آینده تحلیلگری در عصر هوش مصنوعی مولد

البته باید میان «دسترسی به ابزار تحلیل» و «توانایی ارائه تحلیلی معتبر» تفاوت قائل شد. دسترسی به این پلتفرم‌ها بسیار آسان‌تر و ارزان‌تر شده است؛ اما داده‌های باکیفیت، توانایی تفسیر خروجی مدل، کنترل خطا بر مبنای قضاوت حرفه‌ای همچنان کمیاب است. از این رو، توجه به چند نکته برای تحلیلگران بازار سرمایه کشور، فارغ‌التحصیلان جدید رشته‌های مالی و همچنین دانشکده‌های مالی و موسسات آموزشی مالی با ظهور فناوری هوش مصنوعی مولد و مدل‌های زبانی بزرگ ضروری به نظر می‌رسد:

نکته ۱- تخریب خلاق وظایف تحلیلگران

مدل‌های هوش مصنوعی مولد از همین حالا بخشی از وظایف جاری تحلیلگران تازه‌کار را بر عهده گرفته‌اند. مدل‌های زبانی بزرگ، می‌توانند اطلاعات شرکت‌ها را با صرف زمان و هزینه‌ای بسیار کمتر جمع‌آوری، استخراج، دسته‌بندی و خلاصه کنند و برای تفسیر و تصمیم‌گیری در اختیار تحلیلگران باتجربه قرار دهند؛ این همان کاری است که بیشتر ما تحلیلگران پس از فارغ‌التحصیلی از دانشگاه و ورود به شرکت‌های مالی از انجام آن لذت چندانی نمی‌بریم و اصطلاحا به آن «کار گِل» می‌گوییم. امروز بخش مهمی از همین کار گِل را می‌توان به هوش مصنوعی سپرد.

شواهد موجود نیز نشان می‌دهد بیشترین افزایش بهره‌وری ناشی از هوش مصنوعی مولد، فعلا در وظایف مشخص، تکراری و دارای خروجی قابل‌اندازه‌گیری مشاهده می‌شود. همچنین در برخی مطالعات، کارکنان تازه‌کار بیشتر از کارکنان باتجربه از این ابزارها بهره برده‌اند؛ زیرا هوش مصنوعی مولد علاوه بر انجام کارهای تکراری، بخشی از دانش و الگوی کاری افراد باتجربه را نیز در اختیار آنها قرار می‌دهد.

خاطرم هست تا همین دو سه سال پیش، تحلیل اطلاعات مالی یک شرکت، انتقال اعداد و ارقام تاریخی صورت‌های مالی به اکسل در یک قالب مرتب، تراز کردن ترازنامه و پیش‌بینی صورت‌های مالی، چند هفته از وقت یک کارشناس در یک شرکت مالی را می‌گرفت. براساس تجربه شخصی، امروز با ترکیب هوش مصنوعی مولد می‌توان زمان انجام بخش‌هایی از این فرآیند را گاهی به چند ساعت کاهش داد و بیشتر وقت را به ارزیابی شواهد و قضاوت حرفه‌ای نتایج اختصاص داد. دوستان باتجربه حتما به خاطر دارند که تراز کردن ترازنامه برای ارزش‌گذاری یا تحلیل سرمایه‌گذاری در شرکت‌های تامین سرمایه و مشاور سرمایه‌گذاری، پیش از ظهور هوش مصنوعی مولد، بعضا به‌تنهایی یک تخصص ویژه به شمار می‌رفت!

البته، گسترش استفاده از مدل‌های زبانی بزرگ را نباید لزوما به معنای حذف کامل تحلیلگران کم‌تجربه‌تر دانست. براساس ارزیابی‌های موجود، محتمل‌ترین اثر هوش مصنوعی مولد در حال حاضر، تغییر ترکیب وظایف و بازطراحی مشاغل است، نه جایگزینی کامل آنها. بنابراین آنچه در حال از بین رفتن است، لزوما شغل تحلیلگر نیست؛ بلکه تغییر و تحول از گردش کار تحلیلگری و ارتقای وظایف آنان است.

2 copy

نکته ۲- توسعه دانش و تجربه مالی و مهارت‌های شناختی 

با این توضیحات، آیا دیگر نیازی به توسعه دانش و مهارت‌های مالی وجود ندارد؟ پاسخ در حال حاضر منفی است. در افق قابل ‌پیش‌بینی، به نظر می‌رسد دانش و مهارت‌های مالی نه‌تنها بی‌اهمیت نمی‌شود، بلکه یادگیری عملی آن برای کنترل ورودی و ممیزی خروجی هوش مصنوعی در وظایف مالی اهمیت بیشتری پیدا می‌کند. تحلیلگری که ارتباط میان صورت سود و زیان، ترازنامه و صورت جریان وجوه نقد را نمی‌داند، برای مثال نمی‌تواند تشخیص دهد که آیا مدل مالی ساخته‌شده توسط هوش مصنوعی واقعا تراز است یا فقط ظاهری منظم و متقاعدکننده دارد. یا مثال دیگر اینکه تحلیلگری که منطق پیش‌بینی مالی و ارزش‌گذاری را نمی‌شناسد، قادر به تشخیص کیفیت و کفایت شواهد مدل‌های زبانی بزرگ، شناسایی مفروضات پنهان آن، خطا در مفروضات و ارائه سناریوهای جایگزین به مدل‌های زبانی بزرگ برای بهبود تحلیل نخواهد بود. در واقع، احتمالا نسل جاری هوش مصنوعی فعلا یک تحلیلگر مستقل و کاملا قابل‌اعتماد نیست؛ بلکه دستیاری سریع و توانمند است که ورودی، مدل و خروجی آن باید کنترل و ممیزی شود که این مهم دانش تخصصی مالی، تجربه آن حوزه تخصصی (Domain Expertise)، تسلط بر شیوه کارکرد مدل‌های هوش مصنوعی و مهارت‌های شناختی را می‌طلبد که در ادامه به برخی از این موارد می‌پردازیم.

نکته ۳- بازتعریف نقش تحلیلگران در بازار سرمایه

کسب مهارت استفاده صحیح از مدل‌های زبانی بزرگ برای تحلیلگران بازار سرمایه کشور امروز ضروری است؛ علاوه بر این، تحلیلگران، به‌خصوص تحلیلگران تازه‌کار، باید خود را یک پله ارتقا دهند و تجربه حوزه‌ تخصصی را از متخصصان که در آن حوزه فعالیت می‌کنند به دست آورند؛ چیزی که به نظر می‌رسد مدل‌های فعلی هوش مصنوعی هنوز این حوزه را به‌طور کامل در اختیار ندارند.

به نظر می‌رسد سهم جمع‌آوری اطلاعات بازار، صنعت و شرکت و تبدیل آنها به برآوردهای اولیه در نقش تحلیلگری در بازار سرمایه کم‌رنگ‌تر شود و وقت تحلیلگران به‌تدریج به سمت تعریف صحیح فرآیند انجام کار  و ارزیابی خروجی و قضاوت حرفه‌ای در هر یک از مراحل مختلف فرآیند تحلیل بنیادی، ارزش‌گذاری و سرمایه‌گذاری اختصاص یابد. به عبارت دیگر، ما تحلیلگران باید بتوانیم مساله مالی مبتنی بر وظیفه خود را در بازار سرمایه  به‌درستی صورت‌بندی کنیم.سوال‌های پی‌درپی صحیح از هوش مصنوعی متناسب با مساله موردنظر از هوش مصنوعی بپرسیم، پاسخ‌های آن را با شواهد مستقل مقایسه و تناقض‌ها را شناسایی کنیم. همچنین باید تشخیص دهیم که آیا شواهد ارائه شده توسط مدل‌های زبانی بزرگ برای تصمیم‌گیری کافی هستند و از کیفیت لازم برخوردارند یا خیر  و راسا مسوولیت تصمیم نهایی را بپذیرند. هوش مصنوعی در حال حاضر می‌تواند در تمام این مراحل به تحلیلگر کمک کند، اما مسوولیت نهایی تصمیم همچنان بر عهده ما یا موسسه مالی باقی می‌ماند. در بازار سرمایه نمی‌توان مسوولیت یک تصمیم اشتباه مالی را به یک مدل زبانی واگذار کرد.

نکته ۴-نقش جدید دانشگاه‌ها و موسسات آموزشی مالی

دانشگاه‌ها و موسسات آموزشی مالی نیز باید آموزش خود را یک یا چند پله ارتقا دهند. پاسخ درست به ظهور هوش مصنوعی، تقویت عملی آموزش حسابداری، اقتصاد، مدیریت مالی، مدل‌سازی مالی، ارزش‌گذاری یا برنامه‌نویسی متناسب با فضای بازار سرمایه کشور است؛ به عبارت دیگر، شیوه آموزش باید با ظهور این فناوری تغییر کند. دانشجو صرفا نباید جنبه‌های نظری مالی را بیاموزد بلکه باید به تجربه تخصصی حوزه مختلف مالی بازار سرمایه کشور دست یابد و علاوه بر آن، بیاموزد که این دانش و تجربه را چگونه با مدل‌های هوش مصنوعی در هم آمیزد. دانشجویان باید بتوانند منابع مورد استفاده مدل‌های زبانی بزرگ را کنترل کنند، سناریوهای مختلف آن را با یکدیگر مقایسه کنند و خطاهای احتمالی را تشخیص دهند.

در کنار این موارد، توسعه مهارت‌های شناختی نظیر تفکر انتقادی، تفکر سیستمی و تصمیم‌گیری در شرایط عدم‌قطعیت برای استفاده موثر از هوش مصنوعی مولد اهمیت بیشتری یافته است. این مهارت‌ها زمانی ضروری می‌شوند که تحلیلگر با پاسخ‌هایی مواجه است که ممکن است بسیار روان و قانع‌کننده باشند، اما الزاما درست نباشند. همچنین دانشجویان باید مبانی علوم پایه استفاده شده در مدل‌های زبانی بزرگ نظیر دانش جبر، حسابان و احتمال و آمار را به صورت کاربردی بیاموزند. این علوم پایه از این نظر اهمیت دارد که شیوه کارکرد مدل‌های زبانی بزرگ و نقاط قوت و محدودیت‌های آن برای استفاده بهتر دانشجویان مالی روشن و مشخص شود.

سخن پایانی، انتظار داریم در آینده تحلیلگران بازار سرمایه کشور و هوش مصنوعی مولد در یک فضای همزیستی قرار گیرند؛ مهم این است بتوانیم تشخیص دهیم  در چه مواردی ما تحلیلگران، در چه حوزه‌ای هوش مصنوعی، و کجا ترکیب ما و هوش مصنوعی خروجی متناسب با واقعیت را سریع‌تر، با هزینه کمتر و کیفیت بیشتر برای حل مسائل مالی تولید می‌کنند. آنچه در حال حاضر روشن به‌نظر می‌رسد اینکه ارزش اقتصادی انجام کارهای تکراری و تولید اولیه اطلاعات در بازار سرمایه کاهش یابد؛ در مقابل، تجربه تخصصی، قضاوت حرفه‌ای، مهارت‌های شناختی و توانایی ممیزی خروجی هوش مصنوعی ارزش بیشتری پیدا کند. به زبان ساده، به نظر می‌رسد تولید متن و ارائه برآوردهای اولیه ارزان‌تر خواهد شد؛ اما تشخیص اینکه کدام متن و کدام برآورد قابل‌اتکاست و پذیرفتن مسوولیت تصمیمی که براساس آن گرفته می‌شود، تا اطلاع ثانوی همچنان گران خواهد ماند.

* کارشناس بازار سرمایه