التكنولوجيا المالية والذكاء الاصطناعي يقودان الموجة القادمة من الابتكار

آنا شوف – حاصلة على درجة الماجستير في اللغة المنطوقة وNLP مع خبرة في التعلم العميق وعلوم البيانات والتعلم الآلي. تشمل اهتماماتها البحثية فك رموز اللغات القديمة باستخدام الشبكات العصبية، والترجمة الآلية منخفضة الموارد، وتحديد اللغة. لديها خبرة واسعة في أبحاث اللسانيات الحاسوبية والذكاء الاصطناعي وNLP عبر الأوساط الأكاديمية والصناعة.

بهوشان جوشي – قائد الكفاءات لخدمات Banking ISV والأسواق المالية وإدارة الثروات، مع خبرة واسعة في الخدمات المصرفية الرقمية والأسواق الرأسمالية والتحول السحابي. قاد استراتيجية الأعمال والاستشارات وتنفيذ تقنيات مالية واسعة النطاق للبنوك العالمية، مع التركيز على الخدمات المصغّرة وتحسين العمليات وأنظمة التداول.

كينيث شوف – متخصص تقني متميز في Open Group لدى IBM AI Applications، مع أكثر من 20 عامًا من الخبرة في مجال الخدمات المصرفية والأسواق المالية والتقنيات المالية (Fintech). يتخصص في حلول IBM Sterling والمبيعات التقنية وتقديم المشورة لكبار مسؤولي الإدارة (C-suite) بشأن التحولات التي يقودها الذكاء الاصطناعي في سلسلة الإمداد والخدمات المالية.

راجا باسو – قائد إدارة المنتجات والابتكار، يتمتع بخبرة في الذكاء الاصطناعي والأتمتة والاستدامة ضمن الأسواق المالية. وبفضل خلفية قوية في تحول تقنيات القطاع المصرفي، قاد مشاريع استشارية وتنفيذية على مستوى عالمي في الولايات المتحدة وكندا وأوروبا وآسيا. وهو حاليًا باحث دكتوراه في XLRI، ويركز على أثر الذكاء الاصطناعي على الأنظمة المالية والاستدامة.

اكتشف أبرز أخبار وأحداث التكنولوجيا المالية (Fintech)!

اشترك في النشرة الإخبارية لـ FinTech Weekly

يقرأها التنفيذيون في JP Morgan وCoinbase وBlackrock وKlarna وأكثر

يتزايد تطوير تكنولوجيا الذكاء الاصطناعي للتكنولوجيا المالية (FinTech) مع إمكانات كبيرة، لكن قد يكون نموها أبطأ منه في تطبيقات أخرى بسبب تعقيد المشكلة.

يمكن للذكاء الاصطناعي التقاط الأنماط والشذوذات التي يتغافل عنها البشر عادةً بفضل قدرة أنظمة الذكاء الاصطناعي على استهلاك كميات هائلة من البيانات بأشكال عديدة مُنظمة وغير مُنظمة.

ومع ذلك، فإن الدماغ البشري الذي يضم أكثر من 600 تريليون وصلة مشبكية (synapse connections) يُوصَف بأنه «أكثر الأشياء تعقيدًا التي نعرفها في أي مكان» – الأرض، والنظام الشمسي، وما وراء ذلك. يمكن للذكاء الاصطناعي تعزيز التحليل البشري من خلال قدرته على معالجة العديد من التفاصيل على نطاق واسع، لكنه لا يستطيع التفكير.

في الدروس الخاصة بالذكاء الاصطناعي في جامعة ييل قبل سنوات عديدة، عرّفوا الذكاء الاصطناعي على أنه “دراسة العمليات المعرفية 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 النماذج اللغوية الكبيرة (LLMs) والنماذج الأساسية (Foundation Models) المستخدمة في الذكاء الاصطناعي التوليدي.   لقد جعلت التطورات في العتاد الكثير من ذلك ممكنًا، ونحن واثقون أن هناك المزيد في الطريق.

عدنا إلى تسعينيات القرن الماضي، كنا نعرف أن نقص المعرفة العامة في أنظمة الذكاء الاصطناعي (AI) كان عاملًا مُقيِّدًا مهمًا، والآن نحن قادرون على توفير ذلك ضمن نماذج ذكاء اصطناعي كبيرة. كانت تكنولوجيا الذكاء الاصطناعي المبكرة محدودة بمهام شديدة التحديد، إلى حد ما مثل «أصحاب القدرات الخارقة»، إذ كانت قادرة على تنفيذ مهمة واحدة محددة جيدًا، لكنها عديمة الفائدة لأي شيء آخر.

ومع ذلك، فهي قدّمت وما زالت تستطيع تقديم قيمة لمهامها الخاصة بتكاليف حوسبة أقل بكثير.  ولأسباب تتعلق بالاستدامة، ما يزال بإمكان هذه التقنيات أن تؤدي أدوارها ضمن مشهد الذكاء الاصطناعي.

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

في الحالة الراهنة على مستوى أفضل ما تم التوصل إليه، تُشغَّل النماذج المستخدمة في معالجة اللغة الطبيعية (NLP) بتكلفة حوسبية مرتفعة جدًا (اقرأ: فاتورة كهرباء مرتفعة جدًا) وهو ما يتعارض مع اعتبارات الاستدامة. ضع في اعتبارك أن أمين مكتبة متمرس أو أي مختص مماثل يمكنه تقديم نتائج دقيقة بنسبة 100% ولا يحتاج سوى وجبة غداء. علينا أن نستخدم المورد المناسب في الوقت المناسب.

وبشكل أكثر حداثة، ومع تطورات مثل DeepSeek، نرى تحسينات تتحقق عبر بناء تطبيقات أصغر ومخصصة للمهمة نفسها باستخدام التقنيات المستخدمة في النماذج الشاملة الأكبر.  هذه مكسب مشترك (win-win) عبر تقديم تكنولوجيا ذكاء اصطناعي قوية لمعالجة مجال مشكلة محدد مع تقليل تكاليف الحوسبة.  على سبيل المثال، لا يحتاج نظام ذكاء اصطناعي في مجال التكنولوجيا المالية (Fintech AI) يدعم إدارة الثروات إلى خلفية  في الأدب الإنجليزي.

إرشاد إدارة الثروات بمساعدة الذكاء الاصطناعي

لننظر إلى إدارة الثروات باعتبارها مثالًا لتطبيق.

يمكن أن تكون مقابلة العميل لإنشاء ملفه الشخصي مدفوعة بتقنيات ذكاء اصطناعي أساسية مثل شجرة قرار أو نظام خبير.  ومع ذلك، استنادًا إلى خبرتنا السابقة مع مقابلات يقودها نظام خبير، فإن المستشار المؤهل جيدًا سيحصل على نتائج أفضل بمجرد إجراء محادثة.  لا يوجد بديل للأشخاص الذين يعرفون ما يفعلونه. يجب أن يساعد الذكاء الاصطناعي لكنه لا يجب أن يقود.

تحليل المحفظة

إذا كانت لدى العميل محفظة حالية، فهذه تحتاج إلى تحليل، ويمكن للذكاء الاصطناعي المساعدة هنا أيضًا. كيف كانت أداء الاستثمارات مع مرور الوقت؟ هل يميل العميل إلى التركيز على صناعات محددة؟ ما هو التوقع بشأن مدى احتمال أن تؤدي هذه الاستثمارات في المستقبل؟ ما هي سجلات تداولات العميل؟

استنادًا إلى ملف العميل وتحليل المحفظة، قد يقدم المستشار حدودًا محددة بشأن 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.

إرشاد إدارة الثروات بمساعدة الذكاء الاصطناعي

هناك عدة شركات تستخدم نماذج ذكاء اصطناعي لتقديم إرشاد حول أي الأسهم أو شرائح السوق يُرجَّح أن تحقق أداءً جيدًا أو يُرجَّح أن تحقق أداءً ضعيفًا. قد يتم صياغة ذلك إمّا كمشكلة تنبؤ، حيث يمكن توقع حركة الاتجاه، أو كمشكلة تصنيف، وهي مجال يتفوّق فيه الذكاء الاصطناعي. وقد يستخدم المستشار هذه الخدمات القائمة لتقديم هذا النوع من المعلومات.

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

معمارية هيكلية (Strawman)

قد يبدو المنظور المفاهيمي للـ strawman شيئًا مثل المخطط أدناه. توجد العديد من الاختلافات الممكنة.

تطبيق واحد شائع جدًا سيكون قائمًا على نموذج أساس واحد لتوليد الذكاء الاصطناعي (GenAI) يقوم بكل ما نُصفه أدناه، لكننا نعتقد أن تقسيم المهام هو نهج أفضل.

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

في المخطط، نفترض وجود نماذج توليدية تنبؤية للذكاء الاصطناعي (Predictive Generative AI) تعمل كنظم استشارية لنماذج ذكاء اصطناعي أخرى مخصصة لغرض معين. ستقوم نماذج GenAI هذه بمعظم تحليل السوق، وسيتم تدريبها للأسواق والأدوات المالية المختلفة.

ستستهلك موجزات البيانات، وبالاشتراك مع بيانات أخرى من مستودع البيانات (data lake)، ستنتج تنبؤات سوقية للنمو واكتشاف الشذوذات بما قد يخفف المخاطر.  نحن غير مقتنعين بعد بأن مثل هذه الأنظمة قد نضجت إلى درجة يمكن الوثوق بها، لكننا نرى أنها تتقدم في التطوير.

ستُسجل نتائج كل نموذج Predictive GenAI في مستودع البيانات (data lake).  بالإضافة إلى ذلك، يمكن لنماذج التحليل دفع إشعارات إلى نماذج أخرى لتنفيذ مهام محددة. قد تُشغَّل هذه النماذج على أساس دوري، أو ربما بشكل مستمر خلال الفترة التي يكون فيها سوق الاهتمام نشطًا.

قد تستخدم أنظمة التداول الذاتية موجزات الحالة من تحليلات السوق لتفعيل عمليات التداول. ستقوم أنظمة التصنيف بتقييم الأصول بشكل دوري والاحتفاظ بسجل متواصل لتصنيفات الأصول في مستودع البيانات (data lake). وأخيرًا، نصل إلى مساعد محفظة GenAI.

سيكون مساعد المحفظة هو نظام المُوصيّ (Recommender) المدعوم بالذكاء الاصطناعي والذي لديه إمكانية الوصول إلى بيانات السوق الحالية والسجل التاريخي.  يمكن للمستشار التفاعل مع المساعد لتقديم ملف العميل وطلب التوصيات.  قد يكون أفضل تنفيذ لذلك بحضور العميل.  يجب التقاط وتسجيل تفاعل المستشار مع العميل في مستودع البيانات (data lake) كمدخلات للتحليل.

يتمتع المستشار بإمكانية الوصول إلى أنظمة الذكاء الاصطناعي عبر واجهة NLP يمكن أن تكون قائمة على النص أو على الكلام.

سيستجيب مساعد المحفظة للمستشار باستخدام المعلومات الموجودة في النموذج، أو من مستودع البيانات (data lake)، أو عبر استعلامات API إلى نماذج Market Analysis. توفر واجهة NLP مساعدًا قويًا، لكن استنادًا إلى الخبرة، سيحتاج المستشار إلى معرفة كيفية طرح الأسئلة للحصول على نتائج مفيدة.

دون هذا الوسيط البشري، قد تكون تجربة التفاعل مع نظام NLP حول موضوع معقد مثل هذا مُحبِطة للمبتدئ. النماذج اللغوية الكبيرة (Large Language Models) أكثر قدرة بكثير من أي تقنية سابقة في هذا المجال، لكنها لا تزال غير مرجح أن تجتاز اختبار تورينغ.

يتطلب اختبار تورينغ أن يكون من غير الممكن على الإنسان أن يميّز بين آلة وأي إنسان آخر باستخدام ردود الأسئلة التي تُطرح على كليهما.  هذه الآلات ليست بشرًا ولا يمكنها الرد بدقة كما قد يرد إنسان. تقوم العديد من الشركات بتوظيف أشخاص تكون حرفيًا مهمة وصفهم الوظيفي هي التفاعل فقط مع نماذج LLM وأنظمة GenAI عبر صياغة prompts من أجل الحصول على ردود أفضل من النموذج.

وفقًا لتقرير عام 2021 من Juniper research، فإن 40% من عملاء البنوك عالميًا سيستخدمون روبوتات الدردشة للمعاملات عبر NLP بحلول عام 2025. غالبًا ما يكون إدخال NLP أمام أي تطبيق يواجه العملاء هو المكان الذي تبدأ منه الشركة. تركز أنظمة ذكاء اصطناعي أخرى على أتمتة المهام الشائعة. وقد كان هذا الأخير ناجحًا جدًا لتطبيقات سلسلة الإمداد.

يمكن للأتمتة القائمة على الذكاء الاصطناعي أن تقضي على العديد من العمليات اليدوية وتجعل سير العمل أكثر كفاءة. يمكن لـ NLP وأتمتة المهام أن تفيد تقريبًا أي تطبيق صناعي. يعد تطوير الذكاء الاصطناعي لتحليل الأسواق المالية مهمة صعبة نسبيًا.

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

الخلاصة

يُعد تحليل الأسواق المالية أكثر تعقيدًا إلى حد ما من تطبيقات مثل سلسلة الإمداد أو حتى الخدمات المصرفية.  توجد متغيرات وسلوكيات معقدة أكثر بكثير، تُحرَّك جزئيًا بواسطة أرقام السوق واللوائح والاستجابات العاطفية للمشاركين.

يمكن التقاط جزء من ذلك باستخدام الإحصاء لتقليل المخاطر، لكن تنبؤات الأسواق المالية تقع ضمن فئة مسائل الجبر حيث توجد متغيرات كثيرة ولا توجد معادلات كافية. يمكن للذكاء الاصطناعي البحث عن الأنماط والشذوذات بالإضافة إلى مجرد إجراء الحسابات.

الحوسبة الكمية (Quantum Computing) هي تقنية أخرى تستحق الاستكشاف. إنها تُظهر بالفعل قيمة في تطبيقات معينة في العلوم. وقد تم اقتراح استخدامها في إدارة المخاطر عبر محاكاة مونت كارلو لمثال مالي واحد.

سنرى ما الذي سيحمله المستقبل.