التكنولوجيا المالية والذكاء الاصطناعي يقودان الموجة القادمة من الابتكار

آنا شوف – حاصلة على درجة الماجستير في علوم الكلام ومعالجة اللغة الطبيعية، وتتمتع بخبرة في التعلم العميق، وعلوم البيانات، وتعلم الآلة. تشمل اهتماماتها البحثية فك رموز اللغات القديمة باستخدام الشبكات العصبية، والترجمة الآلية ذات الموارد المنخفضة، وتحديد اللغة. لديها خبرة واسعة في اللغويات الحاسوبية، والذكاء الاصطناعي، وبحوث معالجة اللغة الطبيعية عبر الأوساط الأكاديمية والصناعة.

بهوشان جوشي – قائد الكفاءة في مجال نظم المعلومات للمصارف، والأسواق المالية، وإدارة الثروات، مع خبرة واسعة في البنوك الرقمية، والأسواق الرأسمالية، والتحول السحابي. قاد استراتيجيات الأعمال، والاستشارات، وتنفيذات تكنولوجيا التمويل على نطاق واسع للبنوك العالمية، مع التركيز على الخدمات المصغرة، وتحسين العمليات، وأنظمة التداول.

كينيث شوف – خبير تقني متميز في مجموعة أوبن جروب في تطبيقات IBM للذكاء الاصطناعي، بخبرة تزيد عن 20 عامًا في البنوك، والأسواق المالية، والتكنولوجيا المالية. يتخصص في حلول IBM Sterling، والمبيعات التقنية، وتقديم المشورة للمديرين التنفيذيين حول التحولات المدفوعة بالذكاء الاصطناعي في سلاسل التوريد والخدمات المالية.

راجا باسو – قائد إدارة المنتجات والابتكار، مع خبرة في الذكاء الاصطناعي، والأتمتة، والاستدامة في الأسواق المالية. بخلفية قوية في تحول تكنولوجيا البنوك، قاد مشاريع استشارية وتنفيذية عالمية في الولايات المتحدة، وكندا، وأوروبا، وآسيا. حاليًا باحث دكتوراه في XLRI، يركز على تأثير الذكاء الاصطناعي على الأنظمة المالية والاستدامة.

اكتشف أخبار وفعاليات التكنولوجيا المالية الرائدة!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في JP Morgan، Coinbase، Blackrock، Klarna وغيرهم

تتطور تكنولوجيا الذكاء الاصطناعي في مجال التكنولوجيا المالية مع إمكانات هائلة، لكن النمو قد يكون أبطأ من تطبيقاته الأخرى بسبب تعقيد المشكلة.

يمكن للذكاء الاصطناعي اكتشاف الأنماط والشماتة التي غالبًا ما يغفل عنها البشر بفضل قدرته على استهلاك كميات هائلة من البيانات بصيغها المنظمة وغير المنظمة.

ومع ذلك، يُعتبر الدماغ البشري الذي يمتلك أكثر من 600 تريليون وصلة مشابك عصبية، أَكثر الأجسام تعقيدًا على الإطلاق – على كوكب الأرض، والنظام الشمسي، وما وراءهما. يمكن للذكاء الاصطناعي تعزيز التحليل البشري من خلال قدرته على معالجة العديد من التفاصيل بكميات كبيرة، لكنه لا يستطيع التفكير.

في دروس الذكاء الاصطناعي في ييل منذ سنوات، عرّفوا الذكاء الاصطناعي بأنه “دراسة العمليات الإدراكية باستخدام نماذج حسابية”. لا تزال هذه التعريف سارية. غالبًا ما تكون النماذج الحسابية الناتجة مفيدة بحد ذاتها، وتطورت قدراتها من الأنظمة الخبيرة والشبكات العصبية الاصطناعية الصغيرة إلى تقنيات التعلم العميق المستخدمة لبناء نماذج اللغة الكبيرة (LLMs) والنماذج الأساسية المستخدمة في الذكاء الاصطناعي التوليدي.

لقد جعلت التقدمات في الأجهزة الحاسوبية الكثير من ذلك ممكنًا، ونحن على يقين من أن هناك المزيد في الطريق.

في التسعينيات، كنا نعلم أن نقص المعرفة العامة في أنظمة الذكاء الاصطناعي كان عاملًا محدودًا كبيرًا، والآن أصبح بإمكاننا توفير ذلك في نماذج الذكاء الاصطناعي الكبيرة. كانت تكنولوجيا الذكاء الاصطناعي المبكرة محدودة بمهام محددة جدًا، تشبه إلى حد كبير عباقرة متخلفين – قادرين على أداء مهمة واحدة محددة بشكل جيد، لكن عديمو الفائدة في غيرها.

ومع ذلك، كانت وما زالت تقدم قيمة لمهامها الخاصة بتكاليف حوسبة أقل بكثير. ولأسباب تتعلق بالاستدامة، لا تزال هذه التقنيات تلعب أدوارها في مشهد الذكاء الاصطناعي.

القدرات في معالجة اللغة الطبيعية (NLP) ومعالجة الكلام التي توفرها النماذج الكبيرة قادرة الآن على التقاط حوالي 90% من محتوى التبادل الطبيعي بدقة عالية، وهو أمر ذو قيمة كبيرة للتفاعل بين الإنسان والآلة.

وفي الحالة الحالية، تتطلب نماذج NLP المستخدمة تكلفة حسابية عالية جدًا (اقرأ فاتورة كهرباء مرتفعة جدًا)، وهو ما يتعارض مع اعتبارات الاستدامة. تذكر أن أمين مكتبة متمرس أو محترف مماثل يمكنه تقديم نتائج دقيقة بنسبة 100% ويحتاج فقط إلى غداء. يجب أن نستخدم الموارد المناسبة في الوقت المناسب.

مؤخرًا، مع تطورات مثل DeepSeek، نرى تحسينات من خلال بناء تطبيقات أصغر مخصصة باستخدام نفس التقنيات المستخدمة في النماذج الشاملة الأكبر. وهذا فوز للجميع من خلال توفير تقنية ذكاء اصطناعي قوية لمعالجة مجال معين مع تقليل تكاليف الحوسبة. على سبيل المثال، نظام ذكاء اصطناعي لإدارة الثروات في التكنولوجيا المالية لا يحتاج إلى خلفية في الأدب الإنجليزي.

الذكاء الاصطناعي في استشارات إدارة الثروات

لنأخذ إدارة الثروات كمثال على التطبيق.

مقابلة العميل لإنشاء ملف تعريف للعميل يمكن أن تكون مدفوعة بتقنيات ذكاء اصطناعي أساسية مثل شجرة القرار أو النظام الخبير. ومع ذلك، استنادًا إلى خبرتنا السابقة مع بعض المقابلات المدفوعة بأنظمة خبير، فإن المستشار المؤهل جيدًا سيحصل على نتائج أفضل من خلال محادثة فقط. لا يوجد بديل للأشخاص الذين يعرفون ما يفعلونه. يجب أن يساعد الذكاء الاصطناعي، وليس أن يقود.

تحليل المحفظة

إذا كان لدى العميل محفظة حالية، فهناك حاجة لتحليلها، ويمكن للذكاء الاصطناعي المساعدة هنا أيضًا. كيف أدت الاستثمارات مع مرور الوقت؟ هل يركز العميل على صناعات معينة؟ وما هو التوقع حول أدائها في المستقبل؟ ما هو سجل تداولات العميل؟

استنادًا إلى ملف العميل وتحليل المحفظة، قد يحدد المستشار حدودًا معينة لما يجب أن يأخذه التحليل بعين الاعتبار في محفظة الاستثمار المقترحة. وهذا قد يشمل التفضيلات الشخصية، حدود المخاطر، حدود الأموال المتاحة، وأي اعتبارات أخرى قد تقيد الخيارات.

الذكاء الاصطناعي في استشارات إدارة الثروات

هناك العديد من الشركات التي تستخدم نماذج الذكاء الاصطناعي لتقديم إرشادات حول الأسهم أو القطاعات السوقية التي من المحتمل أن تؤدي بشكل جيد أو سيء. وهذا إما يُصنف كمشكلة تنبؤ، حيث يمكن التنبؤ باتجاه السوق، أو كمشكلة تصنيف، وهي مجال يتفوق فيه الذكاء الاصطناعي. يمكن للمستشارين استخدام هذه الخدمات لتوفير مثل هذه المعلومات.

قد تؤثر اعتبارات البيئة والمجتمع والحوكمة (ESG) أيضًا على النتيجة. وقد تكون مدرجة بالفعل كمدخلات في نموذج الذكاء الاصطناعي المستخدم للتحليل. سيتعين على المستشار والعميل مناقشة التفاصيل التي يجب تضمينها في نموذج المحفظة.

الهيكلية المقترحة

قد تبدو رؤية مبدئية على النحو التالي. هناك العديد من التنويعات الممكنة.

واحدة من أكثر الطرق شيوعًا هي بناء نموذج أساسي واحد من نوع GenAI يقوم بكل ما نوصي به أدناه، لكننا نعتقد أن تقسيم المهام هو نهج أفضل.

كل نموذج سيتناول جزءًا من مجال المشكلة، وبالتالي يمكن أن يكون أصغر من نموذج شامل واحد. بعض الأنظمة قد تعمل باستمرار، وأخرى عند الطلب.

في الرسم، نفترض وجود نماذج توليد تنبئية من نوع GenAI تعمل كمستشارين لنماذج ذكاء اصطناعي مخصصة لأغراض أخرى. ستقوم هذه النماذج بمعظم تحليل السوق، وتُدرّب على الأسواق والأدوات المالية المختلفة.

ستستهلك تدفقات البيانات، ومع البيانات الأخرى من بحيرة البيانات، ستنتج توقعات السوق للنمو والكشف عن الشذوذ، مما قد يقلل من المخاطر. نحن غير مقتنعين بعد بأن مثل هذه الأنظمة نضجت بما يكفي لتكون موثوقة، لكنها تتقدم في التطوير.

سيتم تسجيل نتائج كل نموذج تنبئي من نوع GenAI في بحيرة البيانات. بالإضافة إلى ذلك، يمكن لنماذج التحليل أن ترسل إشعارات إلى نماذج أخرى لأداء مهام محددة. قد تُشغل هذه النماذج بشكل دوري أو بشكل مستمر خلال فترة نشاط السوق ذات الصلة.

قد تستخدم أنظمة التداول الذاتية تدفقات الحالة من تحليلات السوق لبدء عمليات تداول. ستقوم أنظمة التصنيف بتقييم الأصول بشكل دوري وتحتفظ بتاريخ تصنيفات الأصول في بحيرة البيانات. وأخيرًا، نصل إلى مساعد المحفظة من نوع GenAI.

سيكون مساعد المحفظة هو نظام التوصية المدعوم بالذكاء الاصطناعي الذي لديه وصول إلى بيانات السوق الحالية والتاريخية. يمكن للمستشار التفاعل مع المساعد لتقديم ملف العميل وطلب التوصيات. يمكن أن يتم ذلك بشكل أفضل بحضور العميل. يجب أن يُسجل تفاعل المستشار مع العميل ويُوثق في بحيرة البيانات كمدخل للتحليل.

وصول المستشار إلى أنظمة الذكاء الاصطناعي يكون عبر واجهة معالجة اللغة الطبيعية، والتي يمكن أن تكون نصية أو صوتية.

سيستجيب مساعد المحفظة للمستشار باستخدام المعلومات الموجودة في النموذج، أو من بحيرة البيانات، أو عبر استعلامات API إلى نماذج تحليل السوق. توفر واجهة معالجة اللغة الطبيعية مساعدًا قويًا، لكن من خلال الخبرة، سيحتاج المستشار إلى معرفة كيفية صياغة الأسئلة للحصول على نتائج مفيدة.

بدون ذلك الوسيط البشري، قد يكون التفاعل مع نظام معالجة اللغة الطبيعية لموضوع معقد كهذا محبطًا للمبتدئ. نماذج اللغة الكبيرة أكثر قدرة بكثير من أي تقنية سابقة في هذا المجال، لكنها لا تزال غير قادرة على اجتياز اختبار تورينج.

يتطلب اختبار تورينج أن يكون الإنسان غير قادر على التمييز بين آلة وإنسان آخر من خلال الرد على الأسئلة. هذه الآلات ليست بشرية ولا يمكنها الرد بدقة كما يفعل الإنسان. توظف العديد من الشركات أشخاصًا مهمتهم حرفيًا التفاعل مع أنظمة LLM وGenAI عبر صياغة الأوامر للحصول على ردود أفضل من النموذج.

وفقًا لتقرير من Juniper Research لعام 2021، سيستخدم 40% من عملاء البنوك حول العالم روبوتات الدردشة NLP للمعاملات بحلول عام 2025. غالبًا ما يكون إدراج NLP أمام أي تطبيق موجه للعملاء هو نقطة الانطلاق. تركز أنظمة الذكاء الاصطناعي الأخرى على أتمتة المهام الشائعة. وقد حققت الأخيرة نجاحًا كبيرًا في تطبيقات سلسلة التوريد.

يمكن لأتمتة الذكاء الاصطناعي القضاء على العديد من العمليات اليدوية وجعل سير العمل أكثر كفاءة. يمكن أن تستفيد معالجة اللغة الطبيعية وأتمتة المهام من تقريبًا أي تطبيق صناعي. تطوير الذكاء الاصطناعي لتحليل الأسواق المالية هو مهمة صعبة نسبيًا.

طورت جامعة كورنيل نموذج StockGPT من نوع GenAI. راجع “StockGPT: نموذج GenAI لتوقع الأسهم والتداول” على الموقع التالي

الخلاصة

تحليل الأسواق المالية أكثر تعقيدًا إلى حد ما من تطبيقات مثل سلسلة التوريد أو حتى البنوك. هناك العديد من المتغيرات والسلوكيات المعقدة التي تتأثر جزئيًا بأرقام السوق، والتنظيمات، وردود فعل المشاركين العاطفية.

يمكن التقاط بعض من ذلك باستخدام الإحصائيات لتقليل المخاطر، لكن التنبؤات في الأسواق المالية تقع ضمن فئة مسائل الجبر التي تحتوي على العديد من المتغيرات وقليل من المعادلات. يمكن للذكاء الاصطناعي البحث عن أنماط وشذوذ بالإضافة إلى إجراء الحسابات فقط.

الحوسبة الكمومية تقنية أخرى تستحق الاستكشاف. تظهر قيمتها بالفعل في بعض التطبيقات العلمية. وقد اقترح استخدامها في إدارة المخاطر عبر محاكاة مونتي كارلو كمثال مالي واحد.

سنرى ما يحمله المستقبل.