ការកើនឡើងនៃ AI ច្បាស់ណាស់បានជះឥទ្ធិពលលើឧស្សាហកម្មផ្សេងៗ ហើយឧស្សាហកម្មហិរញ្ញវត្ថុគឺស្ថិត ក្នុងចំណោមអ្នកដែលរងផលប៉ះពាល់ខ្លាំងបំផុត ។ ឧទាហរណ៍ ការបើកដំណើរការជាសាធារណៈនៃគំរូដូចជា GPT-3.5 កាលពីឆ្នាំមុនបានបង្កើនចំណាប់អារម្មណ៍ក្នុងការប្រើប្រាស់ AI ដើម្បីជួយបង្កើនសមត្ថភាពអ្នកគ្រប់គ្រងមូលនិធិក្នុងការវិភាគ ការគ្រប់គ្រងហានិភ័យ និងការសម្រេចចិត្ត។
ដូច្នេះ ឧបករណ៍ AI ត្រូវបានអនុវត្តដើម្បីធ្វើឱ្យការវាយតម្លៃទីផ្សារកាន់តែត្រឹមត្រូវ និងគ្រប់គ្រងហានិភ័យកាន់តែមានប្រសិទ្ធភាព។ អ្នកគ្រប់គ្រងផលប័ត្រត្រូវបានគេរំពឹងថានឹងធ្វើការវាយតម្លៃកាន់តែច្បាស់អំពីចលនាទីផ្សារ បង្រួមជម្រើសវិនិយោគសមស្រប និងគ្រប់គ្រងហានិភ័យនៅពេលដែលពួកគេអនុវត្តក្បួនដោះស្រាយការរៀនម៉ាស៊ីន ដំណើរការភាសាធម្មជាតិ និងឧបករណ៍បញ្ញាសិប្បនិម្មិតក្នុងការជួញដូររបស់ពួកគេ។
ការរួមបញ្ចូលនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីន ក៏ដូចជាឧបករណ៍កែច្នៃភាសាធម្មជាតិទៅក្នុងយុទ្ធសាស្រ្តជួញដូររបស់អ្នកលេងសំខាន់ៗ ជួយពួកគេបង្កើនប្រសិទ្ធភាពនៃដំណើរការទាំងនេះ និងទទួលបានអត្ថប្រយោជន៍ប្រកួតប្រជែងជាមួយនឹងការសម្រេចចិត្តវិនិយោគលឿន និងត្រឹមត្រូវជាងមុន និងការវិភាគព្យាករណ៍។
ក្នុងប៉ុន្មានទសវត្សរ៍ចុងក្រោយនេះ AI ត្រូវបានអនុវត្តនៅក្នុងវិស័យផ្សេងៗនៃឧស្សាហកម្មហិរញ្ញវត្ថុ។ នៅក្នុងការិយាល័យខាងក្រោយ ក្បួនដោះស្រាយ ML ត្រូវបានប្រើដើម្បីស្វែងរកភាពមិនប្រក្រតីនៅក្នុងកំណត់ហេតុប្រតិបត្តិការ រកឃើញប្រតិបត្តិការគួរឱ្យសង្ស័យ ក៏ដូចជាគ្រប់គ្រងហានិភ័យ ដែលនាំឱ្យបង្កើនប្រសិទ្ធភាព និងសុវត្ថិភាព។ នៅក្នុងការិយាល័យខាងមុខ AI កំពុងជួយបែងចែកអតិថិជន ធ្វើស្វ័យប្រវត្តិកម្មដំណើរការគាំទ្រអតិថិជន និងបង្កើនប្រសិទ្ធភាពតម្លៃឧបករណ៍និស្សន្ទ។
ទោះជាយ៉ាងណាក៏ដោយ ផ្នែកដ៏គួរឱ្យចាប់អារម្មណ៍បំផុតរបស់វាគឺសមត្ថភាព AI សម្រាប់ផ្នែកទិញនៃហិរញ្ញវត្ថុ - កំណត់សញ្ញាព្យាករណ៍ចំពេលមានសំលេងរំខានទីផ្សារដោយការវិភាគបរិមាណទិន្នន័យសំខាន់ៗឱ្យបានលឿនតាមដែលអាចធ្វើទៅបាន។ ឧទាហរណ៍ កម្មវិធីបែបនេះអាចរួមបញ្ចូលការព្យាករណ៍ស៊េរីពេលវេលា ការបែងចែកទីផ្សារ និងជាការពិតណាស់ ការគ្រប់គ្រងផលប័ត្រទ្រព្យសកម្ម។ ឱកាសរបស់ AI ក្នុងការដំណើរការ និងវិភាគសំណុំទិន្នន័យដ៏ច្រើន ជួយស្វែងរកគំរូល្អិតល្អន់ ដែលវិធីសាស្ត្រប្រពៃណីប្រហែលជានឹងខកខាន។
ការបង្កើនប្រសិទ្ធភាពផលប័ត្រគឺជាការអនុវត្តទូទៅជាច្រើនទសវត្សរ៍មកហើយ ដោយមានការវិវឌ្ឍយ៉ាងសំខាន់ក្រោមការអភិវឌ្ឍន៍វិទ្យាសាស្ត្រទិន្នន័យ និងការអនុវត្តបច្ចេកទេសគណនាកម្រិតខ្ពស់។ វិធីសាស្រ្ត Сlassical ដូចជាទ្រឹស្តីផលប័ត្រទំនើបរបស់ Markowitz (1952) និងគំរូតម្លៃទ្រព្យសកម្មមូលធន (1964) ត្រូវបានណែនាំជាង 50 ឆ្នាំមុន ប៉ុន្តែនៅតែពាក់ព័ន្ធ។ ទោះជាយ៉ាងណាក៏ដោយ ដែនកំណត់របស់ពួកគេក្នុងការដោះស្រាយហានិភ័យដែលមិនមែនជាលីនេអ៊ែរ និងការពឹងផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រកាន់តែច្បាស់ពីមួយថ្ងៃទៅមួយថ្ងៃ។
ការអនុវត្តដូចជាគំរូហានិភ័យ ការវិភាគសេណារីយ៉ូ និងការជួញដូរបរិមាណ ដែលត្រូវបានអនុវត្តយ៉ាងទូលំទូលាយដោយអ្នកលេងសំខាន់ៗ ដូចជាក្រុមហ៊ុន Renaissance Technologies, DE Shaw និង Two Sigma Investments បាននាំឱ្យមានការអនុវត្តក្បួនដោះស្រាយដ៏ស្មុគស្មាញ និងកម្រិតខ្ពស់។ លើសពីនេះ ឧស្សាហកម្មនេះត្រូវបានរងផលប៉ះពាល់យ៉ាងខ្លាំងដោយ AI ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ ដោយសារការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិម្មិតបានធ្វើឱ្យការវិភាគទស្សន៍ទាយមានភាពត្រឹមត្រូវជាងមុន និងបានធ្វើដូចគ្នាទៅនឹងយុទ្ធសាស្រ្តវិនិយោគផ្ទាល់ខ្លួន និងដំណើរការធ្វើការសម្រេចចិត្តស្មុគ្រស្មាញដោយស្វ័យប្រវត្តិ។
ការផ្លាស់ប្តូរដែលជំរុញដោយ AI នេះបានធ្វើឱ្យអ្នកគ្រប់គ្រងផលប័ត្រអាចដំណើរការអារេដ៏ធំនៃទិន្នន័យក្នុងពេលវេលាជាក់ស្តែង និងដោះស្រាយបញ្ហាប្រឈមសំខាន់ៗចំនួនបី៖
នេះបើយោងតាម
ការបង្កើនការអនុម័ត និងការវិនិយោគនៅក្នុងដំណោះស្រាយគ្រប់គ្រងទ្រព្យសកម្មដែលដំណើរការដោយ AI និងការរំលេចការប្រើប្រាស់ជាក់ស្តែងនៃ AI ក្នុងការបង្កើនប្រសិទ្ធភាពផលប័ត្រ។
ការអនុម័ត AI នៅក្នុងឧស្សាហកម្មគ្រប់គ្រងទ្រព្យសកម្មមិនមែនជានិន្នាការថ្មីទេ។ វាបានមើលឃើញកំណើនក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ ប៉ុន្តែនៅតែត្រូវបានកំណត់ចំពោះអ្នកលេងទីផ្សារមួយចំនួនតូចដូចជា មូលនិធិការពារហានិភ័យ ការិយាល័យគ្រប់គ្រងបរិមាណ នាយកដ្ឋានស្រាវជ្រាវធំៗ និងស្ថាប័នហិរញ្ញវត្ថុដែលប្រើប្រាស់សេវាកម្ម IT ។
មានផ្នែកជាច្រើននៃកម្មវិធីសម្រាប់ AI រួចហើយ៖
AI ធ្វើអោយដំណើរការនៃការសាងសង់ផលប័ត្រកាន់តែប្រសើរឡើងយ៉ាងខ្លាំង។ ជាឧទាហរណ៍ វិធីសាស្រ្តបុរាណនៃទ្រឹស្ដីផលប័ត្រទំនើបរបស់ Markowitz ដែលពឹងផ្អែកលើគំនិតបង្កើនប្រសិទ្ធភាពប៉ោង បម្រើជាបុព្វហេតុនៃវិធីសាស្រ្តដែលជំរុញដោយ AI សហសម័យ។ ហេតុផលដែលទ្រឹស្ដីគ្រឹះនេះគឺមានសារៈសំខាន់ខ្លាំងណាស់ គឺថាវាបង្កើតជាមូលដ្ឋានដែល AI algorithms អាចផ្លាស់ប្តូរ និងកែលម្អយុទ្ធសាស្រ្តវិនិយោគបន្ថែមទៀត។
សព្វថ្ងៃនេះ AI ពង្រីកទ្រឹស្ដីនេះដោយការស្វែងរកវិមាត្រថ្មីនៃទិន្នន័យ និងរួមបញ្ចូលបច្ចេកទេសវិភាគកម្រិតខ្ពស់។ សមត្ថភាពទិន្នន័យដែលបានពង្រីកនេះអនុញ្ញាតឱ្យមានការសម្រេចចិត្តច្បាស់លាស់ និងច្បាស់លាស់បន្ថែមទៀត ដែលជាការអនុវត្តដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងឧស្សាហកម្មនេះ។
បច្ចេកទេស AI ជាក់លាក់គឺត្រូវគ្នាយ៉ាងល្អឥតខ្ចោះជាមួយនឹងការគ្រប់គ្រងបរិមាណ ដោយប្រើទិន្នន័យដ៏ធំអំពីមូលដ្ឋានគ្រឹះរបស់ក្រុមហ៊ុន បរិយាកាសម៉ាក្រូសេដ្ឋកិច្ច ឬលក្ខខណ្ឌទីផ្សារ។ ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនអាចស្វែងរកទំនាក់ទំនងមិនបន្ទាត់ស្មុគស្មាញរវាងអថេរផ្សេងៗ ហើយជាការពិតណាស់ រកឃើញនិន្នាការដែលអ្នកវិភាគមិនអាច។
ការវិភាគអត្ថបទគឺជាកម្មវិធីមួយផ្សេងទៀតនៃ AI ក្នុងការវិភាគជាមូលដ្ឋាន។ ដោយប្រើដំណើរការភាសាធម្មជាតិ (NLP) AI ដំណើរការ និងវិភាគប្រភពអត្ថបទដូចជា របាយការណ៍ប្រាក់ចំណូលសាជីវកម្ម សេចក្តីប្រកាសព័ត៌មានរបស់ធនាគារកណ្តាល និងព័ត៌មានហិរញ្ញវត្ថុ។ តាមរយៈ NLP AI អាចទាញយកព័ត៌មានសំខាន់ៗផ្នែកសេដ្ឋកិច្ច និងហិរញ្ញវត្ថុពីទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធនេះ។ តាមរយៈការធ្វើដូច្នេះ វាផ្តល់នូវការវាស់វែងជាបរិមាណ និងជាប្រព័ន្ធ ដែលធ្វើអោយប្រសើរឡើង និងជួយការបកស្រាយរបស់មនុស្ស។
អំណាចរបស់ AI មានប្រយោជន៍ខ្លាំងណាស់ក្នុងការជួញដូរ ដែលភាពស្មុគស្មាញនៃប្រតិបត្តិការ និងតម្រូវការសម្រាប់ល្បឿនមានតុល្យភាព។ AI គាំទ្រការជួញដូរក្បួនដោះស្រាយដោយស្វ័យប្រវត្តិកម្មដំណាក់កាលជាច្រើននៃដំណើរការ ធ្វើអោយប្រសើរឡើងនូវប្រសិទ្ធភាពនៃប្រតិបត្តិការដែលបានគ្រប់គ្រងនៅក្នុងទីផ្សារហិរញ្ញវត្ថុ។
AI បានបើកឱកាសសម្រាប់ការផ្តល់ជូនកាន់តែទូលំទូលាយនៃសេវាកម្មប្រឹក្សាការវិនិយោគផ្ទាល់ខ្លួនក្នុងតម្លៃទាប។ ប្រព័ន្ធទាំងនេះប្រើក្បួនដោះស្រាយស្មុគស្មាញដើម្បីដំណើរការទិន្នន័យទីផ្សារក្នុងពេលវេលាជាក់ស្តែង ដោយភ្ជាប់មកជាមួយនូវយុទ្ធសាស្រ្តសមស្របបំផុតសម្រាប់តម្រូវការអតិថិជនម្នាក់ៗដោយផ្អែកលើគោលបំណងត្រឡប់មកវិញ និងទម្រង់ហានិភ័យរបស់ពួកគេ។
នៅក្នុងការគ្រប់គ្រងហានិភ័យ AI ជួយដោយការយកគំរូតាមសេណារីយ៉ូ 'ទំនង ប៉ុន្តែមិនចង់បាន' ផ្សេងៗ ដែលនៅក្នុងវេន ពង្រឹងការអនុវត្តបែបប្រពៃណី ដែលផ្តោតលើតែលទ្ធផលដែលទំនងភាគច្រើនប៉ុណ្ណោះ។
វិធីសាស្រ្តរៀនម៉ាស៊ីនបុរាណនៅតែមានប្រជាប្រិយភាពខ្លាំងនៅក្នុងការគ្រប់គ្រងផលប័ត្រ ហើយពួកវាគឺ៖ គំរូលីនេអ៊ែរ រួមទាំងការេធម្មតាតិចបំផុត ការតំរែតំរង់ Ridge និង Lasso Regression ។ ទាំងនេះត្រូវបានរួមបញ្ចូលគ្នាជាញឹកញាប់ជាមួយនឹងនីតិវិធី Mean-Variance Optimization និងបច្ចេកទេស decomposition matrix ដូចជា Singular Value Decomposition (SVD) និង Principal Component Analysis (PCA) ដែលជាមូលដ្ឋានគ្រឹះក្នុងការយល់ដឹងអំពីទំនាក់ទំនងទ្រព្យសកម្ម និងការបង្កើនប្រសិទ្ធភាពនៃការបែងចែកផលប័ត្រ។
ស្ថិតនៅចន្លោះវិធីសាស្រ្តបុរាណទាំងនេះ និងវិធីសាស្រ្តទំនើបជាងនេះគឺម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVMs) ។ ទោះបីជា SVMs ត្រូវបានប្រើក្នុងការអនុវត្តក៏ដោយ ពួកវាមិនត្រូវបានគេដាក់ឱ្យប្រើប្រាស់ជាទូទៅនោះទេ ប៉ុន្តែមានតួនាទីយ៉ាងសំខាន់ ជាពិសេសនៅក្នុងកិច្ចការចាត់ថ្នាក់ដែលសំដៅលើការព្យាករណ៍ពីដំណើរការភាគហ៊ុន។
ភារកិច្ចទាំងនេះជាធម្មតារួមបញ្ចូលការទស្សន៍ទាយថាតើភាគហ៊ុននឹងជួបប្រទះប្រាក់ចំណេញ ឬការបាត់បង់ ដោយប្រើទិន្នន័យហិរញ្ញវត្ថុជាប្រវត្តិសាស្ត្រ រួមទាំងការប្រែប្រួលតម្លៃភាគហ៊ុន និងបរិមាណជួញដូរដើម្បីដាក់ទ្រព្យសកម្មទៅក្នុងប្រភេទ និងព្យាករណ៍ពីប្រតិបត្តិការរបស់ពួកគេ។
និយាយអំពីវិធីសាស្រ្តទំនើបជាងមុន បណ្តាញសរសៃប្រសាទបង្ហាញពីភាពជឿនលឿនដ៏សំខាន់ក្នុងការរៀនម៉ាស៊ីនសម្រាប់ការគ្រប់គ្រងផលប័ត្រ និងផ្តល់នូវសមត្ថភាពកាន់តែប្រសើរឡើងសម្រាប់ការធ្វើគំរូគំរូដែលមិនមែនជាលីនេអ៊ែរស្មុគស្មាញដែលពិបាកក្នុងការចាប់យកជាមួយគំរូប្រពៃណី។ ក្រៅពីបណ្តាញសរសៃប្រសាទ វិធីសាស្រ្តបុរាណផ្សេងទៀតដូចជាការរៀនសូត្រដែលមានការត្រួតពិនិត្យ និងគ្មានការត្រួតពិនិត្យបន្ថែមលើការកែលម្អ និងកែលម្អការវិភាគទិន្នន័យ ធ្វើឱ្យការរកឃើញ និងការកេងប្រវ័ញ្ចនៃសញ្ញាទីផ្សារដ៏តូចតាចអាចធ្វើទៅបាន។
វិធីសាស្រ្តថ្មីជាងនេះ ដូចជាការពង្រឹងការរៀនសូត្រ និងការរៀនជ្រៅជ្រះ Q-Learning នាំមកនូវគុណភាពទាំងនេះទៅក្នុងបរិយាកាសធ្វើការសម្រេចចិត្តដែលមានល្បឿនលឿន ដែលផលប័ត្រអាចត្រូវបានកែតម្រូវក្នុងពេលវេលាជាក់ស្តែង ដើម្បីបង្កើនប្រសិទ្ធភាពលទ្ធផលហិរញ្ញវត្ថុដោយផ្អែកលើប្រព័ន្ធសិក្សាពីមតិកែលម្អទីផ្សារ។
បច្ចេកទេសកែច្នៃភាសាធម្មជាតិ ដូចជាការវិភាគមនោសញ្ចេតនា អាចជួយជ្រើសរើស និងជ្រើសរើសមតិទូទៅពីអ្វីៗដូចជា អត្ថបទកាសែត ការបង្ហោះប្រព័ន្ធផ្សព្វផ្សាយសង្គម និងរបាយការណ៍អ្នកវិភាគជាដើម។ លើសពីនេះ អ្នកគ្រប់គ្រងផលប័ត្រក៏អាចវិភាគភាសាដែលប្រើក្នុងប្រព័ន្ធផ្សព្វផ្សាយហិរញ្ញវត្ថុ រួមទាំងរបាយការណ៍ប្រាក់ចំណូលរបស់ក្រុមហ៊ុន ដើម្បីដឹងពីអារម្មណ៍វិនិយោគិន និងព្យាករណ៍ពីចលនាទីផ្សារ ដែលទាំងអស់នេះជាព័ត៌មានសំខាន់ក្នុងដំណើរការធ្វើការសម្រេចចិត្ត។
ក្រុមហ៊ុនដែលមានជំនាញក្នុងការជួញដូរប្រេកង់ខ្ពស់ (HFT) ដូចជាក្រុមហ៊ុនដែលប្រើក្បួនដោះស្រាយការជួញដូរបរិមាណដែលដំណើរការដោយ AI រកប្រាក់លើភាពគ្មានប្រសិទ្ធភាពដែលកើតឡើងមួយភ្លែតនៅលើទីផ្សារ។ ក្រុមហ៊ុនទាំងនេះប្រើប្រាស់បច្ចេកវិទ្យារៀនម៉ាស៊ីនដើម្បីវិភាគព័ត៌មានទីផ្សារដែលពាក់ព័ន្ធក្នុងល្បឿនលឿនបំផុត ហើយដាក់ការបញ្ជាទិញជាមួយនឹងពេលវេលាច្បាស់លាស់ក្នុងរយៈពេលខ្លីត្រឹមមួយមិល្លីវិនាទី។
ការអនុវត្តយ៉ាងឆាប់រហ័សបែបនេះអនុញ្ញាតឱ្យពួកគេទទួលបានអត្ថប្រយោជន៍ពីឱកាសអាជ្ញាកណ្តាល និងបង្កើនប្រាក់ចំណេញដោយធ្វើសកម្មភាពលើភាពខុសគ្នានៃតម្លៃលឿនជាងដៃគូប្រកួតប្រជែង។ ខណៈពេលដែលក្រុមហ៊ុន Renaissance Technologies ត្រូវបានគេស្គាល់ថាសម្រាប់វិធីសាស្រ្តនៃការជួញដូរបរិមាណរបស់វា វាជាការសំខាន់ដែលត្រូវចងចាំនូវយុទ្ធសាស្រ្តដ៏ទូលំទូលាយរបស់វា ដែលគ្របដណ្តប់លើរយៈពេលនៃការកាន់កាប់ផ្សេងៗពីការអនុវត្ត HFT ប្រពៃណី ដែលផ្តោតជាសំខាន់លើល្បឿន។
LIME (Local Interpretable Model-agnostic Explanations) គឺជាវិធីសាស្ត្រ XAI ដ៏លេចធ្លោដែលប្រើដើម្បីធ្វើឱ្យលទ្ធផលនៃគំរូសិក្សាម៉ាស៊ីនស្មុគ្រស្មាញអាចយល់បានកាន់តែច្រើន។ នៅក្នុងការគ្រប់គ្រងផលប័ត្រ វិធីសាស្រ្តនេះអាចមានតម្លៃណាស់សម្រាប់ការបកស្រាយពីរបៀបដែលគំរូប្រអប់ខ្មៅធ្វើការទស្សន៍ទាយ។ ដោយប្រើទិន្នន័យបញ្ចូល និងការវិភាគផលប៉ះពាល់លើលទ្ធផលគំរូ LIME ជួយអ្នកគ្រប់គ្រងផលប័ត្រ និងអ្នកវិទ្យាសាស្ត្រទិន្នន័យកំណត់លក្ខណៈដែលមានឥទ្ធិពលលើការសម្រេចចិត្តវិនិយោគច្រើនជាងអ្នកដទៃ។
ដំណើរការនេះជួយបង្កើនតម្លាភាពនៃការសម្រេចចិត្តដែលជំរុញដោយ AI និងគាំទ្រដល់កិច្ចខិតខំប្រឹងប្រែងដើម្បីផ្ទៀងផ្ទាត់ និងកែលម្អរបៀបដែលងាយស្រួលក្នុងការយល់អំពីគំរូទាំងនេះ។ ទោះជាយ៉ាងណាក៏ដោយ ខណៈពេលដែល LIME ធ្វើអោយប្រសើរឡើងនូវការយល់ដឹងរបស់យើងអំពីឥរិយាបថគំរូ ការវាយតម្លៃភាពជឿជាក់រួមនៃគំរូពាក់ព័ន្ធនឹងបច្ចេកទេសបញ្ជាក់បន្ថែម។
បច្ចេកវិទ្យា AI ដើរតួនាទីយ៉ាងសំខាន់ក្នុងការធានាការអនុលោមតាមក្របខ័ណ្ឌបទប្បញ្ញត្តិ និងការត្រួតពិនិត្យការរឹតបន្តឹងការវិនិយោគនៅក្នុងឧស្សាហកម្មហិរញ្ញវត្ថុ។ តាមរយៈការធ្វើឱ្យដំណើរការទាំងនេះដោយស្វ័យប្រវត្តិ ប្រព័ន្ធ AI ជួយឱ្យក្រុមហ៊ុនហិរញ្ញវត្ថុប្រកាន់ខ្ជាប់នូវស្តង់ដារច្បាប់កាន់តែមានប្រសិទ្ធភាព ត្រឹមត្រូវជាងមុន និងមិនមានបញ្ហា។ បច្ចេកវិទ្យានេះមានតម្លៃណាស់ក្នុងការត្រួតពិនិត្យការអនុលោមតាមទំហំធំនៃប្រតិបត្តិការ និងសកម្មភាពផលប័ត្រចម្រុះ ដែលវាអាចកំណត់អត្តសញ្ញាណគម្លាតពីតម្រូវការបទប្បញ្ញត្តិ ឬគោលការណ៍ណែនាំផ្ទៃក្នុងបានយ៉ាងឆាប់រហ័ស (ភ្លាមៗ)។
លើសពីនេះទៅទៀត ការប្រើប្រាស់ AI កាត់បន្ថយហានិភ័យនៃកំហុសរបស់មនុស្ស ដែលជាកត្តាសំខាន់នៅក្នុងបរិយាកាសបទប្បញ្ញត្តិដែលមានភាគហ៊ុនខ្ពស់ ដែលកំហុសអាចនាំឱ្យមានផលវិបាកផ្នែកច្បាប់ និងហិរញ្ញវត្ថុ។
កម្មវិធី AI ក្នុងការធ្វើឱ្យមានតុល្យភាពឡើងវិញដោយស្វ័យប្រវត្តិគឺមានសារៈសំខាន់ណាស់សម្រាប់ការថែរក្សាការបែងចែកទ្រព្យសម្បត្តិដ៏ល្អតាមពេលវេលា។ ពួកគេអាចកែតម្រូវផលប័ត្រក្នុងការឆ្លើយតបទៅនឹងការផ្លាស់ប្តូរទីផ្សារ ឬការផ្លាស់ប្តូរទម្រង់ហានិភ័យរបស់អ្នកវិនិយោគ ដែលធានាបាននូវការតម្រឹមជាមួយនឹងគោលដៅវិនិយោគជាយុទ្ធសាស្រ្ត។
បន្ថែមពីលើកម្មវិធីដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់ការវិនិយោគ សក្តានុពលសម្រាប់ការអភិវឌ្ឍបញ្ញាសិប្បនិមិត្តនៅក្នុងអាជីវកម្មគ្រប់គ្រងទ្រព្យសកម្មហាក់ដូចជាទូលំទូលាយ។ ទោះជាយ៉ាងណាក៏ដោយ ទោះបីជាការពិតដែលយើងមើលឃើញពីសភាវគតិនៃលទ្ធភាពនៃស្វ័យប្រវត្តិកម្មការងារជាក់លាក់នៅដំណាក់កាលផ្សេងៗនៃសង្វាក់ប្រតិបត្តិការក៏ដោយ វានៅតែពិបាកក្នុងការទន្ទឹងរង់ចាំយ៉ាងពេញលេញនូវថាមពលរំខាននៃបញ្ញាសិប្បនិម្មិត។ នេះគឺដោយសារតែ AI ត្រូវបានគេរំពឹងថានឹងផ្តល់ការកើនឡើងដល់ផ្នែកថ្មីនៃកម្មវិធី ខណៈដែលការជឿនលឿនបន្ថែមត្រូវបានបង្កើតឡើង។
យើងត្រូវតែចងចាំអំពីដែនកំណត់នៃបញ្ញាសិប្បនិមិត្ត ក៏ដូចជាគ្រោះថ្នាក់ដែលវាបង្កឡើងសម្រាប់ទិដ្ឋភាពមួយចំនួននៃការគ្រប់គ្រងផលប័ត្រ ទោះបីជាការពិតដែលថាវាបានធ្វើឱ្យវាអាចទៅរួចសម្រាប់ការជឿនលឿននៃបច្ចេកវិទ្យា និងការបង្កើនផលិតភាពដោយប្រើបញ្ញាសិប្បនិម្មិតក៏ដោយ។ ជាដំបូង វិធីសាស្រ្តនៃការរៀនសិប្បនិម្មិត និងម៉ាស៊ីនពឹងផ្អែកលើទិន្នន័យដែលត្រូវបានប្រើដើម្បីផ្តល់អាហារដល់ក្បួនដោះស្រាយការរៀនសូត្រ។
វាចាំបាច់ដែលទិន្នន័យនេះមានគុណភាពខ្ពស់ទាក់ទងនឹងការអាប់ដេត ភាពត្រឹមត្រូវ ភាពពេញលេញ និងតំណាង។
បន្ថែមពីលើតម្រូវការសម្រាប់ទំហំធំនៃទិន្នន័យដែលមិនតែងតែមាន វាគឺជាករណីដែលទិន្នន័យនេះត្រូវតែមានគុណភាពល្អ។ ក្នុងករណីផ្សេងទៀត ការរកឃើញដែលទទួលបានដោយប្រើគំរូទស្សន៍ទាយគឺមិនគួរឱ្យទុកចិត្ត ឬធន់។
ជាងនេះទៅទៀត ក្បួនដោះស្រាយក៏អាចធ្វើការសន្មត់មិនពិតដោយជ្រើសរើសនិន្នាការមិនពាក់ព័ន្ធពីសំណុំទិន្នន័យដែលត្រូវបានវិភាគ ដែលអាចនាំទៅដល់ការសន្និដ្ឋានខុស។ នេះអាចបណ្តាលឱ្យមានការចាប់យកទំហំសរុប ការលោតដែលស្រួចពេក និងការគាំងតិចតួចបំផុតដែលអាចកើតមាន។ ការបាត់បង់ការប្រកួតប្រជែងទីផ្សារអាចកើតឡើងដោយសារតែប្រតិបត្តិករទីផ្សារជាច្រើនដែលគ្រប់គ្រងក្បួនដោះស្រាយ AI ដូចគ្នាអាចធ្វើការសម្រេចចិត្តខុសក្នុងពេលដំណាលគ្នា ឬមានប្រតិកម្មក្នុងវិធីស្រដៀងគ្នាទៅនឹងកាលៈទេសៈជាក់ស្តែង។ ហានិភ័យបែបនេះអាចក្លាយជាគ្រោះថ្នាក់។
ទោះបីជាអត្ថប្រយោជន៍ដ៏មានសក្តានុពលរបស់ AI ក្នុងការគ្រប់គ្រងផលប័ត្រ ដូចជានៅក្នុងវិស័យណាមួយក៏ដោយ វាមានឧបសគ្គជាច្រើនដែលយើងត្រូវចងចាំ ហើយនៅទីបំផុត - អាសយដ្ឋាន។ ការលំបាកចម្បងមួយគឺការខ្វះខាតតម្លាភាព និងការបកស្រាយបញ្ហាដែលអាចកើតមាននៃគំរូ AI ដែលអាចធ្វើឱ្យមានការលំបាកសម្រាប់អ្នកគ្រប់គ្រងក្នុងការពន្យល់ពីលទ្ធផលនៃការសហការរបស់ពួកគេជាមួយ AI ។ ភាពស្មុគស្មាញនៃការប្រើប្រាស់នេះអាចជាមូលហេតុមួយដែលការទទួលយក AI នៅក្នុងមូលនិធិអឺរ៉ុបមានកម្រិតទាប។ គិតត្រឹមខែកញ្ញា ឆ្នាំ២០២២
អាជ្ញាធរទីផ្សារហិរញ្ញវត្ថុអឺរ៉ុប (ESMA)
នៅពេលនេះ វាបង្ហាញថា បញ្ញាសិប្បនិមិត្តនៅតែជាផ្លូវដ៏វែងឆ្ងាយក្នុងការជំនួសមនុស្សពិតប្រាកដនៅក្នុងឧស្សាហកម្មគ្រប់គ្រងទ្រព្យសម្បត្តិ។ ដែលត្រូវបាននិយាយថា តម្លាភាព ទំនាក់ទំនងនៃការជឿទុកចិត្ត និងការទំនាក់ទំនងរវាងអតិថិជន និងអ្នកជំនាញផ្នែកគ្រប់គ្រងនៅតែបន្តជាលក្ខណៈសំខាន់ ដែលឥឡូវនេះច្រើនជាងពេលណាទាំងអស់។
យ៉ាងណាក៏ដោយ យើងមិនអាចបដិសេធបានទេថា បញ្ញាសិប្បនិមិត្តនាំមកជាមួយនូវឧបករណ៍ថ្មី និងគួរឱ្យរំភើបដែលអាចប្រើក្នុងខ្សែសង្វាក់តម្លៃ ហើយសក្តានុពលនៃឧបករណ៍ទាំងនេះពិតជាអាចផ្លាស់ប្តូររបៀបដែលឧស្សាហកម្មមើលទៅសព្វថ្ងៃនេះ។