سازمان‌های موفق آینده در صنعت FS کسانی خواهند بود که از قدرت یا تجزیه و تحلیل متن و NLP استفاده کنند. کسانی که آن را نادیده می گیرند، این کار را به خطر می اندازند. با این حال، دموکراتیزه کردن هوش مصنوعی نشان داده است که چالش برای FIها قابلیت فناورانه نیست، بلکه شناسایی موارد استفاده مولد ارزش است.
کتابخانه‌های NLP مانند Spacy، Hugging Face و مدلهایی مانند Googles Switch Transformer یا GPT-3 از Open AI به تیم‌های فن‌آوری ماهر در بانک‌ها اجازه می‌دهند تا از این نوآوری استفاده کنند. استفاده از یادگیری انتقال به طور قابل توجهی موانع ورود مانند در دسترس بودن داده ها و قدرت محاسباتی برای آموزش را کاهش می دهد، بنابراین موارد استفاده پیچیده را برای FI های کوچکتر ممکن می کند. از سوی دیگر، گسترش پلتفرم‌های بدون کد یا کم‌کد برای یادگیری ماشین و هوش مصنوعی، این فناوری را برای کاربران تجاری به ارمغان می‌آورد. بنابراین، FI های متوسط و کوچکتر می توانند به جای دنبال کردن بازار، مزیت رقابتی ایجاد کنند. با این مقاله من چندین مورد استفاده از صنعت را نشان می‌دهم تا به عنوان ایده‌هایی برای این FIها در این تغییر ذهنیت کمک کند.
چندین تکنیک را می توان در جهت یابی در بازارهای سرمایه با استفاده از داده های بدون ساختار استفاده کرد. الف) عبارات کلیدی عبارات کلیدی را از متن بزرگ استخراج کنید تا یک خلاصه ایجاد کنید. ب) تجزیه و تحلیل احساسات/طبقه بندی متن احساسات متن را بر اساس موضوعات، نهادها یا جهت زمانی عبارات تجزیه و تحلیل کنید تا بینش دقیق تری ایجاد کنید.
ج) تحلیل زمانی جهت زمانی عبارات را برای ارزیابی ارتباط مشخص کنید. د) استخراج موضوع/ مدل سازی موضوع عبارات مربوط به موضوع مورد علاقه برای تحلیل خود را استخراج کنید یا موضوعات اساسی را در متن بزرگ مدل کنید. ه) پرسش و پاسخ - جستجوی معنایی جستجوی هوشمند بر اساس شباهت معنایی به جای مطابقت دقیق کلمات کلیدی. استفاده از موارد در دقت نظر
این ادغام ، خرید یا معاملات سهام خصوصی ، با دقت کافی یک فرایند پیچیده است که نیاز به ساعت کار حرفه ای در طرف های مختلف دارد. یکی از فعالیت های موجود در اینجا ، بازگرداندن اطلاعات محرمانه از اسناد خاص است که در بعضی مواقع می تواند کارهای دستی گران قیمت و گران قیمت باشد. NLP و تکنیک های تحلیلی متن مانند به رسمیت شناختن موجودیت ، شباهت معنایی و پردازش تصویر اکنون مجموعه ای قوی از برنامه ها را در این زمینه ارائه می دهند. اطلاعات محرمانه ، اصطلاحات و مباحثی از قبیل اطلاعات حساس تجاری ، داده های حساس شخصی (GDPR) و سایر موارد بسته به مخاطب مشاهده داده ها ، می توانند از لحاظ هوشمندانه و بدون نقص قرار بگیرند. در زیر یک تصویر در مورد مراحل احتمالی برای تهیه یک مدل مشابه آورده شده است.
بازنمودهای بردار جملات ، با مدلهایی مانند برت ، GPT و دیگران ، جستجو را در اسناد بر اساس شباهت تسهیل می کنند. این بدان معناست که عملکردهایی مانند یافتن کلمات یا عبارات مشابه در یک سند برای رد کردن نیز امکان پذیر است.
تجزیه و تحلیل قرارداد گروه دیگری از موارد استفاده است که توسط تجزیه و تحلیل متن و NLP که در فرآیندهای دقت مورد استفاده قرار می گیرد ، استفاده می شود. برای یک خریدار که قراردادهای موجود از یک هدف بالقوه را بررسی کند ، یا هدف انجام تجزیه و تحلیل تشخیصی اولیه ، یک فرآیند ساده و خودکار می تواند مقدار قابل توجهی از کار دستی را ذخیره کند. قراردادها اطلاعات را به صورت بدون ساختار نگه می دارند اما شامل بندهای مهمی است که ممکن است در طی فرآیند دقت در زیر رادار قرار بگیرند. تجزیه و تحلیل کامل قراردادها به طور طبیعی شامل هزینه های قانونی گزاف است. جستجوی معنایی ، برچسب زدن هوشمند و خلاصه اطلاعات مهم از قراردادها می تواند تعداد ساعاتی را که وکلا در تجزیه و تحلیل قراردادها نیاز دارند ، به میزان قابل توجهی کاهش دهد و در نتیجه هزینه ها را پس انداز کند. تحقیق و تجزیه و تحلیل وضعیت سرمایه گذاری
شرکت‌های طرف خرید قبلاً چندین مورد استفاده از تجزیه و تحلیل داده‌های بدون ساختار را برای اهداف تحقیقاتی یا مدیریت سرمایه‌گذاری دیده‌اند. همراه با داده های متنی، موارد استفاده نیز برای استفاده از اطلاعات ترافیک پیاده، جستجوی آنلاین و سایر داده های مشابه برای پیش بینی های دقیق تر وجود دارد. در طول شروع همه‌گیری، بسیاری از تحلیلگران در به‌روزرسانی اهداف عددی خود برای شرکت‌ها کند بودند، اگرچه بسیاری از شرکت‌ها دستورالعمل‌های درآمدی خود را پس گرفتند. در طول بحران مالی پدیده مشابهی مشاهده شد. در زمان عدم قطعیت، شاخص‌های عددی کمتر به‌روزرسانی می‌شوند، در حالی که چالش‌های فعلی و فضای سرمایه‌گذاری موجود به‌طور مفصل در قالب متن مورد بحث قرار می‌گیرند. مدیران سرمایه‌گذاری که از این داده‌ها در فرآیندهای تصمیم‌گیری استفاده می‌کنند، دیدگاهی کل‌نگر نسبت به شرایط فعلی دارند. معمولاً یک تحلیلگر انسانی این گزارش ها را بررسی می کند. اما در محیطی سریع، بررسی دستی همه اسناد امکان پذیر نیست. از این رو، تکنیک‌های NLP و تجزیه و تحلیل متن می‌توانند در غربالگری اولیه گزارش‌ها و برجسته‌سازی مناطقی که باید به آن‌ها نگاه کنیم، کمک کنند. نوکستینگ و تحقیقات بانک مرکزی
در طول نوسانات قابل توجه ناشی از قرنطینه و بیماری همه گیر، بانک های مرکزی در تعدیل سیاست پولی خود با مشکل مواجه بودند. ارقام مرسوم مورد استفاده برای کمیته های سیاست پولی مانند تولید ناخالص داخلی، شاخص های احساسات مصرف کننده، اعداد تورم و موارد دیگر، به عقب نگاه می کنند. بنابراین، بانک‌های مرکزی عمده استفاده بیشتری از به اصطلاح Nowcasting را مشاهده کرده‌اند. نیاز به داده های فوری در سناریوهای استرس زا بسیار ضروری است. به این ترتیب پخش کنونی، با استفاده از داده‌های با فرکانس بالا مانند متن و مقالات روزنامه، بینشی فوری از محیط بازار فراهم می‌کند. Nowcasting نه تنها در تصمیم گیری های سیاست پولی استفاده می شود، بلکه برای سنجش تأثیر تصمیمات اتخاذ شده و مانور دادن در صورت لزوم نیز استفاده می شود. ترفند این است که مجموعه داده را به یک سری زمانی می‌سازیم که می‌تواند با شاخص‌های عددی مربوطه تراز شود. محققان بانک مرکزی نروژ از LDA (تخصیص نهفته دریکله) برای استخراج موضوعات از منابع خبری و پیش‌بینی تولید ناخالص داخلی، رشد سرمایه‌گذاری و مصرف ایالات متحده استفاده می‌کنند. 3 توصیه به FI های کوچکتر و متوسط
منابع داده های جایگزین مانند متن، مجموعه وسیعی از مزیت ها را نسبت به شاخص های عددی معمولی نشان می دهد. این موارد بیشتر است، روایت گسترده‌تری درباره اقتصاد بیان می‌کند، اطلاعات کیفی را در بر می‌گیرد و در مورد انتظارات صحبت می‌کند. با در نظر گرفتن این موضوع، 3 کار وجود دارد که FI های کوچکتر و متوسط باید انجام دهند تا نسبت به شرکت های بزرگتر در بازار مزیت رقابتی کسب کنند.
