سه اصطلاح GenAI که پزشکان مالی در سال 2023 یاد گرفتند

سه اصطلاح GenAI که پزشکان مالی در سال 2023 یاد گرفتند

تمبر زمان: 3 ژانویه 2024، 9:31 صبح
سه اصطلاح GenAI که پزشکان مالی در سال 2023 در هوش داده PlatoBlockchain یاد گرفتند. جستجوی عمودی Ai.

سال 2023 برای بسیاری در سیاره ما سال پر دردسری بود - جنگ، خشونت، جابجایی جمعیت، فجایع، افراط گرایی، هزینه های بالاتر زندگی و فقر. افرادی که در صنعت ما کار می کنند نسبتاً خوش شانس بودند، برخی از ما با گردباد هیجان انگیز GenerativeAI نیرو گرفته ایم. همانطور که HFT واژگان بازارهای سرمایه را در دهه 2000 متحول کرد و دیجیتالی شدن واژگان بانکداری و خدمات مالی را در دهه 2010 متحول کرد، GenAI واژگان هوش مصنوعی جدیدی را نیز با سرعت بسیار کمی برای ما به ارمغان آورده است.

با آن، ما با اصطلاحات بسیاری مواجه شدیم، بسیاری از آنها به سختی در سال 2022 استفاده می شدند، اما اکنون معانی جدید یا بسیار متفاوتی دارند. من و بسیاری دیگر در خدمات مالی، هر روز از آنها استفاده می کنیم. اگر شما یکی از معدود (غیر) خوش‌شانس‌هایی هستید که این کار را نمی‌کنند، در اینجا یک تازه‌سازی سریع از سه مورد مورد علاقه من است!

ترم 1: پایگاه داده برداری

به اصطلاح پایگاه داده برداری به عنوان ابزاری برای بهبود کیفیت پاسخ‌ها به درخواست‌ها، به هسته اصلی بسیاری از پشته‌های GenAI سازمانی تبدیل شده است. گزینه‌های جایگزین، به‌عنوان مثال، «تنظیم دقیق» مدل‌های زبان بزرگ [LLM] بدون پایگاه داده همراه، گران هستند و مملو از مخاطرات و هزینه‌های سربار انطباق هستند. یک پایگاه داده برداری اطلاعات اختصاصی سازمانی را جمع‌آوری می‌کند، اثربخشی هزینه را به همراه دارد و کنترل مقایسه‌ای می‌دهد. شرکت های خدمات مالی مطمئناً در صف استفاده از پایگاه های داده برداری هستند.

از قضا در امور مالی، بردارها برای سال‌ها جزء جبر ماتریسی غالب در تجارت و مدیریت ریسک بوده‌اند. ذخیره‌سازی داده‌های این گونه «بردارها» و ماتریس‌ها نیز برای دهه‌ها وجود داشته است، معمولاً در پایگاه‌های داده ستونی، یا به‌عنوان جداول یا قالب‌های داده مورد استفاده در زبان‌هایی مانند پایتون (پاندا)، R، MATLAB و SAS. هنگامی که بازیابی و استفاده می شوند، به عنوان مثال به عنوان سری زمانی مالی و داده های تابلویی، در ارتباط با تکنیک هایی مانند رگرسیون خطی و سری زمانی، آن ها تجزیه و تحلیل پیش بینی، تشخیص ناهنجاری، و اقتصاد سنجی را هدایت می کنند. آنها همچنین به اطلاع رسانی به بک تست، به ویژه در مورد تجارت، مدیریت پورتفولیو و استراتژی های ریسک کمک می کنند. در حالی که بازارهای سرمایه - دفتر اصلی و میانی - هزینه جبر ماتریسی را رهبری می کردند، موارد استفاده تحلیلی-محور فزاینده ای مانند بازاریابی، کشف تقلب و دیجیتالی شدن عموماً علم داده - و بردارها - را در سراسر سازمان های مالی به خود اختصاص دادند.

بنابراین، وقتی یکی از همکاران سابق در ژوئن 2021 برای یک استارت آپ "پایگاه داده برداری" کار کرد، مجذوب شدم. مقاله او در

حل مسائل پیچیده با پایگاه داده برداری از قبل از ChatGPT مارس 2022، توجه من را به خود جلب کرد زیرا او انواع بردار بسیار خاصی را برجسته کرد - جاسازی‌های برداری - بردارهای قابل پیمایش با جستجوی آسان را رمزگذاری کرد و دانش را از اطلاعات بدون ساختار مانند کلمات، تصاویر و غیره دریافت کرد. وقتی ChatGPT اواخر همان سال راه‌اندازی شد، بردارهایی از این قبیل را ذخیره می‌کرد. انواع جاسازی به ابزارهای کلیدی مدیریت معنای معنایی ارتقا یافتند. معمولاً فروشگاه‌ها پایگاه داده‌های برداری هستند که از این میان هستند

در حال حاضر بسیاری وجود دارد. در حال حاضر، آنها معمولاً به برنامه‌های خدمات مالی و بازار سرمایه کمک می‌کنند

موارد استفاده پردازش زبان طبیعیبه عنوان مثال، خلاصه کردن اسناد قانونی و گزارش های مالی، یا گرفتن احساسات از رسانه های اجتماعی و فیدهای خبری. با این حال، آنها همچنین در حال مقابله با بیشتر هستند

برنامه های کاربردی درگیربه عنوان مثال، تقویت بینش های تجاری و مدیریت ریسک، اغلب در کنار آمار سنتی و یادگیری ماشینی.

اتفاقاً، شرکتی که همکار سابق من برای پیوستن به آن رفته بود، تبدیل به یک تک شاخ GenAI شد که ارزش آن 750 میلیون دلار است. کار خوبی است اگر بتوانید آن را دریافت کنید!

ترم 2: RAG، با نام مستعار بازیابی نسل افزوده

RAG در بهار 2023 تقریباً کلمه ای بر لبان کسی نبود، حداقل به معنای بزرگ کلمه RAG "Retrieval Augmented Generation". آمار جستجوی گوگل برای عبارات از حدود ژوئیه 2023 تسریع شد و تا پاییز/پاییز، RAG همه جا بود، رویکرد خط لوله غالب که با استفاده از آن پایگاه های داده برداری به رام کردن مدل زبان بزرگ "طوطی های تصادفی" کمک می کند. از یک طرف، RAG خطوط لوله را برای ارائه گردش کار داده های سازمانی محصور می کند و از سوی دیگر به طور عملی به شرکت های مالی کمک می کند تا توهمات را کاهش دهند و مدیریت ریسک داخلی و خارجی و فرآیندهای انطباق با هوش مصنوعی را تطبیق دهند.  

وجود دارد
بسیاری از انواع RAG خطوط لوله، و آنها می توانند به طرز ترسناکی پیچیده به نظر برسند. با این حال، RAG را صرفاً به عنوان یک خط لوله داده بین درخواست‌ها، داده‌های سازمانی و مدل‌های زبان بزرگ در نظر بگیرید. برای کسب اطلاعات بیشتر و دیدن اینکه چگونه بر امور مالی تأثیر می گذارد، من را بخوانید

وبلاگ ظریف و یا تماشای
این پخش اینترنتی عالی خلاصه فرصت های مدیریت ریسک RAG. اگر شروع به پیاده سازی آنها در هر مرحله ای کنید، احتمالاً محیط های «راگ پسند» مانند LangChain و را کاوش خواهید کرد.
LlamaIndex.

ترم 3: توهم

من از اصطلاح "توهمات" در بخش قبلی خود استفاده کردم، و آن را به عنوان یک مشکل حل شده توسط RAG و به نوبه خود توسط پایگاه داده های برداری مطرح کردم. با GenAI، توهم‌ها دیگر صرفاً محرک‌های خلاقیت تحریک‌کننده ذهن نیستند، مانند گروهبان گروهبان Pepper's Lonely Hearts Club توسط گروه Beatles یا ارتعاشات خوب Beachboys. آنها همچنین محفوظ رویای شمنی نیستند که توسط بسیاری از مردمان انجام می شود، به عنوان مثال.
مردمان چوکچی سیبری شرقیو نه فعالیت های فیزیکی که از تکنیک های تغییر دهنده ذهن استفاده می کنند، مانند یوگا، ماساژ و سکس تنتریک. کلمه "توهم" همچنین اکنون در مورد نارسایی های LLM در جهت یابی اطلاعاتی که مدل ها به آنها دسترسی ندارند یا از اطلاعات موجود سوء استفاده می کنند، به کار می رود. خیلی سریع مشخص شد که

ChatGPT، Bard و سیستم های مشابه مستعد پاسخ های "توهم آمیز" تولید شده بودندو هنگامی که اقدامات ناآگاهانه انجام می شد، خطر ایجاد می کرد. 

پیچش اینجاست. مارک آندرسن، سرمایه‌گذار هوش مصنوعی، پیشنهاد می‌کند که در حالی که بیشتر توهم‌ها را به عنوان یک اشکال می‌بینند، اما وقتی از هوش مصنوعی به عنوان یک ابزار استفاده می‌شود، می‌توانند به عنوان ویژگی مفید باشند. همکار، یک پیشنهاد دهنده و یک حدس دهنده. به عنوان کمک طوفان فکری، حدس های ساخته شده آنها می تواند به خلاقیت انسان دامن بزند. به عنوان مثال، اندرسن چگونگی استفاده وکلا از پیشنهادات "ساخته" هوش مصنوعی را در طول آماده سازی پرونده برای تصور استراتژی های حقوقی جدید برجسته می کند. در خدمات مالی، معامله‌گران در وال استریت در حال حاضر از هوش مصنوعی و پایگاه‌های داده برداری برای یافتن فرصت‌های معاملاتی استفاده می‌کنند.

هر چه در مورد GenAI فکر کنید، مطمئناً یک فرهنگ لغت جدید لذت بخش برای ما به ارمغان آورده است!

تمبر زمان:

بیشتر از فینسترا