abbiamo iniziato immediatamente. Abbiamo risparmiato molto tempo sin dal primo giorno con l'hosting, l'addestramento e la distribuzione nell'ambiente AWS", afferma Samuel Ellett, lead data scientist di Pepperstone. Il tempo necessario per addestrare i modelli di ML è sceso da 180 ore sulle macchine locali a 4,3 ore su Amazon SageMaker.

Per ottenere nuove licenze regolamentari, Pepperstone ha dovuto dimostrare di avere seguito un rigoroso processo di know-your-customer (KYC) per selezionare i trader che accedono alla piattaforma. Prima dell'implementazione di Amazon SageMaker, gran parte del processo di revisione dei documenti era manuale. Il personale controllava personalmente l'autenticità dei documenti inviati, come le immagini dei passaporti. Molte volte, passavano ore a fare l'onboarding di un cliente, scoprendo solo a distanza di giorni che non era chi diceva di essere.

Oggi Pepperstone può invece riconoscere potenziali frodi il giorno stesso in cui i nuovi clienti caricano i propri documenti implementando modelli di rilevamento delle frodi in Amazon SageMaker. I data scientist hanno addestrato i modelli di ML in modo da fargli confrontare i documenti inviati con milioni di immagini archiviate in un data lake di Amazon Simple Storage Service (Amazon S3), comprese immagini autentiche e alterate di documenti di identità comuni in tutto il mondo.

Il sistema assegna quindi un punteggio a ciascun potenziale cliente con una percentuale che rivela la probabilità che la documentazione inviata abbia subito una manomissione illecita. Il team addetto all'onboarding riceve i risultati e si occupa delle richieste segnalate richiedendo ulteriori prove di identità. Ciò migliora il processo decisionale del team, il che porta a una riduzione del tempo impiegato per l'elaborazione delle verifiche manuali dei documenti di identità.

Oltre al risparmio di tempo, il livello di dettaglio e precisione offerto da Amazon SageMaker è di gran lunga superiore a quello che potrebbero ottenere gli esseri umani. "Non sarebbe stato possibile per gli esseri umani confrontare 3 milioni di documenti, e molte volte gli elementi fraudolenti sono così sottili che è molto difficile per l'occhio umano individuarli", afferma Ellett. 

L'accelerazione del processo di onboarding avvantaggia anche i nuovi clienti. La concorrenza tra le piattaforme di trading online è molto forte e i trader non sono vincolati a una particolare piattaforma. Di conseguenza, per instaurare un rapporto di fiducia con Pepperstone è fondamentale che il processo di onboarding sia fluido. "Non solo l'automazione dell'onboarding con il ML ci ha aiutato a livello operativo, ma ha anche creato un processo più fluido che migliora notevolmente l'esperienza del cliente. Il nostro obiettivo è quello di rendere il trading piacevole, e per farlo bisogna evitare inutili ritardi o barriere all'ingresso", spiega Gruebner.

Pepperstone utilizza anche modelli di ML generati in Amazon SageMaker per assistere il team di vendita nella valutazione e nella conversione dei lead. L'assegnazione di un punteggio a ciascun cliente durante l'onboarding sulla piattaforma consente al team di vendita di indirizzare gli sforzi del servizio clienti. Il punteggio viene aggiornato in tempo reale a mano a mano che i dati dei clienti si accumulano durante la navigazione sul sito di Pepperstone. Questo aiuta il team di vendita a gestire meglio i carichi di lavoro e a fornire un livello di servizio su misura che consente all'azienda di distinguersi nel mercato dei broker online. "Amazon SageMaker è uno strumento fantastico per garantire che l'intera pipeline di data science sia il più possibile integrata e automatizzata, inviando i dati quando e dove servono", aggiunge Gruebner.

Grazie alle funzionalità pronte all'uso acquisite con Amazon SageMaker, il team di data science di Pepperstone non è più dipendente dagli ingegneri DevOps, che sono sempre molto impegnati. I data engineer si affidano ancora al team DevOps per configurare un ambiente di sperimentazione in Amazon SageMaker, ma una volta fatto, possono eseguire i proof-of-concept in modo autonomo. "Abbiamo sbloccato in modo efficace un conflitto di competenze tra i team di dati e DevOps. Amazon SageMaker ci ha permesso di creare rapidamente qualcosa, testare la nostra ipotesi e chiuderla subito dopo in modo che non costi troppo. Di conseguenza, stiamo conducendo un maggior numero di esperimenti", conclude Ellett.

 Per ulteriori informazioni, visita aws.amazon.com/machine-learning e aws.amazon.com/startups.