Director of Portfolio Management at WorldQuant. Expert in quantitative finance.
AI හි නැගීම පැහැදිලිවම විවිධ කර්මාන්තවලට බලපා ඇති අතර මූල්ය කර්මාන්තය වඩාත්ම බලපා ඇති ඒවා අතර වේ. උදාහරණයක් ලෙස, පසුගිය වසරේ GPT-3.5 වැනි මාදිලියේ මහජන දියත් කිරීම විශ්ලේෂණය, අවදානම් කළමනාකරණය සහ තීරණ ගැනීමේදී අරමුදල් කළමනාකරුවන්ගේ හැකියාවන් වැඩි කිරීමට උපකාර කිරීම සඳහා AI භාවිතා කිරීමට ඇති උනන්දුව වැඩි කර ඇත.
මේ අනුව, වෙළඳපල තක්සේරු කිරීම් වඩාත් නිවැරදි කිරීමට සහ අවදානම් වඩාත් ඵලදායී ලෙස කළමනාකරණය කිරීමට AI මෙවලම් ක්රියාත්මක කෙරේ. Portfolio කළමණාකරුවන් වෙළඳපල චලනයන් පිළිබඳ වඩා පැහැදිලි තක්සේරුවක් කිරීමට, සුදුසු ආයෝජන තේරීම් මත පටු කිරීමට සහ යන්ත්ර ඉගෙනුම් ඇල්ගොරිතම, ස්වභාවික භාෂා සැකසුම් සහ කෘතිම බුද්ධි මෙවලම් ඔවුන්ගේ වෙළඳාමේ යෙදෙන විට අවදානම් කළමනාකරණය කිරීමට අපේක්ෂා කෙරේ.
යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම මෙන්ම ස්වාභාවික භාෂා සැකසුම් මෙවලම් ප්රධාන ක්රීඩකයින්ගේ වෙළඳ උපාය මාර්ගවලට ඒකාබද්ධ කිරීම, මෙම ක්රියාවලීන්ගේ කාර්යක්ෂමතාව වැඩි කිරීමට සහ වේගවත් හා වඩාත් නිවැරදි ආයෝජන තීරණ සහ අනාවැකි විශ්ලේෂණ සමඟ තරඟකාරී වාසියක් ලබා ගැනීමට ඔවුන්ට උපකාරී වේ.
පසුගිය දශක කිහිපය තුළ, AI මූල්ය කර්මාන්තයේ විවිධ අංශවල ක්රියාත්මක කර ඇත. පසු කාර්යාලයේදී, ක්රියාත්මක කිරීමේ ලඝු-සටහන් වල විෂමතා සෙවීමට, සැක කටයුතු ගනුදෙනු හඳුනා ගැනීමට මෙන්ම අවදානම් කළමනාකරණය කිරීමට, කාර්යක්ෂමතාව සහ ආරක්ෂාව වැඩි කිරීමට ML ඇල්ගොරිතම භාවිතා කරයි. ඉදිරිපස කාර්යාලයේදී, AI පාරිභෝගිකයින් කොටස් කිරීමට, පාරිභෝගික සහාය ක්රියාවලීන් ස්වයංක්රීය කිරීමට සහ ව්යුත්පන්න මිලකරණය ප්රශස්ත කිරීමට උදවු කරයි.
කෙසේ වෙතත්, එහි වඩාත්ම කුතුහලය දනවන කොටස වන්නේ මූල්ය මිලදී ගැනීමේ පැත්ත සඳහා වන AI හැකියාවන් වේ - හැකිතාක් වේගයෙන් සැලකිය යුතු දත්ත ප්රමාණයක් විශ්ලේෂණය කිරීමෙන් වෙළඳපල ශබ්දය මධ්යයේ අනාවැකි සංඥා හඳුනා ගැනීම. උදාහරණයක් ලෙස, එවැනි යෙදුම්වල කාල ශ්රේණි පුරෝකථනය, වෙළඳපල කොටස් කිරීම සහ ඇත්ත වශයෙන්ම වත්කම් කළඹ කළමනාකරණය කිරීම ඇතුළත් විය හැකිය. විශාල දත්ත කට්ටල සැකසීමට සහ විශ්ලේෂණය කිරීමට AI හි ඇති අවස්ථාවන් සාම්ප්රදායික ක්රම අතපසු වන සියුම් රටා සොයා ගැනීමට උපකාරී වේ.
දත්ත විද්යාවේ දියුණුව සහ උසස් පරිගණක ශිල්පීය ක්රම ක්රියාත්මක කිරීම යටතේ සැලකිය යුතු ලෙස පරිණාමය වෙමින්, Portfolio ප්රශස්තිකරණය දශක කිහිපයක් තිස්සේ පොදු භාවිතයක් වී ඇත. Markowitz's Modern Portfolio Theory (1952) සහ Capital Asset Pricing Model (1964) වැනි සම්භාව්ය ප්රවේශයන් වසර 50කට පෙර හඳුන්වා දුන් නමුත් තවමත් අදාළව පවතී. කෙසේ වෙතත්, රේඛීය නොවන අවදානම් හැසිරවීමේ ඔවුන්ගේ සීමාවන් සහ ඓතිහාසික දත්ත මත යැපීම දිනෙන් දින වඩ වඩාත් පැහැදිලි වෙමින් පවතී.
Renaissance Technologies, DE Shaw, Two Sigma Investments වැනි ප්රධාන ක්රීඩකයින් විසින් පුළුල් ලෙස ක්රියාත්මක කරන ලද අවදානම් ආකෘතිකරණය, අවස්ථා විශ්ලේෂණය සහ ක්වොන්ට් වෙළඳාම වැනි භාවිතයන් වඩාත් සංකීර්ණ සහ උසස් ඇල්ගොරිතම ක්රියාත්මක කිරීමට හේතු වී ඇත. මීට අමතරව, යන්ත්ර ඉගෙනීම සහ කෘත්රිම බුද්ධිය අනාවැකි විශ්ලේෂණ වඩාත් නිවැරදි කර ඇති අතර, පුද්ගලාරෝපිත ආයෝජන උපාය මාර්ග සහ ස්වයංක්රීය සංකීර්ණ තීරණ ගැනීමේ ක්රියාවලීන් සඳහාද එයම කළ බැවින්, මෑත වසරවලදී කර්මාන්තයට AI මගින් දැඩි බලපෑමක් එල්ල වී ඇත.
මෙම AI මත පදනම් වූ පරිවර්තනය මඟින් කළඹ කළමණාකරුවන්ට තත්ය කාලීනව විශාල දත්ත සමූහයක් සැකසීමට සහ ප්රධාන අභියෝග තුන විසඳීමට හැකියාව ලබා දී ඇත:
අනුව
AI මගින් බල ගැන්වෙන වත්කම් කළමනාකරණ විසඳුම් සඳහා දරුකමට හදා ගැනීම සහ ආයෝජනය වැඩි කිරීම සහ කළඹ ප්රශස්තකරණයේදී AI හි ප්රායෝගික භාවිතය ඉස්මතු කිරීම.
වත්කම් කළමනාකරණ කර්මාන්තය තුළ AI සම්මත කිරීම නව ප්රවණතාවක් නොවේ; එය මෑත වසරවල වර්ධනයක් දැක ඇති නමුත් තවමත් වෙළඳපල ක්රීඩකයින් කුඩා සංඛ්යාවකට සීමා වී ඇත, එනම් හෙජ් අරමුදල්, ප්රමාණාත්මක කළමනාකරණ කාර්යාල, විශාල පර්යේෂණ දෙපාර්තමේන්තු සහ තොරතුරු තාක්ෂණ සේවා භාවිතා කරන මූල්ය ආයතන.
AI සඳහා දැනටමත් බොහෝ යෙදුම් ක්ෂේත්ර තිබේ:
AI විසින් Portfolio ඉදිකිරීම් ප්රශස්ත කිරීමේ ක්රියාවලිය සැලකිය යුතු ලෙස යහපත් කරයි. නිදසුනක් ලෙස, උත්තල ප්රශස්තකරණ සංකල්ප මත රඳා පවතින Markowitz ගේ නවීන Portfolio සිද්ධාන්තයේ සම්භාව්ය ප්රවේශය, සමකාලීන AI-ධාවන ක්රමවේදවල පූර්වගාමියා ලෙස සේවය කරයි. මෙම පදනම් න්යාය මෙතරම් වැදගත් වීමට හේතුව එය AI ඇල්ගොරිතම වලට ආයෝජන උපාය මාර්ග තවදුරටත් වෙනස් කිරීමට සහ ශෝධනය කිරීමට හැකි පදනම සකස් කිරීමයි.
වර්තමානයේ, AI දත්තවල නව මානයන් ගවේෂණය කිරීමෙන් සහ උසස් විශ්ලේෂණ ශිල්පීය ක්රම ඒකාබද්ධ කිරීමෙන් මෙම න්යාය පුළුල් කරයි. මෙම පුළුල් කරන ලද දත්ත හැකියාව වඩාත් සූක්ෂ්ම සහ දැනුවත් තීරණ ගැනීමට ඉඩ සලසයි - කර්මාන්තයේ බහුලව භාවිතා වන භාවිතයකි.
සමාගම් මූලධර්ම, සාර්ව ආර්ථික පරිසරය හෝ වෙළඳපල තත්ත්වයන් පිළිබඳ දත්ත විශාල ප්රමාණයක් භාවිතා කරමින්, ඇතැම් AI ශිල්පීය ක්රම ප්රමාණාත්මක කළමනාකරණය සමඟ සම්පුර්ණයෙන්ම අනුකූල වේ. යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමවලට විවිධ විචල්යයන් අතර සංකීර්ණ රේඛීය නොවන සම්බන්ධතා සොයා ගත හැකි අතර, ඇත්ත වශයෙන්ම, විශ්ලේෂකයින්ට කළ නොහැකි ප්රවණතා හඳුනා ගත හැකිය.
පාඨමය විශ්ලේෂණය මූලික විශ්ලේෂණයේ AI හි තවත් යෙදුමකි. ස්වාභාවික භාෂා සැකසුම් (NLP) භාවිතා කරමින්, AI ආයතනික ඉපැයීම් වාර්තා, මහ බැංකු මාධ්ය නිවේදන සහ මූල්ය ප්රවෘත්ති වැනි පාඨමය මූලාශ්ර සැකසීම සහ විශ්ලේෂණය කරයි. NLP හරහා, AI හට මෙම ව්යුහගත නොවන දත්ත වලින් ආර්ථික හා මූල්යමය වශයෙන් වැදගත් තොරතුරු ලබා ගත හැක. එසේ කිරීමෙන්, එය මානව අර්ථ නිරූපණයන් වැඩිදියුණු කරන සහ උපකාර කරන ප්රමාණාත්මක සහ ක්රමානුකූල මිනුමක් සපයයි.
ගනුදෙනුවල සංකීර්ණත්වය සහ වේගයේ අවශ්යතාවය සමතුලිතව පවතින වෙළඳාමේදී AI හි බලතල අතිශයින්ම ප්රයෝජනවත් වේ. AI ක්රියාවලියේ බොහෝ අදියර ස්වයංක්රීය කිරීම මගින් ඇල්ගොරිතම වෙළඳාමට සහය දක්වයි, මූල්ය වෙලඳපොලවල කළමනාකරණය කරන ගනුදෙනු වල කාර්යක්ෂමතාව වැඩි දියුණු කරයි.
AI විසින් අඩු වියදමකින් පුද්ගලාරෝපිත ආයෝජන උපදේශන සේවා පුළුල් ලෙස පිරිනැමීමට අවස්ථාවක් විවෘත කර ඇත. මෙම පද්ධති තත්ය කාලීන වෙළඳපල දත්ත සැකසීමට සංකීර්ණ ඇල්ගොරිතම භාවිතා කරයි, ඔවුන්ගේ ආපසු පැමිණීමේ අරමුණු සහ අවදානම් පැතිකඩ මත පදනම්ව තනි සේවාදායක අවශ්යතා සඳහා වඩාත් සුදුසු උපාය මාර්ග ඉදිරිපත් කරයි.
අවදානම් කළමනාකරණයේ දී, AI විවිධ 'විය හැකි නමුත් අනවශ්ය' අවස්ථා ආදර්ශනය කිරීමෙන් සහය වන අතර, එය බොහෝ දුරට විය හැකි ප්රතිඵල කෙරෙහි පමණක් අවධානය යොමු කරන සම්ප්රදායික භාවිතයන් වැඩි දියුණු කරයි.
සම්භාව්ය යන්ත්ර ඉගෙනීමේ ක්රම තවමත් Portfolio Management හි ඉතා ජනප්රිය වන අතර ඒවා නම්: සාමාන්ය අඩු චතුරශ්ර, රිජ් ප්රතිගමනය සහ Lasso Regression ඇතුළු රේඛීය ආකෘති. වත්කම් සබඳතා අවබෝධ කර ගැනීමට සහ කළඹ වෙන් කිරීම් ප්රශස්ත කිරීමට මූලික වන ඒකීය අගය විසංයෝජනය (SVD) සහ ප්රධාන සංරචක විශ්ලේෂණය (PCA) වැනි මධ්ය-විචල්ය ප්රශස්තකරණ ක්රියා පටිපාටිය සහ අනුකෘති වියෝජන ක්රම සමඟ මේවා නිතර ඒකාබද්ධ වේ.
මෙම සම්භාව්ය ප්රවේශයන් සහ වඩාත් නවීන ක්රම අතර පිහිටා ඇත්තේ ආධාරක දෛශික යන්ත්ර (SVM) ය. SVMs ප්රායෝගිකව භාවිතා කළද, ඒවා සාමාන්යයෙන් භාවිතා නොවන නමුත් සැලකිය යුතු කාර්යභාරයක් ඉටු කරයි, විශේෂයෙන්, කොටස් කාර්ය සාධනය පුරෝකථනය කිරීම අරමුණු කරගත් වර්ගීකරණ කාර්යයන් සඳහා.
මෙම කර්තව්යයන් සාමාන්යයෙන් කොටස් මිල උච්චාවචනයන් සහ වෙළඳ පරිමාවන් ඇතුළුව ඓතිහාසික මූල්ය දත්ත භාවිතා කරමින් වත්කම් කාණ්ඩවලට දමා ඒවායේ ක්රියාකාරිත්වය පුරෝකථනය කිරීම, කොටස් ලාභයක් හෝ අලාභයක් අත්විඳිය හැකිද යන්න පුරෝකථනය කිරීම ඇතුළත් වේ.
වඩාත් නවීන ක්රම ගැන කතා කරන විට, ස්නායුක ජාල කළඹ කළමනාකරණය සඳහා යන්ත්ර ඉගෙනීමේ ප්රධාන දියුණුවක් පෙන්නුම් කරන අතර සාම්ප්රදායික මාදිලි සමඟ ග්රහණය කර ගැනීමට අපහසු සංකීර්ණ රේඛීය නොවන රටා ආකෘති නිර්මාණය සඳහා වැඩිදියුණු කළ හැකියා ලබා දෙයි. ස්නායුක ජාල හැරුණු විට, අධීක්ෂණය කළ සහ අධීක්ෂණය නොකළ ඉගෙනීම වැනි වෙනත් සම්භාව්ය ප්රවේශයන් දත්ත විශ්ලේෂණය තවදුරටත් වැඩිදියුණු කිරීම සහ ශෝධනය කිරීම, සියුම් වෙළඳපල සංඥා සොයා ගැනීම සහ සූරාකෑම හැකි කරවයි.
Reinforcement Learning සහ Deep Q-Learning වැනි නව ප්රවේශයන් මෙම ගුණාංග වේගවත් තීරණ ගැනීමේ පරිසරයන් වෙත ගෙන එයි, වෙළඳපල ප්රතිපෝෂණ වලින් ඉගෙන ගන්නා පද්ධතිය මත පදනම්ව මූල්ය ප්රතිඵල ප්රශස්ත කිරීම සඳහා තත්ය කාලීනව කළඹ සකස් කළ හැක.
චිත්තවේගීය විශ්ලේෂණය වැනි ස්වභාවික භාෂා සැකසුම් ශිල්පීය ක්රම මඟින් පුවත්පත් ලිපි, සමාජ මාධ්ය පළ කිරීම් සහ විශ්ලේෂක වාර්තා වැනි දේවලින් පොදු අදහස් තෝරා ගැනීමට සහ තෝරා ගැනීමට උපකාරී වේ. මීට අමතරව, ආයෝජකයින්ගේ හැඟීම් දැනීමට සහ වෙළඳපල චලනයන් පුරෝකථනය කිරීමට, තීරණ ගැනීමේ ක්රියාවලියේ තීරණාත්මක තොරතුරු වන සමාගම්වල ඉපැයීම් වාර්තා ඇතුළු මූල්ය මාධ්යවල භාවිතා වන භාෂාව විශ්ලේෂණය කළ හැකිය.
අධි-සංඛ්යාත වෙළඳාමේ (HFT) විශේෂීකරණය වූ සමාගම්, AI බලයෙන් ක්රියාත්මක වන ප්රමාණාත්මක වෙළඳ ඇල්ගොරිතම භාවිතා කරන සමාගම් වැනි, වෙළඳපොලේ මොහොතකට සිදුවන අකාර්යක්ෂමතාවයන් මත මුදල් උපයති. මෙම සමාගම් ඉතා ඉහළ වේගයකින් අදාළ වෙළඳපල තොරතුරු විශ්ලේෂණය කිරීමට යන්ත්ර ඉගෙනුම් තාක්ෂණය භාවිතා කරන අතර මිලි තත්පරයක් තරම් කෙටි කාලයක් සඳහා නිරවද්ය වේලාවක් සහිතව ඇණවුම් කරයි.
එවැනි වේගවත් ක්රියාත්මක කිරීම තරඟකරුවන්ට වඩා වේගයෙන් මිල විෂමතා සම්බන්ධයෙන් ක්රියාමාර්ග ගැනීමෙන් බේරුම්කරණ අවස්ථාවන්ගෙන් ප්රතිලාභ ලබා ගැනීමට සහ ලාභය උපරිම කිරීමට ඔවුන්ට ඉඩ සලසයි. Renaissance Technologies එහි ප්රමාණාත්මක වෙළඳ ප්රවේශයන් සඳහා ප්රසිද්ධ වී ඇති අතර, ප්රධාන වශයෙන් වේගය කෙරෙහි අවධානය යොමු කරන සම්ප්රදායික HFT පරිචයන්ගෙන් විවිධ රඳවා ගැනීමේ කාල පරිච්ඡේද ඇතුළත් එහි පුළුල් උපාය මාර්ගය මතක තබා ගැනීම වැදගත්ය.
LIME (Local Interpretable Model-agnostic Explanations) යනු සංකීර්ණ යන්ත්ර ඉගෙනුම් ආකෘතිවල ප්රතිදානයන් වඩාත් අවබෝධ කර ගැනීමට භාවිතා කරන ප්රමුඛ XAI ක්රමයකි. කළඹ කළමණාකරණයේදී, කළු පෙට්ටි ආකෘති අනාවැකි පළ කරන ආකාරය අර්ථ නිරූපණය කිරීම සඳහා මෙම ක්රමය ඉතා වටිනා විය හැක. ආදාන දත්ත භාවිතා කිරීමෙන් සහ ආදර්ශ නිමැවුම් මත ඇති බලපෑම විශ්ලේෂණය කිරීමෙන්, LIME කළඹ කළමණාකරුවන්ට සහ දත්ත විද්යාඥයින්ට අන් අයට වඩා ආයෝජන තීරණ කෙරෙහි බලපාන විශේෂාංග නිර්වචනය කිරීමට උදවු කරයි.
මෙම ක්රියාවලිය AI-වැඩිදියුණු කරන ලද තීරණවල විනිවිදභාවය වැඩි දියුණු කිරීමට උපකාරී වන අතර මෙම ආකෘති තේරුම් ගැනීමට කොතරම් පහසුද යන්න සත්යාපනය කිරීමට සහ වැඩිදියුණු කිරීමට දරන ප්රයත්නයන්ට සහාය වේ. කෙසේ වෙතත්, LIME ආදර්ශ හැසිරීම් පිළිබඳ අපගේ අවබෝධය වැඩි දියුණු කරන අතර, ආකෘතිවල සමස්ත විශ්වසනීයත්වය තක්සේරු කිරීම අතිරේක වලංගුකරණ ශිල්පීය ක්රම ඇතුළත් වේ.
නියාමන රාමුවලට අනුකූල වීම සහතික කිරීම සහ මූල්ය කර්මාන්තය තුළ ආයෝජන සීමා කිරීම් අධීක්ෂණය කිරීම සඳහා AI තාක්ෂණය ප්රධාන කාර්යභාරයක් ඉටු කරයි. මෙම ක්රියාවලීන් ස්වයංක්රීය කිරීම මගින්, AI පද්ධති මූල්ය ආයතනවලට නීතිමය ප්රමිතීන්ට වඩා කාර්යක්ෂමව, වඩාත් නිවැරදිව හා ගැටලුවලට හසු නොවී සිටීමට උපකාර කරයි. නියාමන අවශ්යතාවලින් හෝ අභ්යන්තර මාර්ගෝපදේශවලින් ඉක්මනින් (ක්ෂණිකව, ඇත්ත වශයෙන්ම) අපගමනය හඳුනා ගත හැකි විශාල ගනුදෙනු සහ විවිධ කළඹ ක්රියාකාරකම් හරහා අනුකූලතාව නිරීක්ෂණය කිරීමේදී මෙම තාක්ෂණය ඉතා අගනේය.
එපමනක් නොව, AI භාවිතය මානව දෝෂ වල අවදානම අවම කරයි, වැරදි නීතිමය සහ මූල්ය ප්රතිවිපාකවලට තුඩු දිය හැකි ඉහළ කොටස් සහිත නියාමන පරිසරයන් තුළ තීරණාත්මක වේ.
ස්වයංක්රීය නැවත සමතුලිත කිරීමේ AI යෙදුම් කාලයත් සමඟ කදිම වත්කම් ප්රතිපාදන පවත්වා ගැනීම සඳහා ඉතා වැදගත් වේ. උපායමාර්ගික ආයෝජන ඉලක්ක සමඟ පෙළගැස්වීම සහතික කරන ආයෝජකයෙකුගේ අවදානම් පැතිකඩෙහි වෙළඳපල වෙනස්කම් හෝ මාරුවීම් වලට ප්රතිචාර වශයෙන් ඔවුන්ට කළඹ සකස් කළ හැකිය.
ආයෝජනය සඳහා විශේෂයෙන් නිර්මාණය කර ඇති යෙදුම් වලට අමතරව, වත්කම් කළමනාකරණ ව්යාපාරය තුළ කෘතිම බුද්ධිය වර්ධනය කිරීමේ විභවය පුළුල් බව පෙනේ. කෙසේ වෙතත්, මෙහෙයුම් දාමයේ විවිධ අවස්ථා වලදී නිශ්චිත රැකියා ස්වයංක්රීය කිරීමේ හැකියාව අප සහජයෙන්ම දකින නමුත්, කෘතිම බුද්ධියේ කඩාකප්පල්කාරී බලය සම්පූර්ණයෙන්ම අපේක්ෂා කිරීම තවමත් අපහසුය. මක්නිසාද යත්, අතිරේක දියුණුව වර්ධනය වන විට AI නව යෙදුම් අංශයන් ඇති කිරීමට අපේක්ෂා කරන බැවිනි.
කෘත්රිම බුද්ධිය භාවිතයෙන් තාක්ෂණික දියුණුව සහ ඵලදායිතා ජයග්රහණ ලබා ගැනීමට හැකි වී ඇතත්, කෘත්රිම බුද්ධියේ සීමාවන් මෙන්ම කළඹ කළමණාකරණයේ සමහර අංශ සඳහා එයින් එල්ල වන අන්තරායන් පිළිබඳව අප සැලකිලිමත් විය යුතුය. පළමුව, කෘතිම බුද්ධිය සහ යන්ත්ර ඉගෙනීමේ ප්රවේශයන් ඉගෙනුම් ඇල්ගොරිතම පෝෂණය කිරීමට භාවිතා කරන දත්ත මත රඳා පවතී.
යාවත්කාලීන කිරීම්, නිරවද්යතාවය, සම්පූර්ණත්වය සහ නියෝජනත්වය අනුව මෙම දත්ත උසස් තත්ත්වයේ තිබීම අවශ්ය වේ.
සෑම විටම ලබා ගත නොහැකි ඉතා විශාල දත්ත පරිමාවක අවශ්යතාවයට අමතරව, මෙම දත්ත හොඳ තත්ත්වයේ තිබිය යුතුය. වෙනත් ඕනෑම අවස්ථාවක, අනාවැකි ආකෘති භාවිතයෙන් ලබා ගන්නා සොයාගැනීම් විශ්වාසදායක හෝ ඔරොත්තු නොදේ.
එපමනක් නොව, විශ්ලේෂණය කරන ලද දත්ත කට්ටලයෙන් අදාල නොවන ප්රවණතා තෝරා ගැනීමෙන් ද ඇල්ගොරිතම මගින් වැරදි උපකල්පන ඇති කළ හැකි අතර, එය වැරදි නිගමනවලට තුඩු දිය හැකිය. මෙය දළ පරිමාණයෙන් අල්ලා ගැනීම්, ඉතා තියුණු පැනීම් සහ හැකි කුඩාම කඩා වැටීම්වලට හේතු විය හැක. එකම AI ඇල්ගොරිතම කළමනාකරණය කරන බොහෝ වෙළඳපල ක්රියාකරුවන් එකවර වැරදි තීරණයක් ගැනීමට හෝ තත්ය කාලීන තත්වයකට සමාන ආකාරයකින් ප්රතිචාර දැක්වීම නිසා වෙළඳපල තරඟකාරිත්වය නැතිවීම සිදුවිය හැකිය. එවැනි අවදානමක් මාරාන්තික විය හැකිය.
ඕනෑම ක්ෂේත්රයක මෙන්, කළඹ කළමනාකරණයේ දී AI හි විභව ප්රතිලාභ තිබියදීත්, අපට මතක තබා ගත යුතු අභියෝග ඕනෑ තරම් ඇති අතර අවසානයේ - ආමන්ත්රණය කරන්න. ප්රධාන දුෂ්කරතාවන්ගෙන් එකක් වන්නේ AI මාදිලිවල විනිවිදභාවය සහ අර්ථකථන ගැටළු නොමැතිකමයි, එමඟින් කළමනාකරුවන්ට AI සමඟ ඔවුන්ගේ සහයෝගීතාවයේ ප්රතිඵල පැහැදිලි කිරීම අභියෝගාත්මක විය හැකිය. යුරෝපීය අරමුදල්වල AI භාවිතය සාපේක්ෂව අඩු වීමට මෙම භාවිත සංකීර්ණත්වය එක් හේතුවක් විය හැකිය. 2022 සැප්තැම්බර් වන විට,
යුරෝපීය මූල්ය වෙළෙඳපොළ අධිකාරිය (ESMA)
මෙම අවස්ථාවෙහිදී, වත්කම් කළමනාකරණ කර්මාන්තයේ සැබෑ පුද්ගලයින් සම්පූර්ණයෙන්ම ප්රතිස්ථාපනය කිරීමෙන් කෘතිම බුද්ධිය තවමත් බොහෝ දුරින් ඇති බව පෙනේ. එසේ පැවසුවහොත්, විනිවිදභාවය, විශ්වාසයේ සම්බන්ධතාවය සහ ගනුදෙනුකරුවන් සහ කළමනාකරණ විශේෂඥයින් අතර සම්බන්ධතා තීරණාත්මක ලක්ෂණ ලෙස දිගටම පවතී, දැන් වෙන කවරදාටත් වඩා.
එහෙත්, කෘතිම බුද්ධිය වටිනාකම් දාමයේ භාවිතා කළ හැකි නව සහ ආකර්ෂණීය මෙවලම් ගෙන එන බව අපට ප්රතික්ෂේප කළ නොහැකි අතර, මෙම මෙවලම්වල විභවය අද කර්මාන්තය දෙස බලන ආකාරය සැබවින්ම වෙනස් කළ හැකිය.