التكنولوجيا المالية والذكاء الاصطناعي يقودان الموجة القادمة من الابتكار

آنا شوف – حاصلة على درجة الماجستير في علوم الكلام ومعالجة اللغة الطبيعية مع خبرة في التعلم العميق، وعلوم البيانات، والتعلم الآلي. تشمل اهتمامات أبحاثها فك الشفرة العصبي للغات القديمة، والترجمة الآلية منخفضة الموارد، وتحديد اللغة. لديها خبرة واسعة في اللسانيات الحاسوبية، والذكاء الاصطناعي، وأبحاث معالجة اللغة الطبيعية عبر الأوساط الأكاديمية والصناعة.

بهوشان جوشي – قائد الكفاءة لنظام تكنولوجيا 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 في تطبيقات الذكاء الاصطناعي لدى IBM مع أكثر من 20 عامًا من الخبرة في البنوك، والأسواق المالية، والتكنولوجيا المالية. يتخصص في حلول IBM Sterling، والمبيعات التقنية، وتقديم المشورة لمديري المستوى التنفيذي 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 عبر 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، وCoinbase، وBlackrock، وKlarna وغيرهم

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

يمكن للذكاء الاصطناعي التقاط الأنماط والشوائب التي يغفل عنها البشر عادةً بفضل قدرة أنظمة الذكاء الاصطناعي على استهلاك كميات هائلة من البيانات بصيغها المنظمة وغير المنظمة.

ومع ذلك، لقد وُصف الدماغ البشري الذي يضم أكثر من 600 تريليون وصلة مشابك عصبية بأنه أكثر الأشياء تعقيدًا التي نعرفها على الإطلاق – على 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 عن الذكاء الاصطناعي في ييل منذ سنوات عديدة، عرّفوا الذكاء الاصطناعي بأنه “دراسة العمليات الإدراكية بواسطة نماذج حسابية”. لا تزال هذه التعريفات سارية. غالبًا ما تكون النماذج الحسابية الناتجة مفيدة بحد ذاتها، وقد تطورت قدراتها من أنظمة الخبراء 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 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، ونحن الآن قادرون على توفير ذلك في نماذج الذكاء الاصطناعي الكبيرة. كانت تكنولوجيا الذكاء الاصطناعي المبكرة محدودة بمهام محددة جدًا، تشبه إلى حد كبير عباقرة البلهاء – قادرين على أداء مهمة واحدة محددة بشكل جيد، لكن عديمو الفائدة لأي شيء آخر.

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

القدرات في معالجة اللغة الطبيعية (NLP) ومعالجة الكلام التي توفرها نماذج اللغة الكبيرة الآن قادرة على التقاط ربما 90% من محتوى تبادل اللغة الطبيعية بدقة، وهو قيمة عالية جدًا للتفاعل بين الإنسان والآلة.

في الحالة الحالية، النماذج المستخدمة في معالجة اللغة الطبيعية تُشغل بتكلفة حسابية عالية جدًا (تستهلك فاتورة كهرباء عالية)، 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. هذه فوز-فوز من خلال توفير تقنية ذكاء اصطناعي قوية لمعالجة مشكلة معينة 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 للاستشارات في إدارة الثروات

لننظر إلى إدارة الثروات كمثال على التطبيق.

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

تحليل المحفظة

إذا كان لدى العميل محفظة حالية، فهذه بحاجة إلى تحليل، ويمكن للذكاء الاصطناعي المساعدة هنا أيضًا. كيف كانت أداء الاستثمارات مع مرور الوقت؟ هل يركز العميل على صناعات معينة؟ ما هو التوقع حول أدائها في المستقبل؟ ما هو تاريخ تداولات العميل؟

استنادًا إلى ملف تعريف العميل وتحليل المحفظة، قد يحدد المستشار حدودًا معينة لما يجب أن يأخذه التحليل بعين الاعتبار للمحفظة المقترحة. قد تشمل هذه التفضيلات الشخصية، حدود المخاطر، حدود الأموال المتاحة، وأي اعتبارات أخرى قد تقيد الخيارات.

الذكاء الاصطناعي المساعد للاستشارات في إدارة الثروات

هناك العديد من الشركات التي تستخدم نماذج الذكاء الاصطناعي لتقديم إرشادات حول الأسهم أو قطاعات السوق التي من المحتمل أن تؤدي بشكل جيد أو سيء. يُعطى هذا إما كمسألة تنبؤ، حيث يمكن التنبؤ بحركة الاتجاه، أو كمشكلة تصنيف، وهي مجال يتفوق فيه الذكاء الاصطناعي. يمكن للمستشار استخدام هذه الخدمات الحالية لتوفير هذا النوع من المعلومات.

قد تؤثر اعتبارات البيئة، والمجتمع، والحوكمة (ESG) أيضًا على النتيجة. يمكن أن تكون هذه مدرجة بالفعل كمدخلات في نموذج الذكاء الاصطناعي المستخدم للتحليل. سيحتاج المستشار والعميل إلى مناقشة التفاصيل التي يجب تضمينها في نموذج المحفظة.

الهيكلية المقترحة

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

واحدة من التنفيذات الشائعة جدًا ستكون بناءً على نموذج أساسي واحد من نوع GenAI يقوم بكل ما نصفه 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. قد تعمل بعض الأنظمة بشكل مستمر، بينما تعمل أخرى عند الطلب.

في الرسم، نفترض أن هناك نماذج توليد تنبئية من نوع GenAI تعمل كنظم استشارية لنماذج ذكاء اصطناعي مخصصة لأغراض أخرى. ستقوم هذه النماذج بمعظم تحليل السوق وستُدرّب على الأسواق والأدوات المالية المختلفة.

ستستهلك تدفقات البيانات، ومع البيانات الأخرى من بحيرة البيانات، ستنتج توقعات السوق للنمو وكشف الشوائب التي قد تقلل 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 دفع 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 تعريف العميل وطلب التوصيات. يمكن أن يتم ذلك بشكل أفضل بحضور العميل. يجب أن يُسجل تفاعل المستشار مع العميل ويُوثق في بحيرة البيانات كمدخل للتحليل.

يصل المستشار إلى أنظمة الذكاء الاصطناعي عبر واجهة معالجة اللغة الطبيعية التي يمكن أن تكون نصية أو تعتمد على الكلام.

سيستجيب مساعد المحفظة للمستشار باستخدام المعلومات الموجودة في النموذج، أو من بحيرة البيانات، أو من 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 الردود على الأسئلة الموجهة لكليهما. هذه الآلات ليست بشرية ولا يمكنها الرد بدقة كما يفعل الإنسان. توظف العديد من الشركات أشخاصًا تتعلق وظيفتهم حرفيًا بالتفاعل مع أنظمة LLMs وGenAI عبر صياغة الطلبات للحصول على ردود أفضل من النموذج.

وفقًا لتقرير من Juniper research عام 2021، سيستخدم 40% من عملاء البنوك العالمية روبوتات الدردشة المعتمدة على معالجة اللغة الطبيعية للمعاملات بحلول عام 2025. غالبًا ما تبدأ الشركات بإضافة معالجة اللغة الطبيعية أمام أي تطبيق موجه للعملاء. تعتمد أنظمة الذكاء الاصطناعي الأخرى على أتمتة المهام الشائعة. لقد 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 معظم الصناعات من معالجة اللغة الطبيعية وأتمتة المهام. يعتبر تطوير الذكاء الاصطناعي لتحليل الأسواق المالية مهمة صعبة نسبيًا.

طورت جامعة كورنيل نموذج StockGPT من نوع GenAI. انظر إلى “StockGPT: نموذج GenAI لتوقع الأسهم والتداول” على

الخلاصة

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

يمكن التقاط بعض من ذلك باستخدام الإحصائيات لتقليل المخاطر، لكن التنبؤات للأسواق المالية تقع ضمن فئة مسائل الجبر التي يوجد فيها العديد من المتغيرات وعدد غير كافٍ من المعادلات. يمكن للذكاء الاصطناعي البحث عن أنماط وشوائب بالإضافة إلى إجراء العمليات الحسابية فقط.

الحوسبة الكمومية تقنية أخرى جيدة للاستكشاف. تظهر قيمتها بالفعل في تطبيقات معينة في العلوم. وقد اقترح استخدامها في إدارة المخاطر عبر محاكاة مونتي كارلو كمثال مالي واحد.

سنرى ما يحمله المستقبل.