أدى ظهور GPT-3 و ChatGPT من OpenAI ، على سبيل المثال ، إلى قلب الحكمة التقليدية السابقة حول طبيعة ودور الذكاء الاصطناعي. حتى علماء الذكاء الاصطناعي لم يتوقعوا الدرجة التي ستتفوق بها تطبيقات نماذج اللغة الكبيرة (LLM) على تطبيقات الذكاء الاصطناعي السابقة عبر مجموعة متنوعة من المقاييس. نتيجة لذلك ، يلجأ الناس إلى الذكاء الاصطناعي للحصول على المساعدة في كل شيء تقريبًا.
في القطاع المالي وفي سياق التعامل مع التضخم ، يعد استخدام أدوات الذكاء الاصطناعي الصحيحة أحد الاعتبارات الرئيسية. الآخر يستخدمهم بالطرق الصحيحة.
كيف يمكن للذكاء الاصطناعي المساعدة في التنبؤ المالي
على الرغم من ظهور ChatGPT و LLMs الأخرى الجيدة ، فمن المهم تذكر العديد من الحقائق الأساسية. أولاً ، ليسوا جيدين في كل شيء. قد يكونون قادرين على اجتياز اختبار تورينج الأساسي للمحادثة أو الحصول على درجة النجاح في امتحان نقابة المحامين ، لكن يمكن أن ينتجوا مخرجات منطقية بشكل سيئ وسيئة التنظيم وحتى مكتوبة بشكل سيئ.
كما أنهم عرضة للهلوسة أو الإجابات الخاطئة ببساطة. عند الضغط عليه ، تلتزم معظم LLM بإجاباتها وحتى تستشهد بأدلة ملفقة في شكل إحصائيات مختلقة أو اقتباسات. بدون تدخل كبير في التدريب والرقابة يجبر منتجات الذكاء الاصطناعي على التمسك بالحقائق الفعلية وآثارها ، فإن هذا الميل للخلط يكمن مع الحقائق هو عائق رئيسي أمام استخدام المؤسسات للماجستير في العلوم.
لطالما كانت صناعة الخدمات المالية في طليعة تطبيق الذكاء الاصطناعي . ركزت شركات الخدمات المالية وشركات التكنولوجيا المالية بشكل أساسي على التعلم الآلي (ML) للتحليل والتنبؤ. يحصل مطورو ML على خوارزمية لتعلم المعلمات المهمة في تدفق البيانات عن طريق تزويدها بالكثير من نقاط البيانات ذات الصلة وإعطائها تعليقات على إجاباتها على الأسئلة. الهدف هو بناء نموذج لا يقدم إجابات جيدة فحسب ، بل يتكيف أيضًا مع التغييرات في تدفق البيانات - نموذج يمكنه بالتالي التنقل في البيانات المالية للعثور على رؤى.
يعتبر التعلم العميق أحد فروع ML الذي يعتبر مهمًا بشكل خاص لصناعة الخدمات المالية. تستخدم تطبيقات التعلم العميق نموذج الشبكة العصبية الذي يحتوي على طبقات متعددة من التحليل مرتبطة ببعضها البعض. يمكن لشركات الخدمات المالية تدريب نماذج التعلم العميق الخاصة بهم بأحجام هائلة من سلوك سوق الأوراق المالية لتطوير الخوارزميات التي تساعدهم على التنبؤ بكيفية تحرك الأسواق بعد ذلك ، على سبيل المثال. في صناعة التأمين ، يقومون بالفعل بتدريب نماذج على كميات هائلة من البيانات الديموغرافية وحاملي البوليصة والطقس للتنبؤ بالمكان الذي يجب أن ترتفع فيه معدلات التأمين على المحاصيل أو الحرائق أو الفيضانات لمواجهة تغير المناخ.
موازنة تأثيرات التضخم بالذكاء الاصطناعي
لا يجعل الذكاء الاصطناعي من الممكن تجنب التضخم تمامًا. إذا قام المورد برفع الأسعار ، فإن قائد الأعمال يواجه آثار التضخم. يمكن أن تساعد تطبيقات ML في تعويض آثار التضخم من خلال تحسين كفاءة الشركة.
فكر في بائع تجزئة. بالنظر إلى الوصول إلى معلومات حول الطلبات ومخزون المستودعات ومخزون الرف من ناحية ، بالإضافة إلى معلومات المبيعات والعملاء والمعلومات الديموغرافية من ناحية أخرى ، يمكن لنظام ML تعلم التحسين. يمكن أن يحدد مقدار الطلب والعبور والتخزين اللازم لمخزون المستودعات لتوفير المال مع تحقيق أهداف مبيعات الشركة في غضون فترة زمنية معينة. يمكن تطبيق نفس مفهوم التحسين من خلال الذكاء الاصطناعي على الشركة المصنعة .
قد يستخدم بائع تجزئة أو شركة للوجبات السريعة ML لمساعدته في العثور ليس فقط على المواد وكفاءات النقل ولكن أيضًا على الكفاءات الموضعية. على وجه التحديد ، يمكن تدريب نموذج ML لتحديد المكان الذي يجب أن يذهب إليه موقع جديد أو ما إذا كان يجب توسيع موقع موجود أو تقليصه أو إغلاقه أو نقله. يمكن لمقدمي الخدمات استخدام مثل هذه النماذج لتحسين الأعداد ومجموعات المهارات وتنسيب الموظفين.
يساعد التعلم الآلي في تأثيرات التضخم ، لكن الحوسبة الكمومية والذكاء الاصطناعي الكمي قد يلعبان دورًا أكبر بكثير في حل مثل هذه المشكلات في المستقبل. بالنسبة للعديد من أنواع المشكلات ، سيسمح الذكاء الاصطناعي الكمومي للشركات بإيجاد الحلول بشكل أسرع. سيسمح الذكاء الاصطناعي الكمومي أيضًا للآلات بالعثور ليس فقط على حلول أفضل لبعض تحديات التحسين ولكن أفضل حل يمكن إثباته. قد يكون هذا المستقبل أقرب مما يبدو ، نظرًا لمدى سرعة انتشار الذكاء الاصطناعي في العالم.