التكنولوجيا المالية والذكاء الاصطناعي يقودان الموجة القادمة من الابتكار

آنا شوف – حاصلة على درجة الماجستير في معالجة الكلام وNLP بخبرة في التعلم العميق وعلوم البيانات والتعلم الآلي. تشمل اهتماماتها البحثية فكّ رموز اللغات القديمة باستخدام الشبكات العصبية، والترجمة الآلية قليلة الموارد، وتحديد اللغة. لديها خبرة واسعة في أبحاث اللسانيات الحاسوبية وذكاء الاصطناعي وNLP عبر الأوساط الأكاديمية والصناعة.

بهوشان جوشي – قائد الكفاءات لقطاع ISV في البنوك، والأسواق المالية، وإدارة الثروات، مع خبرة واسعة في الخدمات المصرفية الرقمية وأسواق رأس المال والتحول إلى السحابة. قاد استراتيجية الأعمال والاستشارات وتنفيذات كبيرة لتقنيات مالية لصالح بنوك عالمية، مع التركيز على الخدمات المصغّرة وتحسين العمليات وأنظمة التداول.

كينيث شوف – أخصائي تقني متميّز في The Open Group لدى IBM AI Applications، مع أكثر من 20 عامًا من الخبرة في مجال البنوك والأسواق المالية والتقنيات المالية (fintech). يتخصص في حلول IBM Sterling والمبيعات التقنية، وتقديم المشورة لكبار المسؤولين التنفيذيين حول التحولات التي تقودها تقنيات الذكاء الاصطناعي في سلسلة الإمداد والخدمات المالية.

راجا باسو – قائد لإدارة المنتجات والابتكار بخبرة في الذكاء الاصطناعي والأتمتة والاستدامة في الأسواق المالية. مع خلفية قوية في تحول تكنولوجيا البنوك، قاد مشاريع استشارية وتنفيذية عالمية عبر الولايات المتحدة وكندا وأوروبا وآسيا. وهو حاليًا باحث دراسات دكتوراه في XLRI، ويركز على تأثير الذكاء الاصطناعي في الأنظمة المالية والاستدامة.

اكتشف أهم أخبار وتقارير التكنولوجيا المالية والفعاليات!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها مسؤولون تنفيذيون في JP Morgan وCoinbase وBlackrock وKlarna وغيرهم

يستمر تطوير تقنيات الذكاء الاصطناعي للتكنولوجيا المالية (FinTech) بخطى متسارعة مع إمكانات كبيرة، لكن قد يكون النمو أبطأ منه في التطبيقات الأخرى بسبب تعقيد المشكلة.

يمكن للذكاء الاصطناعي التقاط الأنماط والشذوذات التي يفوتها البشر عادةً بفضل قدرة أنظمة الذكاء الاصطناعي على استهلاك كميات هائلة من البيانات بصيغ كثيرة ومنظمة وغير منظمة.

ومع ذلك، تمت الإشارة إلى الدماغ البشري الذي يضم أكثر من 600 تريليون اتصال بيني (synapse) باعتباره أكثر الأشياء تعقيدًا التي نعرفها في أي مكان – الأرض، والنظام الشمسي، وما بعدهما.  يمكن للذكاء الاصطناعي تعزيز التحليل البشري من خلال قدرته على معالجة العديد من التفاصيل على نطاق واسع، لكنه لا يستطيع التفكير.

في الدروس المتعلقة بالذكاء الاصطناعي في جامعة ييل قبل سنوات عديدة، عرّفوا الذكاء الاصطناعي على أنه “دراسة العمليات الإدراكية باستخدام نماذج حاسوبية”.  لا يزال هذا التعريف ينطبق.  غالبًا ما تكون النماذج الحاسوبية الناتجة مفيدة بذاتها، وقد تطورت قدراتها من أنظمة الخبراء والشبكات العصبية الاصطناعية الصغيرة إلى تقنيات التعلم العميق المستخدمة لبناء نماذج اللغات الكبيرة (LLMs) ونماذج الأساس المستخدمة في الذكاء الاصطناعي التوليدي.   وقد جعلت التطورات في العتاد الكثير من ذلك ممكنًا، ونحن متأكدون من وجود المزيد في الطريق.

عدنا إلى تسعينيات القرن الماضي، كنا نعرف أن نقص المعرفة العامة في أنظمة الذكاء الاصطناعي (AI) يعد عاملًا محدودًا مهمًا، والآن أصبح بإمكاننا توفير ذلك داخل نماذج ذكاء اصطناعي كبيرة. كانت تقنيات الذكاء الاصطناعي المبكرة مقتصرة على مهام شديدة التحديد، إلى حد ما مثل “المعجبين بالعبقرية” من دون سياق – قادرة على أداء مهمة واحدة محددة جدًا بشكل ممتاز، لكنها عديمة الفائدة لأي شيء آخر.

ومع ذلك، فإنها قد كانت وما زالت قادرة على تقديم قيمة لمهامها الخاصة بتكاليف حوسبة أقل بكثير.  ولأسباب تتعلق بالاستدامة، يمكن لهذه التقنيات أن تظل تؤدي أدوارها في مشهد الذكاء الاصطناعي.

إن قدرات معالجة اللغة الطبيعية (NLP) ومعالجة الكلام التي توفرها نماذج LLM أصبحت قادرة على التقاط ربما 90% من محتوى تبادل اللغة الطبيعية بدقة، وهو ما يشكل قيمة عالية جدًا للتفاعل بين الإنسان والآلة.

في الحالة الراهنة المتقدمة، يتم تشغيل النماذج المستخدمة في معالجة اللغة الطبيعية (NLP) بتكلفة حوسبة عالية جدًا (اقرأ: فاتورة كهرباء عالية جدًا) وهو ما يتعارض مع اعتبارات الاستدامة. ضع في اعتبارك أن أمين مكتبة متمرس أو مختصًا مشابهًا يمكنه تقديم نتائج دقيقة بنسبة 100% ولا يحتاج سوى إلى الغداء.  يجب أن نستخدم المورد المناسب في الوقت المناسب.

وبشكل أحدث، ومع التطورات مثل DeepSeek، نرى مكاسب في التحسينات عبر بناء تطبيقات أصغر ومخصصة لنوع المهمة نفسها باستخدام التقنيات ذاتها المستخدمة في النماذج الشاملة الأكبر.  هذه حالة رابحة من الطرفين (win-win) عبر توفير تقنيات ذكاء اصطناعي قوية لمعالجة مجال مشكلة محدد مع تقليل تكاليف الحوسبة.  على سبيل المثال، لا يحتاج نظام ذكاء اصطناعي تابع لشركة Fintech يدعم إدارة الثروات إلى خلفية في الأدب الإنجليزي.

استشارة إدارة الثروات بمساعدة الذكاء الاصطناعي

لنأخذ إدارة الثروات كمثال على تطبيق.

قد يكون إجراء مقابلة مع العميل لإنشاء ملف عميل مُوجّهًا بتقنيات ذكاء اصطناعي أساسية مثل شجرة قرار أو نظام خبير.  ومع ذلك، بناءً على خبرتنا السابقة مع مقابلات مدفوعة بنظام خبير، فإن المستشار المؤهل تأهيلاً جيدًا سيحصل على نتائج أفضل من خلال محادثة فقط.  لا بديل عن الأشخاص الذين يعرفون ما يفعلونه.  يجب أن يساعد الذكاء الاصطناعي لكن لا يقود.

تحليل المحفظة

إذا كانت لدى العميل محفظة حالية، فهذه تحتاج إلى تحليل، ويمكن للذكاء الاصطناعي المساعدة أيضًا هنا.  كيف كانت أداء الاستثمارات عبر الزمن؟  هل يميل العميل إلى التركيز على صناعات بعينها؟ ما هو التوقع بشأن كيفية أدائها في المستقبل؟ ما هي قصة تداولات العميل؟

بناءً على ملف العميل وتحليل المحفظة، قد يقدم المستشار حدودًا محددة حول ما ينبغي أن يأخذه التحليل في الحسبان بالنسبة لمحفظة الاستثمار المقترحة.  قد تشمل هذه التفضيلات الشخصية وحدود المخاطر وحدود الأموال المتاحة وأي اعتبار آخر قد يقيّد الخيارات.

استشارة إدارة الثروات بمساعدة الذكاء الاصطناعي

هناك عدة شركات تستخدم نماذج الذكاء الاصطناعي لتقديم إرشادات حول أي الأسهم أو شرائح السوق يُرجّح أن تحقق أداءً جيدًا أو أداءً سيئًا. إما أن تُصاغ هذه المسألة كمسألة تنبؤ، حيث قد نتوقع حركة الاتجاه، أو كمسألة تصنيف، وهي مجال تتألق فيه تقنيات الذكاء الاصطناعي. يمكن للمستشار استخدام هذه الخدمات الموجودة لتوفير هذا النوع من المعلومات.

قد تؤثر كذلك اعتبارات البيئة والاجتماع والحوكمة (ESG) في النتيجة.  قد تكون هذه الاعتبارات مدرجة بالفعل كمدخلات ضمن نموذج الذكاء الاصطناعي المستخدم لإجراء التحليل.  سيحتاج المستشار والعميل إلى مناقشة التفاصيل التي ينبغي تضمينها في نموذج المحفظة.

تصميم أولي (Strawman)

قد يبدو التصور المفاهيمي لـ strawman كما في الرسم البياني أدناه. توجد العديد من الاختلافات الممكنة.

توجد طريقة تنفيذ شائعة جدًا تتمثل في الاعتماد على نموذج أساس واحد من GenAI يقوم بكل ما نصفه أدناه، لكننا نعتقد أن تقسيم المهام هو نهج أفضل.

سيعالج كل نموذج جزءًا من مجال المشكلة، وبالتالي قد يكون أصغر من نموذج شامل واحد.  قد تعمل بعض الأنظمة بشكل مستمر بينما تعمل أنظمة أخرى عند الطلب.

في الرسم البياني، نفترض أن هناك نماذج Predictive Generative AI تعمل كنظم استشارية لصالح نماذج ذكاء اصطناعي أخرى مخصصة لغرض محدد.  ستقوم نماذج GenAI هذه بمعظم تحليل السوق، وسيتم تدريبها للأسواق المختلفة والأدوات المالية المختلفة.

ستستهلك منصات/تدفقات بيانات، وبالاقتران مع بيانات أخرى من مستودع البيانات (data lake)، ستنتج تنبؤات للسوق لاكتشاف النمو والشذوذات بما قد يخفف المخاطر.  لسنا مقتنعين بأن مثل هذه الأنظمة نضجت بعد لتكون موثوقة، لكننا نراها تتقدم في التطوير.

ستُسجَّل نتائج كل نموذج Predictive GenAI في مستودع البيانات.  بالإضافة إلى ذلك، قد تدفع نماذج التحليل إشعارات إلى نماذج أخرى لأداء مهام محددة.  قد يتم تشغيل هذه النماذج على أساس دوري أو ربما بشكل مستمر خلال الفترة التي يكون فيها سوق الاهتمام نشطًا.

قد تستخدم أنظمة التداول الذاتية تدفقات الحالة من تحليلات السوق لتفعيل الصفقات.  ستقوم أنظمة التصنيف بتقييم الأصول بشكل دوري والاحتفاظ بسجل متجدد لتصنيفات الأصول في مستودع البيانات. وأخيرًا، نصل إلى مساعد محفظة GenAI.

سيكون مساعد المحفظة هو نظام التوصية المدعوم بالذكاء الاصطناعي والذي لديه وصول إلى بيانات السوق الحالية والسجل التاريخي.  يمكن للمستشار التفاعل مع المساعد لتوفير ملف العميل وطلب توصيات.  قد يكون هذا أفضل ما يمكن القيام به بحضور العميل.  ينبغي التقاط وتسجيل تفاعل المستشار مع العميل في مستودع البيانات كمُدخل للتحليل.

يكون وصول المستشار إلى أنظمة الذكاء الاصطناعي عبر واجهة NLP يمكن أن تكون قائمة على النص أو على الكلام.

سيُجيب مساعد المحفظة المستشار باستخدام المعلومات الموجودة في النموذج، من مستودع البيانات، أو من استعلامات API إلى نماذج تحليل السوق. توفر واجهة NLP مساعدًا قويًا، لكن وبناءً على خبرتنا، سيتعين على المستشار معرفة كيفية طرح الأسئلة للحصول على نتائج مفيدة.

بدون ذلك الوسيط البشري، قد تصبح تجربة التفاعل مع نظام NLP حول موضوع بهذه التعقيد محبطة للمبتدئ. نماذج اللغات الكبيرة أكثر قدرة بكثير من أي تقنية سابقة في هذا المجال، لكنها لا تزال من غير المرجح أن تجتاز اختبار تورينغ.

يتطلب اختبار تورينغ أن يكون الإنسان غير قادر على التمييز بين آلة وآخر إنسان باستخدام الردود على الأسئلة المطروحة على كلاهما.  هذه الآلات ليست بشرًا ولا يمكنها الرد تمامًا كما قد يرد إنسان. تقوم العديد من الشركات بتوظيف أشخاص تكون مهمة وصفهم الوظيفي حرفيًا هي مجرد التفاعل مع LLMs وأنظمة GenAI عبر صياغة prompts للحصول على ردود أفضل من النموذج.

وفقًا لتقرير عام 2021 من Juniper research، سيستخدم 40% من عملاء البنوك عالميًا روبوتات الدردشة المعتمدة على NLP للمعاملات بحلول عام 2025.  وغالبًا ما يكون إدخال NLP أمام أي تطبيق يواجه العميل هو المكان الذي تبدأ فيه الشركة.  تركز أنظمة الذكاء الاصطناعي الأخرى على أتمتة المهام الشائعة.  وقد حققت الأخيرة نجاحًا كبيرًا في تطبيقات سلسلة الإمداد.

يمكن لأتمتة الذكاء الاصطناعي أن تلغي العديد من العمليات اليدوية وأن تجعل سير العمل أكثر كفاءة.  يمكن لـ NLP وأتمتة المهام أن تفيد شبه أي تطبيق صناعي. إن تطوير الذكاء الاصطناعي لتحليل الأسواق المالية يعد مهمة صعبة نسبيًا.

طورت جامعة كورنيل نموذج GenAI باسم StockGPT. انظر “StockGPT: A GenAI Model for Stock Prediction and Trading” في

الخلاصة

تحليل الأسواق المالية أكثر تعقيدًا إلى حد ما من التطبيقات مثل سلسلة الإمداد أو حتى البنوك.  توجد متغيرات وسلوكيات أعقد بكثير، مدفوعة جزئيًا بأرقام السوق واللوائح والاستجابات العاطفية للمشاركين.

يمكن التقاط بعض ذلك باستخدام الإحصاءات لتقليل المخاطر، لكن التنبؤات للأسواق المالية تقع ضمن فئة مشكلات الجبر حيث توجد متغيرات كثيرة ولا توجد معادلات كافية. يمكن للذكاء الاصطناعي البحث عن أنماط وشذوذات إضافة إلى مجرد إجراء العمليات الحسابية.

الحوسبة الكمية هي تقنية أخرى يجدر استكشافها. فقد بدأت بالفعل بإظهار قيمة في تطبيقات معينة في العلوم. وقد تم اقتراح استخدامها في إدارة المخاطر عبر محاكاة مونت كارلو لمثال مالي واحد.

سنرى ما الذي يحمله المستقبل.