لا توجد صناعة واحدة لم تتأثر بالتأثير التحويلي لتكنولوجيا الذكاء الاصطناعي artificial intelligence technology في العقد الماضي- الخدمات المالية financial services ليست استثناء. يشتهر القطاع المالي بالسعي وراء كل ميزة ممكنة لتعظيم أرباحه- وبالتالي، فإن استخدام التعلم الآلي machine learning ML والذكاء الاصطناعيartificial intelligence AI كان أمرًا لا يحتاج إلى تفكير.
يستفيد عدد كبير من حالات الاستخدام من قوة الذكاء الاصطناعي (AI)- بدءًا من اكتشاف الاحتيال fraud detection وتقييم المخاطر risk assessment وتحسين رضا العملاء improving customer satisfaction وزيادة أتمتة الحسابات والمعاملات increasing accounting and transactional automation إلى التداول الخوارزمي algorithmic trading.
ما كان تقليديًا صناعة ثقيلة على الناس مع الكثير من المحللين ومديري الأموال، تحولت الخدمات المالية ببطء إلى شركة عملاقة ثقيلة التكنولوجيا. ونتيجة لذلك، فإننا نتطلع إلى زيادة الذكاء البشري باستخدام الذكاء الاصطناعي، مما يؤدي إلى زيادة الكفاءة وتقليل التكاليف للمؤسسات المصرفية والعروض الجديدة للمستهلكين.
وفقًا لتقرير منظمة التعاون الاقتصادي والتنمية OECD حول الذكاء الاصطناعي AI وتعلم الآلة ML والبيانات الضخمة Big Data في مجال التمويل، من المتوقع أن يتضاعف الإنفاق العالمي على الذكاء الاصطناعي في الفترة من 2020 إلى 24، لينمو من 50 مليار دولار إلى أكثر من 110 مليار دولار على مدى أربع سنوات.
في أسواق رأس المال، يتولى الذكاء الاصطناعي جزءًا متزايدًا من عمليات الإعدام التجارية. ما بدأ كإتجاه يتبع في الثمانينيات، سرعان ما استخدم المتداولون وصناديق hedge funds خوارزميات ومحركات قواعد متطورة للغاية لتنفيذ الصفقات- المعروفة باسم التداول الخوارزمي algorithmic trading. اليوم، يتم استخدام التداول الخوارزمي الذي يحركه الذكاء الاصطناعي لتصور الأفكار التجارية وعمليات التنفيذ التجارية. تعتمد صناعة التداول عالي التردد بشكل كبير على عمليات التنفيذ التجارية الآلية التي توفرها نماذج ML باستخدام تقنيات مثل الارتداد المتوسط، واكتشاف الشذوذ، وتقنيات التعلم العميق المختلفة لالتقاط الأنماط الأساسية المعقدة.
وفقًا لدراسة أجرتها JPMorgan لعام 2020، تم تنفيذ أكثر من 60% من الصفقات التي تزيد عن 10 ملايين دولار باستخدام الخوارزميات. علاوة على ذلك، من المتوقع أن ينمو سوق التداول الخوارزمي بمقدار 4 مليارات دولار بحلول عام 2024، ليصل الحجم الإجمالي إلى 19 مليار دولار.
مع الكم الهائل من الفرص للتطبيق في مجال التمويل، يواجه الذكاء الاصطناعي أيضًا العديد من التحديات.
- غالبًا ما يُنظر إلى الذكاء الاصطناعي على أنه صندوق أسود لأن المستخدمين يميلون إلى عدم فهم أو شرح سبب اقتراح نموذج الذكاء الاصطناعي أو توقع نتيجة معينة. يفتح هذا التحدي الحاجة إلى أطر تنظيمية وإدارية لمتبني الذكاء الاصطناعي لضمان عدم تدريب أي تحيز أو تمييز في نموذج. على سبيل المثال، تخيل انحيازًا للذكاء الاصطناعي ضد فئة ديموغرافية معينة من السكان بناءً على جنسهم. إن تحيز البيانات الذي ينتج عنه تمييز غير عادل سيكون مناقضًا لهدف الشمول المالي للبنوك والمؤسسات. ومن ثم، فإن الذكاء الاصطناعي القابل للتفسير يكتسب أهمية أكبر لضمان الإشراف البشري والحكم.
- تتعلم نماذج الذكاء الاصطناعي باستمرار وتنقح تنبؤاتها بشأن البيانات الجديدة. ومع ذلك، فهو يعاني من مخاطر الذيل من أحداث البجعة السوداء مثل COVID-19، حيث تنحرف الدروس المستفادة من نماذج ML بسبب البيانات المنحرفة لمرة واحدة. مثل هذه الظروف غير المتوقعة التي لا يتم التقاطها بواسطة البيانات تقوض الدقة التنبؤية لنماذج ML وتؤدي إلى تدهور الأداء. لذلك، على الرغم من براعتها التكنولوجية والحاسوبية، لا يزال الذكاء الاصطناعي يتطلب وجود إنسان في الحلقة للعديد من حالات الاستخدام. هذه هي مجالات البحث النشط لمجتمع الذكاء الاصطناعي لحلها خلال العقد القادم.
يستفيد عدد كبير من حالات الاستخدام من قوة الذكاء الاصطناعي (AI)- بدءًا من اكتشاف الاحتيال fraud detection وتقييم المخاطر risk assessment وتحسين رضا العملاء improving customer satisfaction وزيادة أتمتة الحسابات والمعاملات increasing accounting and transactional automation إلى التداول الخوارزمي algorithmic trading.
ما كان تقليديًا صناعة ثقيلة على الناس مع الكثير من المحللين ومديري الأموال، تحولت الخدمات المالية ببطء إلى شركة عملاقة ثقيلة التكنولوجيا. ونتيجة لذلك، فإننا نتطلع إلى زيادة الذكاء البشري باستخدام الذكاء الاصطناعي، مما يؤدي إلى زيادة الكفاءة وتقليل التكاليف للمؤسسات المصرفية والعروض الجديدة للمستهلكين.
وفقًا لتقرير منظمة التعاون الاقتصادي والتنمية OECD حول الذكاء الاصطناعي AI وتعلم الآلة ML والبيانات الضخمة Big Data في مجال التمويل، من المتوقع أن يتضاعف الإنفاق العالمي على الذكاء الاصطناعي في الفترة من 2020 إلى 24، لينمو من 50 مليار دولار إلى أكثر من 110 مليار دولار على مدى أربع سنوات.
في أسواق رأس المال، يتولى الذكاء الاصطناعي جزءًا متزايدًا من عمليات الإعدام التجارية. ما بدأ كإتجاه يتبع في الثمانينيات، سرعان ما استخدم المتداولون وصناديق hedge funds خوارزميات ومحركات قواعد متطورة للغاية لتنفيذ الصفقات- المعروفة باسم التداول الخوارزمي algorithmic trading. اليوم، يتم استخدام التداول الخوارزمي الذي يحركه الذكاء الاصطناعي لتصور الأفكار التجارية وعمليات التنفيذ التجارية. تعتمد صناعة التداول عالي التردد بشكل كبير على عمليات التنفيذ التجارية الآلية التي توفرها نماذج ML باستخدام تقنيات مثل الارتداد المتوسط، واكتشاف الشذوذ، وتقنيات التعلم العميق المختلفة لالتقاط الأنماط الأساسية المعقدة.
وفقًا لدراسة أجرتها JPMorgan لعام 2020، تم تنفيذ أكثر من 60% من الصفقات التي تزيد عن 10 ملايين دولار باستخدام الخوارزميات. علاوة على ذلك، من المتوقع أن ينمو سوق التداول الخوارزمي بمقدار 4 مليارات دولار بحلول عام 2024، ليصل الحجم الإجمالي إلى 19 مليار دولار.
مع الكم الهائل من الفرص للتطبيق في مجال التمويل، يواجه الذكاء الاصطناعي أيضًا العديد من التحديات.
- غالبًا ما يُنظر إلى الذكاء الاصطناعي على أنه صندوق أسود لأن المستخدمين يميلون إلى عدم فهم أو شرح سبب اقتراح نموذج الذكاء الاصطناعي أو توقع نتيجة معينة. يفتح هذا التحدي الحاجة إلى أطر تنظيمية وإدارية لمتبني الذكاء الاصطناعي لضمان عدم تدريب أي تحيز أو تمييز في نموذج. على سبيل المثال، تخيل انحيازًا للذكاء الاصطناعي ضد فئة ديموغرافية معينة من السكان بناءً على جنسهم. إن تحيز البيانات الذي ينتج عنه تمييز غير عادل سيكون مناقضًا لهدف الشمول المالي للبنوك والمؤسسات. ومن ثم، فإن الذكاء الاصطناعي القابل للتفسير يكتسب أهمية أكبر لضمان الإشراف البشري والحكم.
- تتعلم نماذج الذكاء الاصطناعي باستمرار وتنقح تنبؤاتها بشأن البيانات الجديدة. ومع ذلك، فهو يعاني من مخاطر الذيل من أحداث البجعة السوداء مثل COVID-19، حيث تنحرف الدروس المستفادة من نماذج ML بسبب البيانات المنحرفة لمرة واحدة. مثل هذه الظروف غير المتوقعة التي لا يتم التقاطها بواسطة البيانات تقوض الدقة التنبؤية لنماذج ML وتؤدي إلى تدهور الأداء. لذلك، على الرغم من براعتها التكنولوجية والحاسوبية، لا يزال الذكاء الاصطناعي يتطلب وجود إنسان في الحلقة للعديد من حالات الاستخدام. هذه هي مجالات البحث النشط لمجتمع الذكاء الاصطناعي لحلها خلال العقد القادم.
اعتمدت البنوك والمؤسسات المالية باستمرار التكنولوجيا للبقاء على صلة وتقديم خدمات محسنة لعملائها. في عصر الذكاء الاصطناعي، سيصبح التمويل والمصارف الذكاء الاصطناعي أولاً بدلاً من استخدام تقنية الذكاء الاصطناعي في محيطهما. من خلال التنفيذ الصحيح، يمكنهم تحسين عملية صنع القرار البشري وتقليل المخاطر، وفتح فرصة تريليون دولار لهذه الصناعة.
