AI Bot Squawk Bot IBM به ایجاد سیل داده های مالی کمک می کند

گزارش های تحلیلگران ، درآمد شرکت ها ، قیمت سهام ، نرخ بهره. داده های مالی خواندن آسان نیست. و تعداد زیادی از آن وجود دارد

به طور معمول ، تیم های متخصصان انسانی از طریق داده های مالی می روند و حس می کنند. اما از آنجا که حجم منابع در حال افزایش است ، خواندن ، جذب ، درک ، همبستگی و عمل در مورد تمام اطلاعات موجود برای هر انسانی به طور فزاینده ای دشوار می شود.

ما می خواهیم کمک کنیم

در کار اخیر ما ، "The Squawk Bot": یادگیری مشترک از سری زمانی و روش های داده های متن برای فیلتر خودکار اطلاعات مالی ، ما یک مکانیزم AI و یادگیری ماشین را که به همبستگی یک بدنه بزرگ متن با سری داده های عددی توصیف عملکرد مالی کمک می کند ، جزئیات می دهیم. همانطور که با گذشت زمان تکامل می یابد. ارائه شده در کنفرانس های مشترک بین المللی 2021 در سازمان اطلاعات مصنوعی (IJCAI) ، سیستم مبتنی بر یادگیری عمیق ما از مقادیر زیادی از داده های متنی که توصیفات متنی بالقوه مرتبط با آن را توضیح می دهد که عملکرد یک معیار مالی مورد علاقه را توضیح می دهد-بدون نیاز به متخصصان انسانی یاداده های دارای برچسب.

این فناوری با نام Bot Squawk ، در زیر میدان AI و یادگیری ماشین شناخته می شود که به عنوان یادگیری چندمودال شناخته می شود. این نوع یادگیری سعی در ترکیب و مدل سازی داده های به دست آمده از منابع داده های مختلف ، که به طور بالقوه در انواع و اشکال داده های مختلف نشان داده شده است.

در حالی که یادگیری چندمودال به طور گسترده ای برای زیرنویس ویدیویی ، رونویسی صوتی و سایر برنامه هایی که فیلم ، تصاویر و صدا را با متن ترکیب می کنند ، مورد استفاده قرار گرفته است ، مطالعات بسیار کمتری در مورد پیوند متون و داده های سری زمانی عددی انجام شده است.

این شکاف است که علاقه ما را برانگیخته است ، همراه با بحث های دنیای واقعی در مورد نمایش های تفسیر مالی محبوب ، مانند "جعبه Squawk" CNBC و سایر برنامه های خبری مالی. در آنجا ، کارشناسان مالی و تجاری سعی در توضیح عملکرد دارایی مالی - می گویند ، قیمت سهام - یا برخی فعالیت ها در یک بخش اقتصادی از طریق تفسیر و اطلاعات از منابع مختلف بر اساس تخصص دامنه آنها.

ربات Squawk به طور خودکار مقادیر زیادی از اطلاعات متنی را فیلتر می کند و بیت های خاصی را که ممکن است مربوط به عملکرد یک نهاد مورد علاقه باشد ، با تکامل با گذشت زمان انجام می دهد. هوش مصنوعی این کار را بدون نیاز دقیق قبل از هم تراز کردن داده های متن و سری زمانی یا حتی به صراحت برچسب زدن داده ها انجام می دهد. این مدل به طور خودکار این همبستگی های متقاطع را پیدا می کند و اهمیت آنها را رتبه بندی می کند و راهنمایی های کاربر را برای درک نتایج فراهم می کند.

ارزیابی اولیه مکانیسم ما نتایج امیدوار کننده ای را در مورد اخبار مالی در مقیاس بزرگ و قیمت سهام در چندین سال نشان داده است. مدل ما به طور خودکار بیش از 80 درصد از اطلاعات متنی مربوطه (مانند مقالات خبری) مربوط به قیمت سهام مورد علاقه را که برای آزمایش های خود انتخاب کرده بودیم ، بازیابی کرد. این مدل بدون آگاهی قبلی از هر متخصص انسانی ، بدون هیچ گونه تخصص دامنه کاربردی یا استفاده از کلمات کلیدی یا عبارات خاص ، این کار را کرد.

این تحقیق هنوز در حال انجام است ، و ما اکنون در حال بررسی رویکردهای مختلف برای کاهش میزان داده های مورد نیاز مدل از طریق تقویت داده ها و یادگیری چند شات هستیم. ما همچنین به دنبال غنی سازی مدل با دانش دامنه هستیم تا بازیابی محتوای مربوطه را هدفمندتر کنیم ، تا بیشتر توضیح روند یادگیری را بهبود بخشیم.

قدم بعدی گسترش برنامه های مدل ما در دنیای گسترده تر مدیریت سرمایه گذاری ، به ویژه برای تجزیه و تحلیل داده های متن مالی و بینش در مورد تصمیمات سرمایه گذاری است. ما همچنین در حال بررسی چگونگی استفاده از این مدل به عنوان یک سیستم "کاهش نویز" هستیم-به معنای دریافت هوش مصنوعی برای بازیابی تنها متداول ترین متن برای یک دارایی مالی معین ، به طوری که می توان از متن برای استخراج سیگنال های تجاری استفاده کرد.

یکی دیگر از کاربردهای جالب دیگر از ربات Squawk در کمپین های بازاریابی ، به ویژه برای کشف محتوا است که به بهترین وجه با یک متریک عملکرد بازاریابی مشخص می شود. به زودی ، داده های مالی برای هر کسی دشوار نخواهد بود.