بخش مالی به سرعت در حال پذیرش فناوری‌های هوش مصنوعی (AI) به‌ویژه هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLMs) است تا جنبه‌های مختلف عملیات و تعاملات مشتری را بهبود بخشد. برای مثال، امروزه بانک‌ها از هوش مصنوعی برای خودکارسازی فرآیندهای دستی، بهبود تحلیل داده‌ها و شخصی‌سازی تعاملات مشتری استفاده می‌کنند تا کارایی عملیاتی و تجربه مشتری را بهبود بخشند.
علاوه بر این، از هوش مصنوعی به‌طور فزاینده‌ای هم برای تحلیل مقادیر زیادی داده و شناسایی فعالیت‌های مشکوک و هم الگوهای تراکنش استفاده می‌شود.
کاربردهای برتر هوش مصنوعی در مؤسسات مالی
براساس گزارش چهارمین سالانه وضعیت هوش مصنوعی در خدمات مالی NVIDIA، حدود ۹۱٪ از شرکت‌های خدمات مالی در حال ارزیابی یا استفاده از هوش مصنوعی برای فعالیت‌های خود هستند. این گزارش نشان می‌دهد که ۳۷٪ از افرادی که در نظرسنجی شرکت کردند، به استفاده از هوش مصنوعی در تولید گزارش، تلفیق و تحقیق سرمایه‌گذاری برای کاهش کارهای دستی تکراری، علاقه‌مند بودند. تجربه و تعامل مشتری نیز یکی دیگر از موارد استفاده موردتوجه بود که ۳۴٪ از پاسخ‌دهندگان به آن اشاره کردند. محبوب‌ترین کاربردهای هوش مصنوعی در عملیات، ریسک و تطابق و بازاریابی بود.
علاوه بر این، مؤسسات مالی از هوش مصنوعی برای خودکارسازی فرآیندهای دستی، بهبود فرایند تحلیل داده‌ها و اطلاع‌رسانی تصمیمات سرمایه‌گذاری استفاده می‌کنند که به افزایش کارایی عملیاتی منجر می‌شود. به‌طور کلی، این بررسی نشان داد که ۹۷٪ از شرکت‌ها قصد دارند در آینده ای نزدیک سرمایه‌گذاری بیشتری در فناوری‌های هوش مصنوعی انجام دهند. اما موضوعی که ما در این مقاله روی آن تمرکز داریم، محدودیت‌های ابزارهای هوش مصنوعی در فعالیت‌هایی مانند ترید و معامله‌گری است.
محدودیت‌های هوش مصنوعی در خرید و فروش ارزهای دیجیتال
برخی از معامله‌گران اخیراً برای تحلیل و پیش‌بینی قیمت به هوش مصنوعی روی آورده‌اند. فینبولد (Finbold)، پلتفرم خبری و تحلیلی مالی، به‌طور فعال از هوش مصنوعی برای ارائه پیش‌بینی قیمت روی تمام دارایی‌ها، از جمله ارزهای دیجیتال، استفاده می‌کند.
فینبولد (Finbold)، تحلیل روزانه و هفتگی قیمت ارزهای دیجیتال برتر را با استفاده از مدل‌های هوش مصنوعی محبوب مانند ChatGPT ارائه می‌دهد. اما خب با اینکه ابزارهای هوش مصنوعی مزایای خاصی ارائه می‌دهند، تریدرها باید به محدودیت‌های آن‌ها نیز توجه کنند، برخی از این محدودیت‌ها عبارت‌اند از: بیش‌ازحد تنظیم‌شدن (Overfitting)، سازگار نبودن با شرایط جدید بازار و نحوه عملکرد در زمان ناپایداری بازارهای مالی که بازه‌ای طولانی هم هست. در واقع از این ابزارها باید به عنوان مکملی برای تصمیم‌گیری انسانی استفاده کرد، نه جایگزین آن! در ادامه پنج دلیل برای عدم اتکای کامل به هوش مصنوعی در ترید را معرفی کرده و درباره هرکدام به خیلی خلاصه توضیح می‌دهیم:
فقدان هوش هیجانی
هوش مصنوعی در پردازش مقادیر زیادی از داده‌ها و اجرای معاملات با حجم بالا عالی عمل می‌کند، اما هوش هیجانی که معامله‌گران انسانی به ارمغان می‌آورند، از جمله درک احساسات بازار و ملاحظات اخلاقی که ماشین‌ها نمی‌توانند تکرار کنند، را ندارد. تحقیقات اخیر نشان داده‌اند که هوش مصنوعی اغلب در درک زمینه و ظرایف بیان‌های احساسی مشکل دارد. به همین دلیل هم محدودیت‌های هوش مصنوعی، در زمینه‌هایی مانند درمان یا مراقبت‌های بهداشتی که درک احساسات حیاتی است، به وضوح قابل مشاهده است.
اتکای بیش از حد به داده‌های تاریخی
سیستم‌های هوش مصنوعی عمدتاً به داده‌های تاریخی برای پیش‌بینی و تصمیم‌گیری متکی هستند. این موضوع می‌تواند در رخدادهای غیرمترقبه بازار، مانند مواردی که به‌خاطر نبود قوانین مشخص (برای مثال در مواردی مانند FTX یا بایننس) مشاهده شده، مشکل‌ساز شود.
علاوه بر این، داده‌های تاریخی همیشه نمایانگر شرایط فعلی یا آینده نیستند. تغییرات در روندها، رفتار مصرف‌کننده، پویایی بازار یا محیط‌های قانونی ممکن است در صورت قدیمی بودن داده‌ها ثبت نشده و پیش‌بینی‌های نادرستی بر اساس سناریوهایی که دیگر وجود ندارند، ارائه شود.
انعطف نبودن و سازگاری محدود
برخلاف انسان‌ها، الگوریتم‌های هوش مصنوعی دارای طبیعت سختگیرانه‌ای هستند و ممکن است به تغییرات ناگهانی بازار به سرعت واکنش نشان ندهند. این سیستم‌ها در چارچوب الگوریتم‌ها و پارامترهای از پیش‌تعریف‌شده خود عمل می‌کنند. آن‌ها در محیط‌هایی مشابه فضایی که بر اساس آن آموزش دیده‌اند، عالی عمل می‌کنند، اما وقتی شرایط به طور غیرمنتظره‌ای تغییر می‌کند، دچار مشکل می‌شوند.
نگرانی‌های اخلاقی و تعصب
سیستم‌های هوش مصنوعی ممکن است براساس آموزش‌هایشان برایشان تعریف شده، متعصب باشند و همین موضوع می‌تواند منجر به نگرانی‌های اخلاقی در فرآیندهای تصمیم‌گیری شود. اگر داده‌هایی که با آن‌ها آموزش دیده‌اند، حاوی تعصبات تصمیم‌گیری باشند، خروجی‌های هوش مصنوعی احتمالاً این تعصبات را منعکس خواهند کرد، که می‌تواند به تصمیمات ناعادلانه یا تبعیض‌آمیز منجر شود. این تعصبات می‌توانند از استراتژی‌های تجاری گرفته تا تعاملات با مشتری را تحت‌تأثیر قرار دهند، بنابراین به رویکردی دقیق در مدیریت هوش مصنوعی و چارچوب نظارت انسانی قوی نیاز دارد.
وابستگی به فناوری
وابستگی شدید به فناوری‌های هوش مصنوعی ریسک‌هایی مانند خرابی سیستم‌ها یا حملات سایبری که می‌تواند فعالیت‌های تجاری را مختل کند، به همراه دارد.
نمونه‌های قابل توجهی دیده شده که نشان می‌دهد چگونه آسیب‌پذیری‌های فناوری به طور قابل‌توجهی بر تجارت تأثیر گذاشته‌اند. در سال ۲۰۱۲، یک نقص نرم‌افزاری به دلیل استقرار نادرست الگوریتم‌های تجاری منجر به زیان ۴۴۰ میلیون دلاری برای شرکت Knight Capital شد. این باگ تعداد زیادی سفارش‌های ناخواسته را در عرض چند دقیقه به بازار ارسال کرد. علاوه بر این، در سال ۲۰۱۳ هم NASDAQ به دلیل نقص نرم‌افزاری، دچار اختلال قابل‌توجهی شد که انجام معامله را به مدت سه ساعت متوقف کرد. این حوادث اهمیت حیاتی فناوری‌های قابل اعتماد و قابل اطمینان در محیط‌های تجاری و همچنین ریسک‌های وابستگی بیش از حد به فناوری را نشان می‌دهند.
جمع‌بندی
فناوری‌های هوش مصنوعی، به‌ویژه هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLMs)، به‌طور گسترده در بخش مالی برای خودکارسازی فرآیندهای دستی، بهبود تحلیل داده‌ها و شخصی‌سازی تعاملات مشتری به کار گرفته می‌شوند. اخیراً هم برخی از معامله‌گران برای تحلیل و پیش‌بینی قیمت به هوش مصنوعی روی آورده‌اند.
با اینکه هوش مصنوعی مزایای بسیاری در ترید و معامله‌گری دارد، با ریسک‌هایی نیز، مانند اتکای بیش از حد به داده‌های تاریخی، فقدان هوش هیجانی و مسائل اخلاقی احتمالی همراه است. همچنین، وابستگی بخش مالی به فناوری، ریسک خرابی‌های سیستم و حملات سایبری را در پی خواهد داشت که می‌تواند تأثیرات شدیدی بر تجارت و ثبات بازار داشته باشد.
