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 اهتمامات أبحاثها فك رموز اللغات القديمة باستخدام الشبكات العصبية، والترجمة الآلية ذات الموارد المنخفضة، وتحديد اللغة. لديها خبرة واسعة في اللسانيات الحاسوبية، والذكاء الاصطناعي، ومعالجة اللغة الطبيعية، عبر الأوساط الأكاديمية والصناعة.

بهوشان جوشي – قائد الكفاءة في نظم المعلومات المصرفية، 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 لدى شركة آي بي إم لتطبيقات الذكاء الاصطناعي، بخبرة تزيد عن 20 عامًا في البنوك، والأسواق المالية، والتكنولوجيا المالية. يتخصص في حلول ستيرلينج من آي بي إم، والمبيعات التقنية، وتقديم المشورة للمديرين التنفيذيين حول التحولات المدفوعة بالذكاء الاصطناعي في سلاسل التوريد والخدمات المالية.

راجا باسو – قائد إدارة المنتجات والابتكار، بخبرة في الذكاء الاصطناعي، والأتمتة، والاستدامة في الأسواق المالية. يمتلك خلفية قوية في تحول تكنولوجيا البنوك، وقاد 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 أهم أخبار وفعاليات التكنولوجيا المالية!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في جي بي مورغان، وكوين بيس، وبلك روك، وكرونا 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، عُرّف الذكاء الاصطناعي بأنه “دراسة العمليات الإدراكية باستخدام نماذج حسابية”. لا تزال هذه التعريفات 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 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 الراهنة، تتطلب نماذج NLP تكلفة حوسبة 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 مكسب للجميع، حيث يوفر 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 المساعد 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 تعريف 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 المساعد 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 الحالية لتوفير مثل هذه المعلومات.

قد تؤثر اعتبارات البيئة والمجتمع والحوكمة (ESG) أيضًا على النتيجة. قد تكون هذه 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 التطبيقات الشائعة جدًا تعتمد على نموذج أساسي واحد من نوع GenAI يقوم بكل ما نذكره 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 المخطط، 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، تنتج توقعات السوق للنمو والكشف عن الشوائب، 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 تدفع إشعارات لنماذج 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 لتحفيز الصفقات. 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 يكون ذلك بشكل أفضل بحضور العميل. يجب تسجيل وتوثيق تفاعل المستشار مع العميل في بحيرة البيانات كمدخل للتحليل.

وصول المستشار إلى أنظمة الذكاء الاصطناعي يكون عبر واجهة معالجة اللغة الطبيعية، التي 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 لتحسين الاستجابات.

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 نجاحًا كبيرًا في تطبيقات سلسلة التوريد.

يمكن لأتمتة الذكاء الاصطناعي القضاء على العديد من العمليات اليدوية وجعل سير العمل أكثر كفاءة. يمكن أن تستفيد أنظمة NLP والأتمتة من المهام تقريبًا في أي صناعة. تطوير الذكاء الاصطناعي لتحليل الأسواق المالية مهمة صعبة نسبيًا.

طورت جامعة كورنيل نموذج GenAI يسمى StockGPT. 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 وشوائب بالإضافة إلى إجراء العمليات الحسابية فقط.

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

سنرى ما يحمله المستقبل.