AI இன் எழுச்சி வெளிப்படையாக பல்வேறு தொழில்களை பாதித்துள்ளது, மேலும் நிதித் துறையும் மிகவும் பாதிக்கப்பட்டுள்ளது . எடுத்துக்காட்டாக, கடந்த ஆண்டு GPT-3.5 போன்ற மாடல்களின் பொது வெளியீடு, பகுப்பாய்வு, இடர் மேலாண்மை மற்றும் முடிவெடுப்பதில் நிதி மேலாளர்களின் திறன்களை அதிகரிக்க உதவும் AI ஐப் பயன்படுத்துவதில் ஆர்வம் அதிகரித்துள்ளது.
எனவே, AI கருவிகள் சந்தை மதிப்பீடுகளை மிகவும் துல்லியமாக்குவதற்கும் அபாயங்களை மிகவும் திறம்பட நிர்வகிப்பதற்கும் செயல்படுத்தப்படுகின்றன. போர்ட்ஃபோலியோ மேலாளர்கள் சந்தை நகர்வுகளின் தெளிவான மதிப்பீட்டைச் செய்வார்கள், பொருத்தமான முதலீட்டுத் தேர்வுகளை சுருக்கி, தங்கள் வர்த்தகத்தில் இயந்திர கற்றல் வழிமுறைகள், இயற்கை மொழி செயலாக்கம் மற்றும் செயற்கை நுண்ணறிவு கருவிகளைப் பயன்படுத்தும்போது அபாயங்களை நிர்வகிப்பார்கள்.
இயந்திர கற்றல் வழிமுறைகளின் ஒருங்கிணைப்பு, அத்துடன் முக்கிய வீரர்களின் வர்த்தக உத்திகளில் இயற்கையான மொழி செயலாக்க கருவிகள், இந்த செயல்முறைகளின் செயல்திறனை அதிகரிக்கவும், வேகமான மற்றும் துல்லியமான முதலீட்டு முடிவுகள் மற்றும் முன்கணிப்பு பகுப்பாய்வுகளுடன் போட்டி நன்மைகளைப் பெறவும் அவர்களுக்கு உதவுகிறது.
கடந்த தசாப்தங்களில், நிதித்துறையின் பல்வேறு துறைகளில் AI செயல்படுத்தப்பட்டுள்ளது. பின் அலுவலகத்தில், ML அல்காரிதம்கள் செயல்படுத்தும் பதிவுகளில் உள்ள முரண்பாடுகளைக் கண்டறியவும், சந்தேகத்திற்கிடமான பரிவர்த்தனைகளைக் கண்டறியவும், அதே போல் அபாயங்களை நிர்வகிக்கவும் பயன்படுத்தப்படுகின்றன, இது செயல்திறன் மற்றும் பாதுகாப்பை அதிகரிக்க வழிவகுக்கிறது. முன் அலுவலகத்தில், வாடிக்கையாளர்களைப் பிரிக்கவும், வாடிக்கையாளர் ஆதரவு செயல்முறைகளைத் தானியங்குபடுத்தவும், டெரிவேடிவ்களின் விலையை மேம்படுத்தவும் AI உதவுகிறது.
இருப்பினும், அதன் மிகவும் சுவாரஸ்யமான பகுதி, நிதியை வாங்கும் பக்கத்திற்கான AI திறன்கள் ஆகும் - சந்தை இரைச்சலுக்கு மத்தியில் கணிசமான அளவு தரவுகளை முடிந்தவரை விரைவாக பகுப்பாய்வு செய்வதன் மூலம் முன்கணிப்பு சமிக்ஞைகளை அடையாளம் காணுதல். எடுத்துக்காட்டாக, அத்தகைய பயன்பாடுகளில் நேரத் தொடர் முன்கணிப்பு, சந்தைகளைப் பிரித்தல் மற்றும் சொத்து இலாகாக்களை நிர்வகித்தல் ஆகியவை அடங்கும். பரந்த தரவுத்தொகுப்புகளைச் செயலாக்குவதற்கும் பகுப்பாய்வு செய்வதற்கும் AI இன் வாய்ப்புகள் பாரம்பரிய முறைகள் தவறவிடக்கூடிய நுட்பமான வடிவங்களைக் கண்டறிய உதவுகின்றன.
போர்ட்ஃபோலியோ தேர்வுமுறை பல தசாப்தங்களாக ஒரு பொதுவான நடைமுறையாக இருந்து வருகிறது, தரவு அறிவியலின் வளர்ச்சி மற்றும் மேம்பட்ட கணக்கீட்டு நுட்பங்களை செயல்படுத்துவதன் கீழ் கணிசமாக உருவாகிறது. மார்கோவிட்ஸின் மாடர்ன் போர்ட்ஃபோலியோ தியரி (1952) மற்றும் கேப்பிட்டல் அசெட் ப்ரைசிங் மாடல் (1964) போன்ற கிளாசிக்கல் அணுகுமுறைகள் 50 ஆண்டுகளுக்கு முன்பு அறிமுகப்படுத்தப்பட்டது, ஆனால் இன்னும் பொருத்தமானதாகவே உள்ளது. இருப்பினும், நேரியல் அல்லாத அபாயத்தைக் கையாள்வதில் அவற்றின் வரம்புகள் மற்றும் வரலாற்றுத் தரவுகளைச் சார்ந்து இருப்பது நாளுக்கு நாள் மேலும் மேலும் தெளிவாகத் தெரிகிறது.
Renaissance Technologies, DE Shaw மற்றும் Two Sigma Investments போன்ற முக்கிய வீரர்களால் பரவலாக நடைமுறைப்படுத்தப்பட்ட ரிஸ்க் மாடலிங், சூழ்நிலை பகுப்பாய்வு மற்றும் குவாண்ட் டிரேடிங் போன்ற நடைமுறைகள் மிகவும் சிக்கலான மற்றும் மேம்பட்ட வழிமுறைகளை செயல்படுத்த வழிவகுத்தன. கூடுதலாக, இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு முன்கணிப்பு பகுப்பாய்வுகளை மிகவும் துல்லியமாக்கியதால், தொழில்துறையானது சமீபத்திய ஆண்டுகளில் AI ஆல் மிகவும் பாதிக்கப்பட்டுள்ளது, மேலும் தனிப்பயனாக்கப்பட்ட முதலீட்டு உத்திகள் மற்றும் தானியங்கு சிக்கலான முடிவெடுக்கும் செயல்முறைகளிலும் இதைச் செய்தது.
இந்த AI-உந்துதல் மாற்றம் போர்ட்ஃபோலியோ மேலாளர்களுக்கு நிகழ்நேரத்தில் பரந்த அளவிலான தரவைச் செயலாக்கவும் மூன்று முக்கிய சவால்களைத் தீர்க்கவும் உதவுகிறது:
படி
AI ஆல் இயக்கப்படும் சொத்து மேலாண்மை தீர்வுகளில் தத்தெடுப்பு மற்றும் முதலீட்டை அதிகரிப்பது மற்றும் போர்ட்ஃபோலியோ மேம்படுத்தலில் AI இன் நடைமுறை பயன்பாட்டை முன்னிலைப்படுத்துதல்.
சொத்து மேலாண்மை துறையில் AI ஏற்றுக்கொள்ளுதல் ஒரு புதிய போக்கு அல்ல; இது சமீபத்திய ஆண்டுகளில் வளர்ச்சியைக் கண்டது, ஆனால் ஹெட்ஜ் நிதிகள், அளவு மேலாண்மை அலுவலகங்கள், பெரிய ஆராய்ச்சித் துறைகள் மற்றும் IT சேவைகளைப் பயன்படுத்தும் நிதி நிறுவனங்கள் போன்ற குறைந்த எண்ணிக்கையிலான சந்தை வீரர்களுக்கு மட்டுமே வரையறுக்கப்பட்டுள்ளது.
AIக்கு ஏற்கனவே பல துறைகள் உள்ளன:
போர்ட்ஃபோலியோ கட்டுமான மேம்படுத்தல் செயல்முறையை AI கணிசமாக மேம்படுத்துகிறது. உதாரணமாக, மார்கோவிட்ஸின் நவீன போர்ட்ஃபோலியோ கோட்பாட்டின் கிளாசிக்கல் அணுகுமுறை, குவிந்த தேர்வுமுறைக் கருத்துகளை நம்பியுள்ளது, இது சமகால AI- உந்துதல் முறைகளுக்கு முன்னோடியாக செயல்படுகிறது. இந்த அடிப்படைக் கோட்பாடு மிகவும் முக்கியமானதாக இருப்பதற்கான காரணம் என்னவென்றால், AI அல்காரிதம்கள் முதலீட்டு உத்திகளை மேலும் மாற்றுவதற்கும் செம்மைப்படுத்துவதற்கும் அடிப்படையாக அமைகிறது.
இப்போதெல்லாம், தரவுகளின் புதிய பரிமாணங்களை ஆராய்வதன் மூலமும் மேம்பட்ட பகுப்பாய்வு நுட்பங்களை ஒருங்கிணைப்பதன் மூலமும் AI இந்த கோட்பாட்டை விரிவுபடுத்துகிறது. இந்த விரிவாக்கப்பட்ட தரவுத் திறன் மிகவும் நுணுக்கமான மற்றும் தகவலறிந்த முடிவெடுக்க அனுமதிக்கிறது - இது தொழில்துறையில் பரவலாகப் பயன்படுத்தப்படுகிறது.
சில AI நுட்பங்கள், நிறுவனத்தின் அடிப்படைகள், மேக்ரோ பொருளாதார சூழல் அல்லது சந்தை நிலைமைகள் பற்றிய பெரிய அளவிலான தரவைப் பயன்படுத்தி, அளவு நிர்வாகத்துடன் முழுமையாக இணக்கமாக உள்ளன. இயந்திர கற்றல் வழிமுறைகள் வெவ்வேறு மாறிகளுக்கு இடையே சிக்கலான நேரியல் அல்லாத உறவுகளைக் கண்டறியலாம் மற்றும், நிச்சயமாக, ஆய்வாளர்களால் கண்டுபிடிக்க முடியாத போக்குகளைக் கண்டறியலாம்.
உரை பகுப்பாய்வு என்பது அடிப்படை பகுப்பாய்வில் AI இன் மற்றொரு பயன்பாடாகும். இயற்கை மொழிச் செயலாக்கத்தைப் (NLP) பயன்படுத்தி, கார்ப்பரேட் வருவாய் அறிக்கைகள், மத்திய வங்கி செய்தி வெளியீடுகள் மற்றும் நிதிச் செய்திகள் போன்ற உரை மூலங்களை AI செயலாக்குகிறது மற்றும் பகுப்பாய்வு செய்கிறது. NLP மூலம், AI ஆனது இந்த கட்டமைக்கப்படாத தரவுகளிலிருந்து பொருளாதார ரீதியாகவும் நிதி ரீதியாகவும் முக்கியமான தகவல்களைப் பிரித்தெடுக்க முடியும். அவ்வாறு செய்வதன் மூலம், இது ஒரு அளவு மற்றும் முறையான அளவை வழங்குகிறது, இது மனித விளக்கங்களை மேம்படுத்துகிறது மற்றும் உதவுகிறது.
பரிவர்த்தனைகளின் சிக்கலான தன்மை மற்றும் வேகத்தின் தேவை ஆகியவை சமநிலையில் இருக்கும் வர்த்தகத்தில் AI இன் சக்திகள் மிகவும் பயனுள்ளதாக இருக்கும். நிதிச் சந்தைகளில் நிர்வகிக்கப்படும் பரிவர்த்தனைகளின் செயல்திறனை மேம்படுத்துவதன் மூலம் செயல்பாட்டின் பல நிலைகளை தானியங்குபடுத்துவதன் மூலம் AI அல்காரிதமிக் வர்த்தகத்தை ஆதரிக்கிறது.
குறைந்த செலவில் தனிப்பயனாக்கப்பட்ட முதலீட்டு ஆலோசனை சேவைகளை பரந்த அளவில் வழங்குவதற்கான வாய்ப்பை AI திறந்துள்ளது. இந்த அமைப்புகள் நிகழ்நேர சந்தைத் தரவைச் செயலாக்க சிக்கலான வழிமுறைகளைப் பயன்படுத்துகின்றன, தனிப்பட்ட வாடிக்கையாளர் தேவைகளுக்கு அவற்றின் திரும்பும் நோக்கங்கள் மற்றும் இடர் சுயவிவரங்களின் அடிப்படையில் மிகவும் பொருத்தமான உத்திகளைக் கொண்டு வருகின்றன.
இடர் மேலாண்மையில், AI பல்வேறு 'சாத்தியமான ஆனால் விரும்பத்தகாத' காட்சிகளை மாடலிங் செய்வதன் மூலம் உதவுகிறது, இது பெரும்பாலும் சாத்தியமான விளைவுகளில் மட்டுமே கவனம் செலுத்தும் பாரம்பரிய நடைமுறைகளை மேம்படுத்துகிறது.
போர்ட்ஃபோலியோ நிர்வாகத்தில் கிளாசிக்கல் மெஷின் கற்றல் முறைகள் இன்னும் பிரபலமாக உள்ளன, மேலும் அவை: சாதாரண குறைந்த சதுரங்கள், ரிட்ஜ் பின்னடைவு மற்றும் லாஸ்ஸோ பின்னடைவு உள்ளிட்ட நேரியல் மாதிரிகள். இவை அடிக்கடி சராசரி-வேறுபாடு உகப்பாக்கம் செயல்முறை மற்றும் ஒற்றை மதிப்பு சிதைவு (SVD) மற்றும் முதன்மை கூறு பகுப்பாய்வு (PCA) போன்ற அணி சிதைவு நுட்பங்களுடன் இணைக்கப்படுகின்றன.
இந்த கிளாசிக்கல் அணுகுமுறைகள் மற்றும் நவீன முறைகளுக்கு இடையே அமைந்திருப்பது ஆதரவு திசையன் இயந்திரங்கள் (SVMs) ஆகும். SVMகள் நடைமுறையில் பயன்படுத்தப்பட்டாலும், அவை பொதுவாக பயன்படுத்தப்படுவதில்லை, ஆனால் அவை குறிப்பிடத்தக்க பங்கை வகிக்கின்றன, குறிப்பாக, பங்கு செயல்திறனை முன்னறிவிப்பதை நோக்கமாகக் கொண்ட வகைப்பாடு பணிகளில்.
இந்தப் பணிகளில் பொதுவாக பங்கு விலை ஏற்ற இறக்கங்கள் மற்றும் வர்த்தக அளவுகள் உள்ளிட்ட வரலாற்று நிதித் தரவைப் பயன்படுத்தி, சொத்துக்களை வகைகளாகப் பிரித்து அவற்றின் செயல்திறனைக் கணிக்க, ஒரு பங்கு லாபம் அல்லது நஷ்டத்தை அனுபவிக்குமா என்பதைக் கணிப்பது அடங்கும்.
மேலும் நவீன முறைகளைப் பற்றி பேசுகையில், போர்ட்ஃபோலியோ நிர்வாகத்திற்கான இயந்திர கற்றலில் நரம்பியல் நெட்வொர்க்குகள் பெரிய முன்னேற்றங்களைக் காட்டுகின்றன மற்றும் பாரம்பரிய மாதிரிகள் மூலம் பிடிக்க கடினமாக இருக்கும் சிக்கலான நேரியல் அல்லாத வடிவங்களை மாடலிங் செய்வதற்கான மேம்பட்ட திறன்களை வழங்குகின்றன. நரம்பியல் நெட்வொர்க்குகள் தவிர, மேற்பார்வையிடப்பட்ட மற்றும் மேற்பார்வை செய்யப்படாத கற்றல் போன்ற பிற பாரம்பரிய அணுகுமுறைகள் தரவு பகுப்பாய்வை மேலும் மேம்படுத்தி மேம்படுத்துகின்றன, நுட்பமான சந்தை சமிக்ஞைகளின் கண்டுபிடிப்பு மற்றும் சுரண்டலை சாத்தியமாக்குகின்றன.
வலுவூட்டல் கற்றல் மற்றும் ஆழமான Q-கற்றல் போன்ற புதிய அணுகுமுறைகள் இந்த குணங்களை வேகமான முடிவெடுக்கும் சூழல்களுக்குள் கொண்டு வருகின்றன, சந்தை பின்னூட்டத்தில் இருந்து கற்றல் முறையின் அடிப்படையில் நிதி விளைவுகளை மேம்படுத்த நிகழ்நேரத்தில் போர்ட்ஃபோலியோக்களை சரிசெய்ய முடியும்.
உணர்வுப் பகுப்பாய்வு போன்ற இயற்கை மொழி செயலாக்க நுட்பங்கள் செய்தித்தாள் கட்டுரைகள், சமூக ஊடக இடுகைகள் மற்றும் ஆய்வாளர் அறிக்கைகள் போன்றவற்றிலிருந்து பொதுவான கருத்துக்களைத் தேர்ந்தெடுத்துத் தேர்வுசெய்ய உதவும். கூடுதலாக, போர்ட்ஃபோலியோ மேலாளர்கள் நிதி ஊடகங்களில் பயன்படுத்தப்படும் மொழியையும் பகுப்பாய்வு செய்யலாம், நிறுவனங்களின் வருவாய் அறிக்கைகள் உட்பட, முதலீட்டாளர் உணர்வை உணரவும், சந்தை நகர்வுகளை கணிக்கவும் முடியும், இவை அனைத்தும் முடிவெடுக்கும் செயல்பாட்டில் முக்கியமான தகவல்களாகும்.
உயர் அதிர்வெண் வர்த்தகத்தில் (HFT) நிபுணத்துவம் பெற்ற நிறுவனங்கள், AI-இயக்கப்படும் அளவு வர்த்தக வழிமுறைகளைப் பயன்படுத்தும் நிறுவனங்கள், சந்தையில் ஒரு கணம் நிகழும் திறமையின்மையால் பணம் சம்பாதிக்கின்றன. இந்த நிறுவனங்கள், மிக அதிக வேகத்தில் தொடர்புடைய சந்தைத் தகவலை பகுப்பாய்வு செய்ய இயந்திர கற்றல் தொழில்நுட்பங்களைப் பயன்படுத்துகின்றன மற்றும் ஒரு மில்லி விநாடிக்கு குறைவான துல்லியமான நேரத்துடன் ஆர்டர்களை வழங்குகின்றன.
இத்தகைய விரைவான செயல்படுத்தல், போட்டியாளர்களை விட விரைவாக விலை முரண்பாடுகள் மீது நடவடிக்கை எடுப்பதன் மூலம் நடுவர் வாய்ப்புகளில் இருந்து பயனடையவும் லாபத்தை அதிகரிக்கவும் அனுமதிக்கிறது. மறுமலர்ச்சி டெக்னாலஜிஸ் அதன் அளவுசார்ந்த வர்த்தக அணுகுமுறைகளுக்கு பெயர் பெற்றிருந்தாலும், பாரம்பரிய HFT நடைமுறைகளில் இருந்து பல்வேறு ஹோல்டிங் காலங்களை உள்ளடக்கிய அதன் பரந்த உத்தியை மனதில் வைத்திருப்பது முக்கியம், அவை முக்கியமாக வேகத்தில் கவனம் செலுத்துகின்றன.
LIME (உள்ளூர் விளக்கமளிக்கும் மாதிரி-அஞ்ஞான விளக்கங்கள்) என்பது சிக்கலான இயந்திர கற்றல் மாதிரிகளின் வெளியீடுகளை மிகவும் புரிந்துகொள்ளக்கூடியதாக மாற்ற பயன்படும் ஒரு முக்கிய XAI முறையாகும். போர்ட்ஃபோலியோ நிர்வாகத்தில், கருப்புப் பெட்டி மாதிரிகள் எவ்வாறு கணிப்புகளைச் செய்கின்றன என்பதை விளக்குவதற்கு இந்த முறை மிகவும் மதிப்புமிக்கதாக இருக்கும். உள்ளீட்டுத் தரவைப் பயன்படுத்துவதன் மூலமும், மாதிரி வெளியீடுகளின் தாக்கத்தை பகுப்பாய்வு செய்வதன் மூலமும், போர்ட்ஃபோலியோ மேலாளர்கள் மற்றும் தரவு விஞ்ஞானிகளுக்கு எந்த அம்சங்கள் முதலீட்டு முடிவுகளை மற்றவர்களை விட அதிகமாக பாதிக்கின்றன என்பதை வரையறுக்க உதவுகிறது.
இந்த செயல்முறை AI-உயர்த்தப்பட்ட முடிவுகளின் வெளிப்படைத்தன்மையை மேம்படுத்த உதவுகிறது மற்றும் இந்த மாதிரிகள் எவ்வளவு எளிதாக புரிந்து கொள்ள முடியும் என்பதை சரிபார்த்து மேம்படுத்துவதற்கான முயற்சிகளை ஆதரிக்கிறது. இருப்பினும், மாதிரி நடத்தை பற்றிய நமது புரிதலை LIME மேம்படுத்தும் அதே வேளையில், மாதிரிகளின் ஒட்டுமொத்த நம்பகத்தன்மையை மதிப்பிடுவது கூடுதல் சரிபார்ப்பு நுட்பங்களை உள்ளடக்கியது.
AI தொழில்நுட்பமானது, ஒழுங்குமுறை கட்டமைப்புகளுக்கு இணங்குவதை உறுதி செய்வதிலும், நிதித் துறையில் முதலீட்டுக் கட்டுப்பாடுகளைக் கண்காணிப்பதிலும் முக்கிய பங்கு வகிக்கிறது. இந்த செயல்முறைகளை தானியக்கமாக்குவதன் மூலம், AI அமைப்புகள் நிதி நிறுவனங்கள் சட்டத் தரங்களை மிகவும் திறமையாகவும், துல்லியமாகவும், சிக்கலில் சிக்காமல் இருக்கவும் உதவுகின்றன. பெரிய அளவிலான பரிவர்த்தனைகள் மற்றும் பல்வேறு போர்ட்ஃபோலியோ செயல்பாடுகளில் இணக்கத்தைக் கண்காணிப்பதில் இந்தத் தொழில்நுட்பம் மிகவும் மதிப்புமிக்கது, இது ஒழுங்குமுறைத் தேவைகள் அல்லது உள் வழிகாட்டுதல்களிலிருந்து விலகல்களை விரைவாக (உடனடியாக, உண்மையில்) அடையாளம் காண முடியும்.
மேலும், AI இன் பயன்பாடு மனித பிழையின் அபாயத்தைக் குறைக்கிறது, இது தவறுகள் சட்ட மற்றும் நிதி விளைவுகளுக்கு வழிவகுக்கும் உயர்-பங்கு ஒழுங்குமுறை சூழல்களில் முக்கியமானது.
தானியங்கு மறு சமநிலையில் உள்ள AI பயன்பாடுகள், காலப்போக்கில் சிறந்த சொத்து ஒதுக்கீடுகளை பராமரிப்பதற்கு முக்கியமானவை. முதலீட்டாளரின் இடர் சுயவிவரத்தில் சந்தை மாற்றங்கள் அல்லது மாற்றங்களுக்கு பதிலளிக்கும் வகையில் அவர்கள் போர்ட்ஃபோலியோக்களை சரிசெய்ய முடியும், இது மூலோபாய முதலீட்டு இலக்குகளுடன் சீரமைப்பதை உறுதி செய்கிறது.
குறிப்பாக முதலீட்டிற்காக வடிவமைக்கப்பட்ட பயன்பாடுகளுக்கு கூடுதலாக, சொத்து மேலாண்மை வணிகத்திற்குள் செயற்கை நுண்ணறிவு வளர்ச்சிக்கான சாத்தியக்கூறுகள் விரிவானதாகத் தோன்றுகிறது. எவ்வாறாயினும், செயல்பாட்டுச் சங்கிலியின் பல்வேறு கட்டங்களில் குறிப்பிட்ட வேலைகளை தானியங்குபடுத்துவதற்கான சாத்தியத்தை நாம் உள்ளுணர்வாகக் காண்கிறோம் என்ற போதிலும், செயற்கை நுண்ணறிவின் சீர்குலைக்கும் சக்தியை முழுமையாக எதிர்பார்ப்பது இன்னும் கடினமாக உள்ளது. ஏனென்றால், கூடுதல் முன்னேற்றங்கள் உருவாகும்போது, AI புதிய பயன்பாட்டுத் துறைகளை உருவாக்கும் என்று எதிர்பார்க்கப்படுகிறது.
செயற்கை நுண்ணறிவின் வரம்புகள் மற்றும் போர்ட்ஃபோலியோ நிர்வாகத்தின் சில அம்சங்களுக்கு அது ஏற்படுத்தும் ஆபத்துகள் குறித்து நாம் கவனமாக இருக்க வேண்டும், இருப்பினும் செயற்கை நுண்ணறிவைப் பயன்படுத்தி தொழில்நுட்ப முன்னேற்றங்கள் மற்றும் உற்பத்தித்திறன் ஆதாயங்களை இது சாத்தியமாக்கியுள்ளது. முதலாவதாக, செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் அணுகுமுறைகள் கற்றல் வழிமுறைகளுக்கு உணவளிக்கப் பயன்படும் தரவைச் சார்ந்துள்ளது.
புதுப்பிப்புகள், துல்லியம், முழுமை மற்றும் பிரதிநிதித்துவம் ஆகியவற்றின் அடிப்படையில் இந்தத் தரவு உயர் தரத்தில் இருப்பது அவசியம்.
எப்பொழுதும் கிடைக்காத மிகப் பெரிய அளவிலான தரவுத் தேவைக்கு கூடுதலாக, இந்தத் தரவு நல்ல தரமானதாக இருக்க வேண்டும். வேறு எந்த சந்தர்ப்பத்திலும், முன்கணிப்பு மாதிரிகளைப் பயன்படுத்தி பெறப்பட்ட கண்டுபிடிப்புகள் நம்பகமானவை அல்லது மீள்தன்மை கொண்டவை அல்ல.
மேலும், பகுப்பாய்வு செய்யப்பட்ட தரவுத்தொகுப்பிலிருந்து பொருத்தமற்ற போக்குகளைத் தேர்ந்தெடுப்பதன் மூலம் அல்காரிதம்கள் தவறான அனுமானங்களைச் செய்யலாம், இது தவறான முடிவுகளுக்கு வழிவகுக்கும். இது மொத்த அளவிலான பிடுங்கல், மிகவும் கூர்மையாக இருக்கும் தாவல்கள் மற்றும் மிகச்சிறிய சாத்தியமான செயலிழப்புகளை ஏற்படுத்தலாம். ஒரே AI அல்காரிதம்களை நிர்வகிக்கும் பல சந்தை ஆபரேட்டர்கள் ஒரே நேரத்தில் தவறான முடிவை எடுக்கலாம் அல்லது நிகழ்நேர சூழ்நிலையில் இதேபோல் செயல்படலாம் என்ற உண்மையின் காரணமாக சந்தை போட்டி இழப்பு ஏற்படலாம். அத்தகைய ஆபத்து ஆபத்தானது.
போர்ட்ஃபோலியோ நிர்வாகத்தில் AI இன் சாத்தியமான நன்மைகள் இருந்தபோதிலும், எந்தத் துறையிலும், நாம் மனதில் கொள்ள வேண்டிய சவால்கள் ஏராளமாக உள்ளன. AI மாடல்களின் வெளிப்படைத்தன்மை மற்றும் விளக்கச் சிக்கல்கள் இல்லாமை முக்கிய சிரமங்களில் ஒன்றாகும், இது மேலாளர்கள் AI உடனான ஒத்துழைப்பின் முடிவுகளை விளக்குவதற்கு சவாலாக இருக்கும். இந்த பயன்பாட்டின் சிக்கலானது ஐரோப்பிய நிதிகளில் AI இன் ஏற்றுக்கொள்ளல் ஒப்பீட்டளவில் குறைவாக இருப்பதற்கான காரணங்களில் ஒன்றாக இருக்கலாம். செப்டம்பர் 2022 நிலவரப்படி,
ஐரோப்பிய நிதிச் சந்தை ஆணையம் (ESMA)
இந்த கட்டத்தில், செயற்கை நுண்ணறிவு என்பது சொத்து மேலாண்மை துறையில் உண்மையான நபர்களை முற்றிலுமாக மாற்றுவதில் இருந்து இன்னும் வெகு தொலைவில் உள்ளது என்று தோன்றுகிறது. சொல்லப்பட்டால், வெளிப்படைத்தன்மை, நம்பிக்கை உறவு மற்றும் வாடிக்கையாளர்களுக்கும் நிர்வாக நிபுணர்களுக்கும் இடையிலான தொடர்பு ஆகியவை முக்கியமான பண்புகளாகத் தொடர்கின்றன, இப்போது முன்னெப்போதையும் விட அதிகமாக உள்ளது.
ஆயினும்கூட, செயற்கை நுண்ணறிவு அதனுடன் மதிப்புச் சங்கிலியில் பயன்படுத்தக்கூடிய புதிய மற்றும் அற்புதமான கருவிகளைக் கொண்டுவருகிறது என்பதை நாம் மறுக்க முடியாது, மேலும் இந்தக் கருவிகளின் திறன் உண்மையில் இன்று தொழில்துறையின் தோற்றத்தை மாற்றும்.