Süssünk! Liszt, tojás, cukor… és arckrém? – Az AI lehetőségei és korlátai a befektetési döntéshozatalban
Itt állíthatja be, hogy a Google keresőben elsők között legyen a VilággazdaságManapság az AI szinte a szinonimája lett a chatbotoknak és az erre a technológiára, azaz LLM-ekre, nagy nyelvi modellekre épülő alkalmazásoknak. Viszont nem is olyan régen az AI alatt még egészen mást értettünk. Az ML (machine learning, azaz gépi tanulás) vagy épp a DL (deep learning, azaz mély tanulás) már elég régen elterjedt és széles körben alkalmazott technikák, előrejelzésre, osztályozásra és a legkülönfélébb feladatokra.
A vagyonkezelés régóta használja a mesterséges intelligenciát
Különösen igaz ez a vagyonkezelés, trading, illetve árjegyzés vagy proptrading iparágakra, de talán egyszerűbben érthető, ha a hedge fundok iparágát említem meg. Ők azok, akik azonnal, még mielőtt a tömegek tudomást szereznek egy módszerről, máris alkalmazzák azt, hiszen a legkisebb edge-t is maguknak akarják tudni. Edge, azaz előnyként szoktunk hivatkozni minden olyan eljárásra, ami a profitszerzési lehetőség szisztematikus kihasználását jelenti a pénz- és tőkepiaci termékek mozgásában. Ugyanakkor,
nem minden modellt lehet bármilyen feladatra használni.
A vagyonkezelési szakma elképesztő adatmennyiséggel rendelkezik, ami kifejezetten jó terület az ML/DL modellek számára, viszont a közhiedelemmel ellentétben, nem annyira jó terület az LLM-ek számára. Nemes egyszerűség szerint azért, mert a hallucinációk mellett létezik a context rot jelensége is. Ez azt jelenti, hogy hiába van nagy kontextus ablaka egy LLM-modellnek, kezdi elveszteni a kontextust egy idő után, melyekhez a lyukakat a modelltől függően, adott nagyságrend mellett hallucinált információval tölti fel. Mondanom sem kell, hogy ez mennyire megnehezíti az információ kinyerését, annak ellenére, hogy egy adott modellre egyre nagyobb kontextusablakot nyitnak a szolgáltatók. Az ember intuitíve, nagyon helyesen amúgy, azt hiszi, hogy minél több adatot adok meg, annál pontosabb lesz az információ kinyerése. Ráadásul ez az LLM-ek sajátossága, így működnek és így is fognak működni, hiába is kerülnek bele kontrolláló rutinok.
A chatbot is lehet hasznos
Ez persze nem azt jelenti, hogy nem használhatóak, mert nagyon is meg vannak azok a feladatok, amire a megfelelő promptolás mellett, nagyon hatékonyan alkalmazható egy-egy chatbot. Ez a vagyonkezelésben azt jelenti, hogy bizonyosan nem fogják lecserélni az eddig is jól bevált ML- és DL-modelleket, maradnak azok az elsődleges modellek. Viszont ami előnyt jelenthet, hogy az LLM-ek nagyban felgyorsíthatják más modellek fejlesztésének az idejét, esetleges hibák és inkonzisztenciák megtalálását, ami összességében segítheti és támogathatja a befektetési döntések meghozatalát. Illetve még
a tanulásban, megismerésben nyújthat támogatást, de akkor is szükség van valamilyen alapszakértelemre az adott területen, hogy kiszúrhassuk a hallucinációkat.
Egy kulcstényező a gondolatmenet végére. Minden ML-, DL- vagy épp LLM-modell adatéhes. Több millió vagy épp milliárd magyarázó változó, úgynevezett feature megalkotását kívánja. Ezek azok a változók, amelynek segítségével betanítják a modelleket. Ha ezek a változók nem megfelelők, akkor az előrejelző képessége nem lesz jó a modellnek. Ez igaz az LLM-ekre is, ahol ráadásul nem is tudjuk pontosan, mi alapján lettek betanítva. Gondoljunk bele abba, hogy ezek olyanok, mintha egy süteményt akarnánk sütni. A feature-ök a hozzávalók. Liszt, tojás, cukor… eddig jó, ebből lehet valami, nem igaz? Viszont, ha úgy folytatjuk, hogy arckrém, fogkrém és fokhagyma, akkor bizonyosan lehetnek kétségeink afelől, hogy ebből ízletes sütemény, azaz válasz/előrejelzés születik.
