خدمات مالی سریعتر از آنچه فکر می کنید از هوش مصنوعی مولد استقبال خواهند کرد

هوش مصنوعی و یادگیری ماشینی بیش از یک دهه است که در صنعت خدمات مالی مورد استفاده قرار گرفته‌اند و پیشرفت‌هایی را امکان‌پذیر می‌سازد که از پذیره‌نویسی بهتر تا بهبود نمرات تقلب اساسی هوش مصنوعی مولد از طریق مدل های زبان بزرگ (LLMs) نشان دهنده یک جهش عظیم است و در حال تغییر است تحصیلات, بازی, تجارت، و بیشتر. در حالی که AI/ML سنتی بر پیش‌بینی یا طبقه‌بندی بر اساس داده‌های موجود متمرکز است، هوش مصنوعی مولد ایجاد محتوای جدید خالص   

این توانایی برای آموزش LLM ها بر روی مقادیر زیادی از داده های بدون ساختار، همراه با قدرت محاسباتی اساسا نامحدود، می تواند نتیجه دهد. بزرگترین تحولی است که بازار خدمات مالی در چند دهه اخیر شاهد بوده است. برخلاف سایر تغییرات پلتفرم - اینترنت، موبایل، ابر - که در آن صنعت خدمات مالی در پذیرش عقب مانده است، در اینجا انتظار داریم که اکنون شاهد استقبال بهترین شرکت ها و متصدیان جدید از هوش مصنوعی مولد باشیم.   

شرکت های خدمات مالی دارای داده های مالی تاریخی فراوانی هستند. اگر آنها از این داده ها برای تنظیم دقیق LLM ها استفاده کنند (یا آنها را از ابتدا آموزش دهند، مانند بلومبرگ GPTآنها قادر خواهند بود تقریباً برای هر سؤال مالی به سرعت پاسخ دهند. به عنوان مثال، یک LLM که در مورد چت های مشتری یک شرکت و برخی از داده های مشخصات محصول اضافی آموزش دیده است، باید بتواند فوراً به تمام سؤالات مربوط به محصولات شرکت پاسخ دهد، در حالی که یک LLM که 10 سال از گزارش های فعالیت مشکوک یک شرکت (SARs) آموزش دیده است، باید قادر باشد. برای شناسایی مجموعه ای از معاملات که نشان دهنده یک طرح پولشویی است. ما معتقدیم که بخش خدمات مالی آماده استفاده از هوش مصنوعی مولد است پنج گل: تجارب شخصی مصرف کننده، عملیات مقرون به صرفه، انطباق بهتر، بهبود مدیریت ریسک، و پیش بینی و گزارش پویا. 

Iنفر نبرد بین شرکت های مستقر و استارتاپ ها، با توجه به دسترسی آنها به داده های مالی اختصاصی، متصدیان فعلی در هنگام استفاده از هوش مصنوعی برای راه اندازی محصولات جدید و بهبود عملیات، از مزیت اولیه برخوردار خواهند بود، اما در نهایت به دلیل آستانه بالای دقت و حفظ حریم خصوصی، مانع خواهند شد. از سوی دیگر، تازه واردها ممکن است در ابتدا مجبور باشند از داده های مالی عمومی برای آموزش مدل های خود استفاده کنند، اما آنها به سرعت شروع به تولید داده های خود کرده و به استفاده از هوش مصنوعی به عنوان گوه ای برای توزیع محصول جدید خواهند رسید. 

بیایید به این پنج هدف بپردازیم تا ببینیم چگونه شرکت‌های مستقر و استارت‌آپ‌ها می‌توانند از هوش مصنوعی مولد استفاده کنند.

در حالی که مصرف کننده fشرکت های فناوری اطلاعات در 10 سال گذشته به موفقیت های زیادی دست یافته اند، آنها هنوز بلندپروازانه ترین وعده خود را محقق نکرده اند: برای بهینه سازی ترازنامه و صورت درآمد مصرف کننده، بدون حضور انسانی. این قول همچنان ناقص استپر شده است زیرا رابط‌های کاربر قادر نیستند به طور کامل زمینه انسانی را که بر تصمیم‌گیری‌های مالی تأثیر می‌گذارد یا ارائه مشاوره و فروش متقابل به‌گونه‌ای که به انسان‌ها در انجام مبادلات مناسب کمک می‌کند، به تصویر بکشند.

یک مثال عالی از جایی که زمینه انسانی غیر آشکار اهمیت دارد نحوه مصرف کنندگان است پرداخت قبوض در زمان سختی را در اولویت قرار دهید. مصرف کنندگان تمایل دارند هنگام اتخاذ چنین تصمیماتی، هم سود و هم نام تجاری را در نظر بگیرند، و تأثیر متقابل این دو عامل، ایجاد تجربه ای را که می تواند به طور کامل نحوه بهینه سازی این تصمیم را به تصویر بکشد، پیچیده می کند. این امر ارائه بهترین مربی اعتباری در کلاس را دشوار می کند، برای مثال، بدون دخالت یک کارمند انسانی. در حالی که تجربیاتی مانند Credit Karma می تواند مشتریان را برای 80٪ از سفر همراه کند، 20٪ باقیمانده به دره ای عجیب تبدیل می شود که در آن تلاش های بیشتر برای گرفتن زمینه بیش از حد محدود هستند یا از دقت کاذب استفاده می کنند و اعتماد مصرف کننده را از بین می برند.

کاستی های مشابهی در مدیریت ثروت مدرن و تهیه مالیات وجود دارد. در مدیریت ثروت، مشاوران انسانی راه‌حل‌های فین‌تک را شکست می‌دهند، حتی راه‌حل‌هایی که بر طبقات و استراتژی‌های دارایی خاص متمرکز شده‌اند، زیرا انسان‌ها به شدت تحت تأثیر امیدها، رویاها و ترس‌های خاص هستند. به همین دلیل است که مشاوران انسانی در طول تاریخ توانسته اند توصیه های خود را بهتر از اکثر سیستم های فین تک برای مشتریان خود تنظیم کنند. در مورد مالیات، حتی با کمک نرم افزارهای مدرن، آمریکایی ها بیش از حد خرج می کنند 6 میلیارد ساعت در مورد مالیات خود، 12 میلیون اشتباه مرتکب می شوند، و اغلب از درآمد خود چشم پوشی می کنند یا از مزایایی که از آن آگاه نبودند چشم پوشی می کنند، مانند کسر احتمالی هزینه های سفر کار. 

LLM ها با درک بهتر و در نتیجه هدایت بهتر تصمیمات مالی مصرف کنندگان راه حلی منظم برای این مشکلات ارائه می دهند. این سیستم ها می توانند به سؤالات پاسخ دهند ("چرا بخشی از پرتفوی من در اوراق قرضه دولتی است؟")، معاوضه ها را ارزیابی کنند ("چگونه باید در مورد ریسک مدت زمان در مقابل بازده فکر کنم؟")، و در نهایت زمینه انسانی را در تصمیم گیری قرار دهند ("آیا می توانید بسازید؟" طرحی که به اندازه کافی منعطف باشد تا در آینده به حمایت مالی از والدین سالخورده من کمک کند؟»). این قابلیت‌ها باید فین‌تک مصرف‌کننده را از یک مجموعه استفاده با ارزش بالا، اما با تمرکز محدود، به دیگری تبدیل کند که در آن اپلیکیشن‌ها بتوانند به مصرف‌کنندگان در بهینه‌سازی کل زندگی مالی خود کمک کنند.

-آنیش آچاریا و سومیت سینگ

در یک دنیا در جایی که ابزارهای مولد هوش مصنوعی می توانند در بانک نفوذ کنند، سالی باید به طور مداوم تحت تعهد قرار گیرد تا لحظه ای که تصمیم به خرید خانه می گیرد، وام مسکن از پیش تأیید شده داشته باشد. 

متأسفانه این دنیا به سه دلیل اصلی هنوز وجود ندارد: 

• اول، اطلاعات مصرف کننده در چندین پایگاه داده مختلف زندگی می کند. این امر فروش متقابل و پیش بینی نیازهای مصرف کننده را بسیار چالش برانگیز می کند. 
• دوم، خدمات مالی خریدهای احساسی با درختان تصمیم گیری اغلب پیچیده و سخت در نظر گرفته می شوند. این بدان معناست که بانک‌ها باید تیم‌های خدمات مشتری بزرگی را به کار گیرند تا به سؤالات مشتریان خود درباره بهترین محصولات مالی بر اساس موقعیت‌های فردی پاسخ دهند.
• سوم، خدمات مالی بسیار تنظیم شده است. این بدان معناست که کارکنان انسانی مانند افسران وام و پردازشگرها باید با هر محصول موجود (به عنوان مثال، وام مسکن) در جریان باشند تا از رعایت قوانین پیچیده، اما بدون ساختار اطمینان حاصل کنند.

هوش مصنوعی مولد، کارکردهای پر زحمت کشیدن داده ها از مکان های مختلف، و درک موقعیت های شخصی سازی نشده و قوانین انطباق بدون ساختار را 1000 برابر کارآمدتر می کند. مثلا:

• نمایندگی های خدمات مشتری: در هر بانکی، هزاران کارگزار خدمات مشتریان باید به دقت در مورد محصولات بانک و الزامات مربوط به انطباق آموزش ببینند تا بتوانند به سوالات مشتریان پاسخ دهند. حالا تصور کنید که یک نماینده خدمات مشتری جدید شروع به کار کند و آنها از مزایای دسترسی به یک LLM برخوردار باشند که در 10 سال گذشته تماس های خدمات مشتری در تمام بخش های بانک آموزش دیده است. نماینده می‌تواند از این مدل برای ایجاد سریع پاسخ صحیح برای هر سؤالی استفاده کند و به آن‌ها کمک کند تا با هوشمندی بیشتری درباره طیف وسیع‌تری از محصولات صحبت کنند و به طور همزمان میزان زمان مورد نیاز برای آموزش آنها را کاهش دهند. یک متصدی متصدی می‌خواهد اطمینان حاصل کند که داده‌های اختصاصی و PII ویژه مشتری برای بهبود یک LLM عمومی که سایر شرکت‌ها می‌توانند از آن استفاده کنند، استفاده نمی‌شود. تازه واردها باید در مورد نحوه بوت استرپ یک مجموعه داده خلاق باشند.
• افسران وام: افسران وام در حال حاضر داده ها را از نزدیک به دوازده سیستم مختلف برای تولید یک فایل وام می گیرند. یک مدل هوش مصنوعی مولد می تواند بر روی داده های همه این سیستم ها آموزش داده شود، به طوری که یک افسر وام می تواند به سادگی نام مشتری را ارائه دهد و فایل وام فوراً برای آنها ایجاد شود. یک افسر وام احتمالا هنوز هم باید از صحت 100% اطمینان حاصل کند، اما فرآیند جمع آوری داده ها بسیار کارآمدتر و دقیق تر خواهد بود.
• تضمین کیفیت: بخش عمده ای از QA در بانک ها و شرکت های فین تک شامل اطمینان از انطباق کامل با نهادهای نظارتی متعدد است. هوش مصنوعی مولد می تواند این فرآیند را به طرز چشمگیری سرعت بخشد. مثلا، الهه رومی خدای اجاق و خانهداری می تواند از یک مدل هوش مصنوعی مولد آموزش دیده با راهنمای فروش Fannie Mae استفاده کند تا فوراً به مسئول وام مسکن در مورد مسائل مربوط به انطباق هشدار دهد. از آنجایی که بسیاری از راهنماهای نظارتی به صورت عمومی در دسترس هستند، این ممکن است گوه جالبی برای تازه واردان بازار ایجاد کند. با این حال، ارزش واقعی همچنان به شرکت هایی تعلق می گیرد که موتور گردش کار را دارند.

همه اینها مراحلی هستند که به دنیایی منتهی می شوند که در آن سالی می تواند به یک وام مسکن بالقوه دسترسی فوری داشته باشد.

-آنجلا استرنج، الکس رامپل و مارک آندروسکو

بخش‌های انطباق آتی که از هوش مصنوعی مولد استقبال می‌کنند به طور بالقوه می‌توانند 800 میلیارد دلار را متوقف کنند 2 تریلیون دلار که هر ساله به طور غیرقانونی در سراسر جهان شسته می شود. قاچاق مواد مخدر، جرایم سازمان یافته و سایر فعالیت های غیرقانونی همه شاهد کاهش چشمگیر خود در چند دهه خواهند بود.

امروز، میلیاردها دلار در حال حاضر صرف انطباق است 3٪ موثر است در جلوگیری از پولشویی مجرمانه نرم افزار انطباق عمدتاً بر اساس قوانین "سخت کد شده" ساخته شده است. برای مثال، سیستم‌های مبارزه با پول‌شویی، افسران تطبیق را قادر می‌سازند تا قوانینی مانند «پرچم‌گذاری هر تراکنش بیش از ۱۰ هزار دلار» یا بررسی سایر فعالیت‌های مشکوک از پیش تعریف‌شده را اجرا کنند. به کارگیری چنین قوانینی می تواند یک علم ناقص باشد، که منجر به سیل شدن بیشتر مؤسسات مالی با موارد مثبت کاذب می شود که از نظر قانونی موظف به بررسی آنها هستند. کارمندان انطباق بیشتر وقت خود را صرف جمع آوری اطلاعات مشتری از سیستم ها و بخش های مختلف می کنند تا هر تراکنش پرچم گذاری شده را بررسی کنند. به اجتناب از جریمه های سنگینآنها هزاران نفر را استخدام می کنند که اغلب بیش از 10 درصد از نیروی کار یک بانک را تشکیل می دهند. 

آینده ای با هوش مصنوعی مولد می تواند این امکان را فراهم کند:

• غربالگری کارآمد: یک مدل هوش مصنوعی مولد می‌تواند خلاصه‌ای از اطلاعات کلیدی را در سراسر سیستم‌های متفاوت در هر فردی به سرعت در اختیار یک افسر انطباق قرار دهد - به افسران انطباق اجازه می‌دهد سریع‌تر در مورد مشکل بودن یک تراکنش پاسخ دهند. 
• بهتر است شوینده ها را پیش بینی کنید: اکنون مدلی را تصور کنید که در 10 سال گذشته گزارش‌های فعالیت مشکوک (SAR) آموزش دیده است. بدون نیاز به گفتن مدل مشخصاً یک پول شویی، هوش مصنوعی می تواند برای شناسایی الگوهای جدید در گزارش ها و ایجاد تعاریف خاص خود از آنچه که یک پولشویی است استفاده شود. 
• تجزیه و تحلیل اسناد سریعتر: بخش‌های انطباق مسئول اطمینان از پیروی از سیاست‌ها و رویه‌های داخلی شرکت و همچنین رعایت الزامات قانونی هستند. هوش مصنوعی مولد می‌تواند حجم زیادی از اسناد، مانند قراردادها، گزارش‌ها و ایمیل‌ها را تجزیه و تحلیل کند و مسائل بالقوه یا زمینه‌های نگران‌کننده‌ای را که نیاز به بررسی بیشتر دارند، علامت‌گذاری کند.
• آموزش و آموزش: هوش مصنوعی مولد می تواند برای توسعه مواد آموزشی و شبیه سازی سناریوهای دنیای واقعی برای آموزش افسران انطباق در مورد بهترین شیوه ها و نحوه شناسایی خطرات بالقوه و رفتارهای ناسازگار استفاده شود.

تازه واردها می‌توانند با داده‌های انطباق عمومی در دسترس از ده‌ها آژانس راه‌اندازی کنند و جستجو و ترکیب را سریع‌تر و در دسترس‌تر کنند. شرکت های بزرگتر از سال ها داده های جمع آوری شده سود می برند، اما باید ویژگی های حریم خصوصی مناسب را طراحی کنند. انطباق مدت هاست که به عنوان یک مرکز هزینه رو به رشد در نظر گرفته می شود که توسط فناوری قدیمی پشتیبانی می شود. هوش مصنوعی مولد این را تغییر خواهد داد.

-آنجلا استرنج و جو اشمیت

Archegos و نهنگ لندن ممکن است شبیه موجوداتی از اساطیر یونان به نظر برسند، اما هر دو نشان دهنده شکست های بسیار واقعی در مدیریت ریسک هستند که برای چندین بانک بزرگ جهان میلیاردها زیان به بار آورد. نمونه بسیار جدیدتر بانک سیلیکون ولی را در نظر بگیرید، و مشخص می شود که مدیریت ریسک همچنان برای بسیاری از موسسات مالی پیشرو ما یک چالش است. 

در حالی که پیشرفت‌های هوش مصنوعی قادر به حذف کامل ریسک‌های اعتباری، بازارها، نقدینگی و عملیاتی نیست، ما معتقدیم که این فناوری می‌تواند نقش مهمی در کمک به موسسات مالی در شناسایی، برنامه‌ریزی و واکنش سریع‌تر در زمانی که این خطرات اجتناب‌ناپذیر است، ایفا کند. از نظر تاکتیکی، در اینجا چند زمینه وجود دارد که ما معتقدیم هوش مصنوعی می‌تواند به مدیریت ریسک کارآمدتر کمک کند:

• پردازش زبان طبیعی: مدل‌های LLM مانند ChatGPT می‌توانند به پردازش مقادیر زیادی از داده‌های بدون ساختار، مانند مقالات خبری، گزارش‌های بازار و تحقیقات تحلیلگران کمک کنند و دید کامل‌تری از ریسک‌های بازار و طرف مقابل ارائه دهند.
• بینش در زمان واقعی: مشاهده فوری شرایط بازار، رویدادهای ژئوپلیتیکی و سایر عوامل خطر می‌تواند به شرکت‌ها اجازه دهد تا با شرایط در حال تغییر با سرعت بیشتری سازگار شوند.
• تجزیه و تحلیل پیش بینی کننده: توانایی اجرای سناریوهای بسیار پیچیده‌تر و ارائه هشدارهای اولیه می‌تواند به شرکت‌ها در مدیریت فعال‌تر مواجهه‌ها کمک کند.
• انتگرال گیری: ادغام سیستم‌های متفاوت و استفاده از هوش مصنوعی برای ترکیب اطلاعات می‌تواند به ارائه دید کامل‌تری از مواجهه با ریسک و ساده‌سازی فرآیندهای مدیریت ریسک کمک کند.

-دیوید هابر و مارک آندروسکو

LLM ها علاوه بر اینکه می توانند در پاسخ به سؤالات مالی کمک کنند، می توانند به تیم های خدمات مالی کمک کنند تا فرآیندهای داخلی خود را بهبود بخشند و جریان کار روزمره تیم های مالی خود را ساده کنند. علیرغم پیشرفت‌ها در عملاً هر جنبه دیگری از امور مالی، جریان کار روزمره تیم‌های مالی مدرن همچنان توسط فرآیندهای دستی مانند Excel، ایمیل و ابزارهای هوش تجاری که به ورودی‌های انسانی نیاز دارند هدایت می‌شود. به دلیل کمبود منابع علم داده، وظایف اصلی هنوز باید خودکار شوند، و مدیران مالی مالی و گزارش‌های مستقیم آن‌ها در نتیجه زمان زیادی را صرف کارهای وقت‌گیر نگهداری سوابق و گزارش‌دهی می‌کنند، در حالی که باید بر روی آنها تمرکز کنند. بالای هرم تصمیمات استراتژیک 

به طور کلی، هوش مصنوعی مولد می‌تواند به این تیم‌ها کمک کند تا داده‌ها را از منابع بیشتری دریافت کنند و فرآیند برجسته‌سازی روندها و ایجاد پیش‌بینی‌ها و گزارش‌ها را خودکار کنند. چند مثال عبارتند از:

• پیش بینی: هوش مصنوعی مولد می تواند به نوشتن فرمول ها و پرس و جوها در ابزارهای Excel، SQL و BI کمک کند که می توانند تجزیه و تحلیل را خودکار کنند. علاوه بر این، چنین ابزارهایی می‌توانند به سطح الگوها کمک کنند و ورودی‌هایی را برای پیش‌بینی‌ها از مجموعه گسترده‌تری از داده‌ها با سناریوهای پیچیده‌تر (یعنی عامل در اقتصاد کلان) پیشنهاد کنند و نحوه انطباق آسان‌تر آن مدل‌ها را برای اطلاع‌رسانی در تصمیم‌گیری شرکت پیشنهاد کنند. 
• گزارش نویسی: به‌جای صرف زمان برای کشیدن داده‌ها و تجزیه و تحلیل‌ها به صورت دستی در گزارش‌های خارجی و داخلی (به عنوان مثال، عرشه‌های تابلو، گزارش‌های سرمایه‌گذار، داشبوردهای هفتگی)، هوش مصنوعی مولد می‌تواند به ایجاد خودکار متن، نمودار، نمودار و موارد دیگر کمک کند، و چنین گزارش‌هایی را بر اساس نمونه های مختلف
• حسابداری و مالیات: هم تیم حسابداری و هم تیم مالیاتی وقت خود را صرف مشاوره قوانین و درک نحوه اعمال آنها می کنند. هوش مصنوعی مولد می تواند به ترکیب، خلاصه کردن و پیشنهاد پاسخ های بالقوه در مورد کد مالیاتی و کسورات احتمالی کمک کند.
• تدارکات و مطالبات پرداختنی: هوش مصنوعی مولد می تواند به تولید خودکار و تطبیق قراردادها، سفارشات خرید و فاکتورها و یادآوری ها کمک کند.

با این اوصاف، مهم است که در اینجا به محدودیت‌های فعلی خروجی هوش مصنوعی مولد توجه داشته باشید - به ویژه در مورد حوزه‌هایی که نیاز به قضاوت یا پاسخ دقیق دارند، همانطور که اغلب برای یک تیم مالی لازم است. مدل‌های هوش مصنوعی مولد همچنان در محاسبات بهبود می‌یابند، اما هنوز نمی‌توان برای دقت کامل به آن‌ها اعتماد کرد، یا حداقل نیاز به بررسی انسانی دارند. همانطور که مدل ها به سرعت بهبود می یابند، با داده های آموزشی اضافی و با توانایی تقویت با ماژول های ریاضی، امکانات جدیدی برای استفاده از آن باز می شود.

-سیما امبل

چالش ها

در میان این پنج گرایش، شرکت‌های تازه وارد و متصدی‌های فعلی با دو چالش اصلی در تحقق این آینده هوش مصنوعی مولد روبرو هستند.

1. آموزش LLM با داده های مالی: LLM ها در حال حاضر در اینترنت آموزش می بینند. موارد استفاده از خدمات مالی نیازمند تنظیم دقیق این مدل‌ها با داده‌های مالی خاص مورد استفاده است. شرکت‌های تازه وارد احتمالاً قبل از استفاده از داده‌های خود در طول زمان، مدل‌های خود را با اطلاعات مالی شرکت‌های دولتی، اسناد نظارتی و سایر منابع داده‌های مالی عمومی که به راحتی در دسترس هستند، اصلاح خواهند کرد. بازیکنان موجود، مانند بانک‌ها یا پلتفرم‌های بزرگ با عملیات خدمات مالی (مثلاً Lyft)، می‌توانند از داده‌های موجود و اختصاصی خود استفاده کنند و به طور بالقوه به آنها یک مزیت اولیه بدهد. با این حال، شرکت‌های خدمات مالی موجود، در هنگام پذیرش تغییرات بزرگ در پلتفرم، بیش از حد محافظه‌کار هستند. از نظر ما، این مزیت رقابتی را به شرکت‌های جدید بدون محدودیت می‌دهد.
2. دقت خروجی مدل: با توجه به تاثیری که پاسخ به یک سوال مالی بر افراد، شرکت ها و جامعه می تواند داشته باشد، این مدل های جدید هوش مصنوعی باید تا حد امکان دقیق باشند. آن‌ها نمی‌توانند به سؤالات مهم درباره مالیات یا سلامت مالی خود پاسخ‌های اشتباه اما مطمئن بسازند، و باید بسیار دقیق‌تر از پاسخ‌های تقریبی پرسش‌های فرهنگ عامه یا مقاله‌های عمومی دبیرستان باشند. برای شروع، اغلب یک انسان در حلقه به عنوان تأیید نهایی برای پاسخ تولید شده توسط هوش مصنوعی وجود دارد.

ظهور هوش مصنوعی مولد یک تغییر پلت فرم چشمگیر برای شرکت های خدمات مالی است که پتانسیل ایجاد آن را دارند راه حل های مشتری شخصی، عملیات مقرون به صرفه تر، انطباق بهتر و مدیریت ریسک بهبود یافته است، و همچنین پیش بینی و گزارش پویاتر شرکت‌های مستقر و استارت‌آپ‌ها برای تسلط بر دو چالش مهمی که در بالا به آن اشاره کردیم، مبارزه خواهند کرد. در حالی که ما هنوز نمی دانیم چه کسی پیروز خواهد شد، می دانیم که در حال حاضر یک برنده آشکار وجود دارد: مصرف کنندگان خدمات مالی آینده.

***

نظرات بیان شده در اینجا نظرات پرسنل AH Capital Management, LLC ("a16z") نقل شده است و نظرات a16z یا شرکت های وابسته به آن نیست. برخی از اطلاعات موجود در اینجا از منابع شخص ثالث، از جمله از شرکت‌های سبد سرمایه‌ای که توسط a16z مدیریت می‌شوند، به‌دست آمده است. در حالی که a16z از منابعی گرفته شده است که معتقدند قابل اعتماد هستند، a16z به طور مستقل چنین اطلاعاتی را تأیید نکرده است و هیچ اظهارنظری در مورد صحت پایدار اطلاعات یا مناسب بودن آن برای یک موقعیت خاص ارائه نمی کند. علاوه بر این، این محتوا ممکن است شامل تبلیغات شخص ثالث باشد. aXNUMXz چنین تبلیغاتی را بررسی نکرده و محتوای تبلیغاتی موجود در آن را تایید نمی کند.

این محتوا فقط برای مقاصد اطلاعاتی ارائه شده است و نباید به عنوان مشاوره حقوقی، تجاری، سرمایه گذاری یا مالیاتی به آن اعتماد کرد. شما باید در مورد این موارد با مشاوران خود مشورت کنید. ارجاع به هر گونه اوراق بهادار یا دارایی دیجیتال فقط برای مقاصد توضیحی است و به منزله توصیه یا پیشنهاد سرمایه گذاری برای ارائه خدمات مشاوره سرمایه گذاری نیست. علاوه بر این، این محتوا برای هیچ سرمایه‌گذار یا سرمایه‌گذار بالقوه‌ای هدایت نشده و برای استفاده از آن در نظر گرفته نشده است، و تحت هیچ شرایطی نمی‌توان هنگام تصمیم‌گیری برای سرمایه‌گذاری در هر صندوقی که توسط a16z مدیریت می‌شود، به آن اعتماد کرد. (پیشنهاد سرمایه گذاری در یک صندوق a16z فقط توسط یادداشت قرار دادن خصوصی، قرارداد اشتراک و سایر اسناد مربوط به هر صندوق انجام می شود و باید به طور کامل خوانده شود.) هر گونه سرمایه گذاری یا شرکت پرتفوی ذکر شده، ارجاع شده، یا شرح داده شده نشان دهنده همه سرمایه گذاری ها در وسایل نقلیه تحت مدیریت a16z نیست، و نمی توان اطمینان داشت که سرمایه گذاری ها سودآور هستند یا سایر سرمایه گذاری های انجام شده در آینده ویژگی ها یا نتایج مشابهی خواهند داشت. فهرستی از سرمایه‌گذاری‌های انجام‌شده توسط صندوق‌های تحت مدیریت آندریسن هوروویتز (به استثنای سرمایه‌گذاری‌هایی که ناشر مجوز افشای عمومی a16z و همچنین سرمایه‌گذاری‌های اعلام‌نشده در دارایی‌های دیجیتالی عمومی را ارائه نکرده است) در https://a16z.com/investments موجود است. /.

نمودارها و نمودارهای ارائه شده در داخل صرفاً برای مقاصد اطلاعاتی هستند و هنگام تصمیم گیری برای سرمایه گذاری نباید به آنها اعتماد کرد. عملکرد گذشته نشان دهنده نتایج آینده نیست. محتوا فقط از تاریخ مشخص شده صحبت می کند. هر گونه پیش بینی، تخمین، پیش بینی، هدف، چشم انداز، و/یا نظرات بیان شده در این مطالب بدون اطلاع قبلی ممکن است تغییر کند و ممکن است متفاوت یا مغایر با نظرات بیان شده توسط دیگران باشد. لطفاً برای اطلاعات مهم بیشتر به https://a16z.com/disclosures مراجعه کنید.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
• منبع: https://a16z.com/2023/04/19/financial-services-will-embrace-generative-ai-faster-than-you-think/