الذكاء الاصطناعي التوليدي في التمويل: FinGPT وبلومبرج GPT وما بعدها

يُشير الذكاء الاصطناعي التوليدي إلى نماذج يمكنها توليد عينات بيانات جديدة تشبه البيانات الإدخالية. وقد فتح نجاح ChatGPT العديد من الفرص عبر الصناعات، مما أثار حماس الشركات لتصميم نماذج لغة كبيرة خاصة بها. وفي قطاع التمويل، الذي يعتمد على البيانات، أصبح أكثر كثافة من أي وقت مضى.

تُشير التقديرات الحديثة من McKinsey إلى أن الذكاء الاصطناعي التوليدي يمكن أن يوفر وفورات سنوية تصل إلى 340 مليار دولار للقطاع المصرفي وحده.

بلومبرج GPT واقتصاديات الذكاء الاصطناعي التوليدي

في مارس 2023، قدمت بلومبرج BloombergGPT. وهو نموذج لغة تم بناؤه من الصفر مع 50 مليار معلمة، مصمم خصيصًا للبيانات المالية.

من أجل توفير المال، يجب أن تنفق المال أحيانًا. تدريب نماذج مثل BloombergGPT أو Llama 2 من Meta لا يأتي رخيصًا.

استخدم تدريب نموذج Llama 2 مع 70 مليار معلمة 1,700,000 ساعة معالجة GPU. عند استخدام خدمات السحابة التجارية، يمكن أن تكلّف استخدام Nvidia A100 GPU (NVDA ) (الذي تم استخدامه في Llama 2) ما بين 1-2 دولار لكل ساعة معالجة GPU. عند إجراء الحسابات، يمكن أن تكلّف نموذج مع 10 مليارات معلمة حوالي 150,000 دولار، بينما يمكن أن تصل تكلفة نموذج مع 100 مليار معلمة إلى 1,500,000 دولار.

إذا لم يتم استئجارها، يمكن شراء وحدات معالجة الرسومات بشكل مباشر. ومع ذلك، قد تكلّف شراء حوالي 1000 وحدة معالجة رسومات A100 لتشكيل кластер أكثر من 10 ملايين دولار.

استثمار بلومبرج البالغ أكثر من مليون دولار يُعد مُدهشًا عند مقارنته بالتقدم السريع في مجال الذكاء الاصطناعي. ومن المذهل أن نموذجًا يكلّف فقط 100 دولار تمكّن من تجاوز أداء BloombergGPT في نصف سنة فقط. بينما تمت إضافة بيانات ملكية في تدريب BloombergGPT، كان 99.30% من مجموعته من البيانات مفتوحة الوصول. وهنا يأتي FinGPT.

FinGPT

FinGPT هو نموذج لغة كبير مُحسّن للغاية ومُصمم خصيصًا للبيانات المالية. تم تطويره بواسطة AI4Finance-Foundation، ويعتبر FinGPT حاليًا الأفضل في الأداء من حيث التكلفة والدقة بشكل عام.

يتوفر حاليًا بثلاث إصدارات؛ سلسلة FinGPT v3 هي نماذج محسّنة باستخدام طريقة LoRA، وتم تدريبها على الأخبار والتغريدات لتحليل المشاعر. وهي تعمل بشكل أفضل في العديد من اختبارات المشاعر المالية. تم بناء FinGPT v3.1 على نموذج chatglm2-6B، بينما يعتمد FinGPT v3.2 على نموذج Llama2-7b.

FINGPT

عمليات FinGPT::

1. مصادر البيانات والهندسة::
   • استحواذ البيانات:: يستخدم FinGPT بيانات من مصادر موثوقة مثل Yahoo وReuters وغيرها، ويتضمن مجموعة واسعة من الأخبار المالية، من الأسهم الأمريكية إلى الأسهم الصينية.
   • معالجة البيانات:: يتم معالجة هذه البيانات الخام عبر عدة مراحل من التنظيف والتحويل إلى رموز والهندسة الدلالية لضمان صحتها ودقتها.
2. نماذج اللغة الكبيرة::
   • التدريب:: باستخدام البيانات المعدة، يمكن تعديل نماذج اللغة الكبيرة لإنشاء نماذج خفيفة الوزن مخصصة لاحتياجات محددة، أو يمكن تعديل النماذج الحالية أو واجهات برمجة التطبيقات لدعم التطبيقات.
   • استراتيجيات التعديل::
     • طبقات التنسور (LoRA):: واحدة من التحديات الرئيسية في تطوير نماذج مثل FinGPT هي الحصول على بيانات مُ etiquetted عالية الجودة. واعترافًا بهذا التحدي، يتبنى FinGPT نهجًا مبتكرًا. بدلاً من الاعتماد فقط على التسمية التقليدية، يتم استخدام التقلبات في أسعار الأسهم كتسميات، مما يترجم مشاعر الأخبار إلى تسميات ملموسة مثل إيجابية أو سلبية أو محايدة. وينتج عن ذلك تحسينات كبيرة في قدرة النموذج على التنبؤ، خاصة في التمييز بين المشاعر الإيجابية والسلبية. من خلال تقنيات التعديل مثل LoRA، تمكنت FinGPT v3 من تحسين الأداء مع تقليل الحمل الحاسوبي.
     • التعلم من التغذية الراجعة البشرية:: يستخدم FinGPT “RLHF (التعلم من التغذية الراجعة البشرية)“. وهو ميزة غائبة في BloombergGPT، ويوفر RLHF للنموذج القدرة على تمييز تفضيلات الفرد، سواء كانت شهية المخاطر أو أنماط الاستثمار أو إعدادات المستشار الآلي المخصصة. وتضمن هذه التقنية، التي تعد ركنًا من أركان ChatGPT وGPT4، تجربة مستخدم أكثر تعديلًا وذكاءً.
3. التطبيقات والابتكارات::
   • المستشار الآلي:: يمكن أن يanalyze FinGPT مشاعر الأخبار ويتنبأ بالاتجاهات السوقية بدقة عالية.
   • التداول الكمّي:: من خلال تحليل المشاعر من مصادر متنوعة، من وكالات الأنباء إلى تويتر، يمكن أن يصيغ FinGPT استراتيجيات تداول فعالة. وفي الواقع، حتى عندما يتم توجيهه فقط من خلال مشاعر تويتر، يعرض نتائج تداول واعدة.

FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT

مسار FinGPT الحالي ومستقبلها:: يُعتبر يوليو 2023 علامة فارقة لFinGPT. قدم الفريق ورقة بحثية بعنوان “Instruct-FinGPT: Financial Sentiment Analysis by Instruction Tuning of General-Purpose Large Language Models“. وتتمحور هذه الورقة حول استكشاف تعديل الإرشادات، وهو تقنية تمكن FinGPT من تنفيذ تحليلات دقيقة للمشاعر المالية.

ولكن FinGPT لا يقتصر على تحليل المشاعر فقط. في الواقع، هناك 19 تطبيقًا متنوعًا متاحًا، كل منها يpromises استغلال نماذج اللغة الكبيرة بطرق جديدة. من هندسة الإرشادات إلى فهم السياقات المالية المعقدة، يضمن FinGPT نفسه كنموذج ذكاء اصطناعي مُحسّن في مجال التمويل.

كيف يعتمد البنوك العالمية على الذكاء الاصطناعي التوليدي

في حين أن بداية عام 2023 شهدت بعض اللاعبين الرئيسيين في القطاع المالي مثل بنك أمريكا وCitigroup وGoldman Sachs يفرضون قيودًا على استخدام موظفيهم لChatGPT من OpenAI، اختارت شركات أخرى في الصناعة موقفًا أكثر ترحيبًا.

Morgan Stanley (MS ) ، على سبيل المثال، قامت بدمج chatbots مدعومة بOpenAI كأداة لمستشارينها الماليين. من خلال الاستفادة من البحث الداخلي الواسع للشركة والبيانات، تعمل هذه Chatbots كموارد معرفة غنية، مما يزيد من كفاءة وتقنية المشورة المالية.

في مارس من هذا العام، كانت Hedge fund Citadel تحاول التفاوض على ترخيص ChatGPT على مستوى المؤسسة. وتتضمن التطبيق المقترح تعزيز مجالات مثل تطوير البرمجيات وتحليل المعلومات المعقدة.

JPMorgan Chase تعمل أيضًا على استغلال نماذج اللغة الكبيرة للكشف عن الاحتيال. وتعتمد منهجيتهم على استخدام أنماط البريد الإلكتروني لتحديد المخاطر المحتملة. ولا تقف هنا، حيث وضعت البنك هدفًا طموحًا: إضافة ما يصل إلى 1.5 مليار دولار في القيمة مع الذكاء الاصطناعي بحلول نهاية العام.

أما Goldman Sachs، فليست مقاومة لجاذبية الذكاء الاصطناعي. وتستكشف البنك قوة الذكاء الاصطناعي التوليدي لتعزيز مجال هندسة البرمجيات. كما يقول Marco Argenti، Chief Information Officer of Goldman Sachs، إن هذه التكامل لها إمكانية تحويل قوتهم العاملة إلى شيء “فائق“.

تطبيقات الذكاء الاصطناعي التوليدي في قطاع البنوك والتمويل

Generative AI in Finance Use Cases

يُعد الذكاء الاصطناعي التوليدي يعيد تشكيل العمليات المالية وصنع القرار والتفاعلات مع العملاء. هنا استكشاف مفصل لتطبيقاته:

1. منع الاحتيال: يُعد الذكاء الاصطناعي التوليدي في طليعة تطوير آليات الكشف عن الاحتيال المتطورة. من خلال تحليل مجموعات بيانات واسعة، يمكنه تمييز الأنماط والتناقضات الدقيقة، مما يوفر نهجًا أكثر نشاطًا. قد تنتج الأنظمة التقليدية، التي غالبًا ما تتأثر بكمية البيانات، نتائج خاطئة. بينما يُحسّن الذكاء الاصطناعي التوليدي من فهمه باستمرار، مما يقلل من الأخطاء ويعزز أمان المعاملات المالية.

2. تقييم المخاطر الائتمانية: أصبحت الطرق التقليدية لتقييم صحة الائتمان للقروض قديمة. ويقدم نماذج الذكاء الاصطناعي التوليدي من خلال معلمات متنوعة – من سجلات الائتمان إلى أنماط السلوك الدقيقة – صورة شاملة للمخاطر. وهذا لا يضمن فقط قروض أكثر أمانًا ولكن أيضًا يخدم العملاء على نطاق أوسع، بما في ذلك أولئك الذين قد يتم Serve بشكل غير كافٍ من قبل المقاييس التقليدية.

3. تعزيز التفاعل مع العملاء: يشهد العالم المالي ثورة في خدمة العملاء بفضل نماذج NLP مدعومة بالذكاء الاصطناعي التوليدي. هذه النماذج قادرة على فهم واستجابة لاستفسارات العملاء المتنوعة، مع تقديم حلول مخصصة بسرعة. من خلال تautomatisation المهام الروتينية، يمكن للمؤسسات المالية تقليل النفقات وتسريع العمليات وتحسين رضا العملاء.

4. التخطيط المالي المخصص: لم يعد هناك حاجة إلى حلول مالية واحدة تتناسب مع الجميع. اليوم، يطالب العملاء بالتخطيط المالي المخصص لاحتياجاتهم وأهدافهم الفريدة. يتفوق الذكاء الاصطناعي التوليدي في هذا المجال. من خلال تحليل البيانات – من أنماط الإنفاق إلى تفضيلات الاستثمار – يصمم خططًا مالية فردية. وهذا النهج الشامل يضمن أن يكون العملاء أكثر إطلاعًا ومجهزين لتحديد مسارهم المالي.

5. التداول الخوارزمي: يثبت الذكاء الاصطناعي التوليدي قيمته التحليلية في عالم التداول الخوارزمي المتقلب. من خلال تحليل البيانات – من الاتجاهات السوقية إلى مشاعر الأخبار – يوفر رؤى دقيقة، مما يسمح للخبراء الماليين بتحسين استراتيجياتهم وتوقع التغيرات السوقية وتقليل المخاطر المحتملة.

6. تعزيز الإطارات التنظيمية: تعتبر لوائح مكافحة غسيل الأموال (AML) أساسية لصيانة سلامة الأنظمة المالية. ويبسط الذكاء الاصطناعي التوليدي الامتثال عن طريق فحص بيانات المعاملات المعقدة لتحديد الأنشطة المشبوهة. وهذا لا يضمن فقط امتثال المؤسسات المالية للمعايير العالمية ولكن يقلل أيضًا من فرص الإيجابيات الكاذبة، مما يسرّع العمليات.

7. الأمن السيبراني: مع تطور التهديدات السيبرانية، يحتاج القطاع المالي إلى حلول مرنة. ويقدم الذكاء الاصطناعي التوليدي ذلك. من خلال تنفيذ نماذج تنبؤية ديناميكية، يمكنه الكشف السريع عن التهديدات، مما يعزز البنية التحتية المالية ضد الاختراقات المحتملة.

ومع ذلك، كما هو الحال مع أي تكنولوجيا متطورة، يأتي الذكاء الاصطناعي التوليدي مع مجموعة من التحديات في قطاع التمويل.

التحديات

1. تعزيز الانحياز:: تعتمد نماذج الذكاء الاصطناعي، مهما كانت متقدمة، على بيانات تم إنشاؤها بواسطة البشر. وهذه البيانات، مع انحيازاتها – سواء كانت مقصودة أو غير مقصودة – يمكن أن تؤدي إلى نتائج مائلة. على سبيل المثال، إذا كانت مجموعة معينة من السكان غير ممثلة في مجموعة التدريب، يمكن لنماذج الذكاء الاصطناعي أن تعزز هذا الإهمال. في قطاع مثل التمويل، حيث تكون العدالة والمناصفة حاسمة، يمكن أن تؤدي هذه الانحيازات إلى عواقب وخيمة. يجب على قادة قطاع التمويل أن يكونوا نشطين في تحديد هذه الانحيازات وضمان أن مجموعات بياناتهم شاملة وممثلة قدر الإمكان.
2. موثوقية الإخراج وصنع القرار:: يمكن أن ينتج الذكاء الاصطناعي التوليدي أحيانًا نتائج خاطئة ومضللة – غالبًا ما يُطلق عليها “hallucinations“. وهذه الأخطاء متوقعة إلى حد ما أثناء تحسين وتعلم نماذج الذكاء الاصطناعي، ولكن العواقب في قطاع التمويل، حيث لا غنى عن الدقة، تكون حاسمة. الاعتماد فقط على الذكاء الاصطناعي لاتخاذ القرارات الحاسمة، مثل الموافقة على القروض، يعد خطرًا. بدلاً من ذلك، يجب اعتبار الذكاء الاصطناعي أداة متقدمة تساعد الخبراء الماليين، وليس بديلًا لهم. يجب أن يتحمل الذكاء الاصطناعي الوزن الحاسوبي، ويوفر رؤى للخبراء لاتخاذ القرارات النهائية والمستنيرة.
3. الخصوصية وامتثال البيانات:: يبقى حماية بيانات العملاء الحساسة قلقًا كبيرًا في تطبيقات الذكاء الاصطناعي التوليدي. من الضروري أن يمتثل النظام للمعايير العالمية مثل لوائح حماية البيانات العامة (GDPR) وقانون خصوصية المستهلك في كاليفورنيا (CCPA). قد لا يعرف أو يحترم الذكاء الاصطناعي هذه الحدود بشكل طبيعي، لذلك يجب تعديله بمرشدات حماية البيانات الصارمة، خاصة في قطاع التمويل حيث يعد السرية أمرًا بالغ الأهمية.
4. جودة البيانات الإدخالية:: الذكاء الاصطناعي التوليدي جيد كما هي جيدة البيانات التي يتم إدخالها إليه. يمكن أن يؤدي البيانات غير دقيقة أو غير كاملة إلى نصائح مالية سيئة أو قرارات خاطئة.

الختام

من تعزيز استراتيجيات التداول إلى تعزيز الأمن، تطبيقات الذكاء الاصطناعي التوليدي واسعة ومحولة. ومع ذلك، كما هو الحال مع أي تكنولوجيا، من الضروري أن نعتمدها بحذر، مع الأخذ في الاعتبار الآثار الأخلاقية والخصوصية.

المنظمات التي تستطيع استغلال قوة الذكاء الاصطناعي التوليدي، مع احترام حدوده وخطورة محتملة، ستشكل بالتأكيد مسار المستقبل للمنطقة المالية العالمية.