هوش مصنوعی عمودی، انقلابی در امور مالی

امور مالی: پیشگام در پذیرش هوش مصنوعی عمودی

بخش مالی دارای ویژگی‌های منحصربه‌فردی است که آن را برای تحول توسط هوش مصنوعی آماده می‌کند. به گفته‌ی لی جینگ، معاون رئیس شرکت نوپای هوش مصنوعی Stepfun مستقر در شانگهای، دیجیتالی شدن بالا، همراه با استقبال قوی از فناوری‌های جدید و مهم‌تر از آن، تمایل به سرمایه‌گذاری در نوآوری، امور مالی را به عنوان یک نامزد اصلی برای پذیرش زودهنگام هوش مصنوعی قرار می‌دهد.

موسسات مالی در حال حاضر مملو از داده هستند. آن‌ها سیستم‌های قوی برای پردازش تراکنش‌ها، مدیریت ریسک و تجزیه و تحلیل روندهای بازار دارند. هوش مصنوعی، به‌ویژه هوش مصنوعی عمودی، می‌تواند به‌عنوان یک لایه قدرتمند در بالای این زیرساخت موجود عمل کند و کارایی، دقت و تصمیم‌گیری را افزایش دهد.

ظهور کاربردهای هوش مصنوعی عمودی

درحالی‌که مدل‌های هوش مصنوعی با کاربرد عمومی، سرفصل خبرها را به خود اختصاص داده‌اند، به گفته‌ی بسیاری از کارشناسان، اقدام واقعی در هوش مصنوعی خاص صنعت یا عمودی است. وی ژونگ‌وی، دبیر هیئت مدیره شرکت MetaX Integrated Circuits مستقر در شانگهای، تقاضای فزاینده برای کاربردهای هوش مصنوعی عمودی را در بخش‌های مختلف، از جمله امور مالی، حمل‌ونقل، آموزش و تحقیقات علمی برجسته کرد.

چه چیزی امور مالی را متفاوت می‌کند؟
ماهیت کار متفاوت است. برخلاف مدل‌های هوش مصنوعی عمومی که بر روی مجموعه داده‌های وسیع و متنوع آموزش داده می‌شوند، مدل‌های هوش مصنوعی عمودی برای تفاوت‌های ظریف و الزامات خاص یک صنعت خاص طراحی شده‌اند. در امور مالی، این به معنای درک مقررات پیچیده، ابزارهای مالی پیچیده و پویایی‌های ظریف رفتار بازار است. یک هوش مصنوعی با کاربرد عمومی ممکن است بتواند یک مقاله خبری مناسب در مورد بازار سهام بنویسد، اما یک مدل هوش مصنوعی عمودی می‌تواند به‌طور بالقوه حرکات بازار را پیش‌بینی کند، تراکنش‌های تقلبی را شناسایی کند، یا توصیه‌های سرمایه‌گذاری را با دقت بسیار بیشتری شخصی‌سازی کند.

محرک‌های نوآوری: خودرو و تلفن‌های هوشمند

فراتر از امور مالی، بحث در سالن مالی Lujiazui همچنین به سایر محرک‌های کلیدی نوآوری هوش مصنوعی اشاره کرد. لی جینگ اشاره کرد که انتظار می‌رود صنایع خودروسازی و تلفن‌های هوشمند در هسته پیشرفت‌های کاربردها و دستگاه‌های هوش مصنوعی باشند.

ارتباط چیست؟
این صنایع، مانند امور مالی، حجم عظیمی از داده‌ها را تولید می‌کنند. به‌عنوان‌مثال، خودروهای خودران به جریان مداوم اطلاعات از حسگرها، دوربین‌ها و سیستم‌های نقشه‌برداری متکی هستند. تلفن‌های هوشمند در حال جمع‌آوری داده‌ها در مورد رفتار، ترجیحات و تعاملات کاربر هستند. این سیل داده، زمینه حاصلخیزی را برای الگوریتم‌های هوش مصنوعی فراهم می‌کند تا یاد بگیرند، سازگار شوند و بهبود یابند.

هوش مصنوعی مولد، زیرمجموعه‌ای از هوش مصنوعی که بر ایجاد محتوای جدید تمرکز دارد، نیز پیش‌بینی می‌شود که نقش مهمی، به‌ویژه در بهبود تولید محتوای حرفه‌ای ایفا کند. ابزارهای هوش مصنوعی را تصور کنید که می‌توانند در تهیه پیش‌نویس گزارش‌های مالی، تولید تجزیه و تحلیل بازار، یا حتی ایجاد ارتباطات شخصی برای مشتریان کمک کنند.

چند سال آینده: یک دوره بحرانی برای ادغام هوش مصنوعی

دو تا سه سال آینده به‌عنوان یک دوره محوری برای هوش مصنوعی در نظر گرفته می‌شود تا ادغام خود را در صنایع تسریع کند. وی ژونگ‌وی بر اهمیت تطبیق‌پذیری، پایداری و قابلیت اطمینان به‌عنوان معیارهای کلیدی برای فناوری‌های هوش مصنوعی در این مدت تأکید کرد. این بدان معناست که ارائه‌دهندگان زیرساخت باید بازی خود را ارتقا دهند و محصولات و خدمات باکیفیت بالا ارائه دهند که بتواند نیازهای سخت‌گیرانه بخش‌های مختلف را برآورده کند.

این فقط داشتن قدرتمندترین الگوریتم‌های هوش مصنوعی نیست. همچنین در مورد اطمینان از اینکه این الگوریتم‌ها قوی، قابل‌اعتماد و سازگار با موارد استفاده مختلف هستند، می‌باشد. عواقب بالقوه یک سیستم معاملاتی مبتنی بر هوش مصنوعی را که دچار اختلال می‌شود یا پیش‌بینی‌های نادرست انجام می‌دهد، در نظر بگیرید. ریسک‌ها بالا هستند و قابلیت اطمینان بسیار مهم است.

رقابت متمایز در امور مالی

یو فنگ، مدیر ارشد اطلاعات Guotai Junan Securities، ترجیح بخش مالی برای مدل‌های هوش مصنوعی عمودی را روشن کرد. او توضیح داد که با استفاده از داده‌های اختصاصی، استراتژی‌های تنظیم دقیق و تنظیم اهداف آموزشی، شرکت‌های مالی می‌توانند به یک مزیت رقابتی دست یابند.

به‌عبارت‌دیگر، هوش مصنوعی عمودی به مؤسسات اجازه می‌دهد تا خود را از رقبای خود متمایز کنند. به‌جای تکیه بر همان مدل‌های هوش مصنوعی عمومی، آن‌ها می‌توانند راه‌حل‌های سفارشی ایجاد کنند که به‌طور منحصربه‌فردی برای نیازها و استراتژی‌های خاص آن‌ها طراحی شده‌اند. این نه‌تنها به آن‌ها کمک می‌کند تا از دام‌های رویکردهای سرمایه‌گذاری یکسان اجتناب کنند، بلکه خطرات نوسانات شدید بازار را که می‌تواند ناشی از استفاده گسترده از مدل‌های هوش مصنوعی یکسان باشد، کاهش می‌دهد.

پیمایش چالش‌های ادغام هوش مصنوعی

ادغام هوش مصنوعی در امور مالی، و در واقع هر صنعتی، بدون چالش نیست. لی جینگ از Stepfun اذعان کرد که تغییرات عمیقی لازم است.

یک جنبه کلیدی، دسترسی است. به‌عنوان‌مثال، سازندگان دستگاه باید دسترسی بیشتری به سیستم‌های خود فراهم کنند تا امکان ادغام عمیق‌تر قابلیت‌های هوش مصنوعی فراهم شود. این به معنای باز کردن APIها و اجازه دادن به توسعه‌دهندگان هوش مصنوعی برای بهره‌برداری از زیرساخت‌های سخت‌افزاری و نرم‌افزاری اساسی است.

چالش دیگر در حوزه ارائه‌دهندگان خدمات شخص ثالث نهفته است. این ارائه‌دهندگان باید چارچوب‌های خود را تحت معماری‌های عامل (agent architectures) اساساً بازطراحی کنند. این یک تغییر از پارادایم‌های توسعه نرم‌افزار سنتی به یک رویکرد متمرکز بر هوش مصنوعی است، جایی که عامل‌های نرم‌افزاری به‌طور مستقل و هوشمندانه عمل می‌کنند.

نقش حمایت سیاستی

فراتر از موانع تکنولوژیکی، لی جینگ همچنین بر نقش حیاتی حمایت سیاستی در تقویت پذیرش هوش مصنوعی تأکید کرد. دولت‌ها و نهادهای نظارتی باید محیطی را ایجاد کنند که نوآوری را تشویق کند و درعین‌حال به خطرات بالقوه و نگرانی‌های اخلاقی نیز رسیدگی کند.

این می‌تواند شامل توسعه دستورالعمل‌های روشن برای حفظ حریم خصوصی داده‌ها، ایجاد استانداردهایی برای ایمنی و قابلیت اطمینان هوش مصنوعی، و ارائه مشوق‌هایی برای شرکت‌ها برای سرمایه‌گذاری در تحقیق و توسعه هوش مصنوعی باشد.

رسیدگی به نگرانی‌های مربوط به حریم خصوصی داده‌ها

حریم خصوصی داده‌ها یک ملاحظه مهم در عصر هوش مصنوعی است، به‌ویژه در بخش مالی، جایی که اطلاعات حساس مشتری به‌طور مداوم در حال رسیدگی است. لی جینگ با بیان اینکه حفاظت از حریم خصوصی یک چالش غیرقابل‌حل نیست، مستقیماً به این نگرانی پرداخت.

لی اظهار داشت: “از نظر تکنولوژیکی، ما قبلاً مسیرهای امیدوارکننده‌ای را برای کاوش شناسایی کرده‌ایم.”
این به چه معناست؟
این نشان می‌دهد که در حال حاضر راه‌حل‌های تکنولوژیکی در حال توسعه وجود دارد که می‌تواند به کاهش خطرات حریم خصوصی مرتبط با هوش مصنوعی کمک کند. این موارد ممکن است شامل تکنیک‌هایی مانند یادگیری فدرال (federated learning) باشد، جایی که مدل‌های هوش مصنوعی بر روی مجموعه داده‌های غیرمتمرکز بدون دسترسی مستقیم به داده‌های خام آموزش داده می‌شوند، یا حریم خصوصی دیفرانسیل (differential privacy)، که نویز را به داده‌ها اضافه می‌کند تا از حریم خصوصی فردی محافظت کند و درعین‌حال امکان تجزیه و تحلیل معنادار را فراهم کند.

مسیر پیش رو: همکاری و نوآوری

پیام کلی سالن مالی Lujiazui روشن است: هوش مصنوعی، به‌ویژه هوش مصنوعی عمودی، قرار است صنعت مالی را متحول کند. چند سال آینده حیاتی خواهد بود و نیازمند همکاری نزدیک بین ارائه‌دهندگان فناوری، مؤسسات مالی و سیاست‌گذاران است. تمرکز بر توسعه راه‌حل‌های هوش مصنوعی قوی، قابل‌اعتماد و ایمن خواهد بود که می‌تواند فرصت‌های جدیدی را باز کند و نوآوری را هدایت کند و درعین‌حال به چالش‌های بالقوه رسیدگی کند. این سفر بدون شک پیچیده خواهد بود، اما پاداش‌های بالقوه بسیار زیاد است.