چت جی پی تی و رقبایش به همین سرعت به نقاط عطف چشمگیری دست یافته اند – آنها میتوانند از پس امتحان وکالت بربیایند و به حل پروندههای پزشکی کمک کنند. پس آیا آماده اند که جای مشاوران مالی را هم بگیرند؟ مزایای مشاورههای هوش مصنوعی در همان نگاه اول مشخص است. مشاوره مالی حرفهای اصلا ارزان نیست و به همین دلیل از دسترس بسیاری خارج است. هوش مصنوعی میتواند این هزینهها را کاهش دهد و کاری کند که مشاورههای شخصی ۲۴ ساعت شبانه روز و ۷ روز هفته در دسترس باشند.
علاوه بر آن، هوش مصنوعی میتواند دامنه تصمیمات مالی تحت پوشش مشاوران را گسترش دهد و مشاورههای جامع تری عرضه کند. این روزها مردم صرفا برای تلفیق صندوقها در سبد سرمایهگذاری شان به کمک احتیاج ندارند، بلکه باید تصمیمهای سختی هم بگیرند که پس انداز کردن، بیمه و مدیریت قسط و بدهی فقط چند مورد آن است. با این حال، با اینکه هوش مصنوعی میتواند یکسری از کارها را به خوبی مشاوران مالی انجام دهد و گاهی میتواند حتی بهتر از آنها عمل کند، نمیتواند جای مشاوران انسانی را بگیرد. البته هنوز! برای درک چرایی این موضوع اجازه دهید نگاهی به پنج ویژگی کلیدی مشاوره مالی کارآمد بیندازیم و ببینیم هوش مصنوعی در حال حاضر چگونه عمل میکند و لازمه رسیدنش به نقطه مطلوب چیست.
بهتر است با خبر بد شروع کنیم. یکی از اولین چیزهایی که مشاور مالی به ارمغان میآورد سوگیریزدایی یا کمک به مشتری برای اجتناب از اشتباهات سنگین ناشی از تمایلات رفتاری است؛ مثلا تمایل افراد به جلوگیری از ضررهای کوتاه مدت و بیش از اندازه محافظه کارانه سرمایهگذاری کردن – حتی زمانی که افق سرمایهگذاری شان حداقل ۳۰ ساله است- را در نظر بگیرید. در پژوهشی، افرادی که جدول یکساله بازگشت سرمایه را مشاهده کردند، ۴۰درصد از سبد سرمایهگذاری شان را به سهام اختصاص دادند، در حالی که افرادی که جدول بلندمدت را مشاهده کردند، ۹۰درصد از سبد سرمایهگذاری شان را به سهام اختصاص دادند- با اینکه هر دو گروه سرمایهگذاری بلندمدت داشتند.
یک مشاور خوب میتواند به افراد کمک کند تصمیماتی بگیرند که با اهداف بلندمدتشان همسو باشد. آنها مشتریها را از آن جدولهای کوتاه مدت یا آخرین نوسانات بازار که مدام روی تلفن همراهتان سبز میشود دور نگه میدارند و کمکشان میکنند سرمایهگذاریهایی را انتخاب کنند که مناسب بازه زمانی واقعی سرمایهگذاری آنهاست.
متاسفانه گزارش تحقیقاتی که به سرپرستی «ینگ چن» در دانشگاه کویینز کانادا صورت گرفت، نشان داد که چت جی پی تی بسیاری از همان تمایلات رفتاری و سوگیریهایی را بروز میدهد که یک مشاور خوب سعی میکند به حداقل برساند. به عنوان مثال، انسانها معمولا بعد از یک ضرر سنگین، گزینههای ریسکی تری را انتخاب میکنند، چون میخواهند ضررشان را با سود بیشتر سربه سر کنند. این خصلت در لاس وگاس به «به سیم آخر زدن» معروف است. چت جی پی تی از همین مساله رنج میبرد که میتواند به اشتباهات سختی منجر شود. اگر سرمایهگذار پول زیادی را در سقوط کریپتو از دست داده باشد، ممکن است چت جی پی تی فکر کند او باید حتی کریپتوی بیشتری هم بخرد و در خصوص این ارز ریسکی به سیم آخر بزند.
وضعیت بدتر از این هم میشود. چون ابزارهای هوش مصنوعی به شدت اعتماد به نفس کاذب دارند. مساله این نیست که گاهی اشتباه میکنند؛ بلکه این است که اغلب فکر میکنند درست میگویند و این مساله میتواند سوگیری موجود را تشدید کند، چرا که نه تنها نمیتوانند خود را اصلاح کنند بلکه ممکن است به مشتری انسانی یک آسودگی خیال غلط هم بدهند.
برای بهبود عملکرد مشاوران هوش مصنوعی باید فراقانون ایجاد کنیم – metarules یا فراقانون قانونی است که سایر قوانین را مدیریت میکند- تا نرم افزار بتواند به این سوگیریها غلبه کند. یک رویکرد احتمالی این است که کاری کنیم هوش مصنوعی هرگاه حرکت مالی مشخصی را پیشنهاد داد، دلایل این را که چرا این حرکت ممکن است اشتباه باشد هم بررسی کند و اطلاع دهد. این کار مثل یک حسابرسی داخلی عمل میکند و نرم افزار را وادار میکند کنترل کند که چه چیزهایی را ممکن است جا انداخته باشد.
فراقانونها اغلب به خاطر شیوه یادگیری ابزارهای هوش مصنوعی ضروری هستند. این قوانین به نام مدلهای زبانی بزرگ یا LLM شناخته میشوند و با مجموعههای عظیمی از داده متنی که از اینترنت استخراج میشود آموزش میبینند. از آنجا که اینترنت غالبا شکل فیلترنشده طبیعت انسانی است، هوش مصنوعی بسیاری از انگیزهها و تمایلات سخیف ما را منعکس میکند.
خبر خوب اینکه سوگیریزدایی هوش مصنوعی با به کارگیری هوش فراقانونها قطعا سادهتر از سوگیریزدایی انسان است؛ چون ما نمیتوانیم نرم افزار داخل سرمان را مستقیما ویرایش کنیم؛ اما میتوانیم مدلهای هوش مصنوعی را اصلاح کنیم.
ویژگی کلیدی بعدی برای یک مشاور همدلی است. سرمایهگذاری را تصور کنید که نسبت به نوسانات بازار مضطرب و عصبی است. تحقیقات نشان میدهند که خلق وخوی سرمایهگذاران میتواند تاثیر قدرتمندی در تصمیمگیریهای مالی شان داشته باشد؛ به این صورت که ترس منجر به ریسک گریزی و خشم منجر به ریسک پذیری بیشتر میشود. نقش یک مشاور خوب این است که در طول آشفتگی بازار به مشتری اطمینان خاطر بدهد و از او حمایت کند تا ترس و دیگر احساسات به چشم اندازهای مالی بلندمدتش صدمه نزنند.
خبر خوب اینکه چت جی پی تی در همدلی معرکه است. اخیرا پژوهشی پاسخهای چت جی پی تی و پزشکان انسانی را به سوالات بیماران (که در انجمن آنلاینی مطرح شده بود) با هم مقایسه کرد. پاسخها از حیث کیفیت اطلاعات و همدلی توسط تیمی از متخصصان حوزه خدمات درمانی ارزیابی شدند.
نتیجه پیروزی جانانهای برای هوش مصنوعی بود. احتمال اینکه متخصصان خدمات درمانی پاسخهای چت جی پی تی را حاوی اطلاعات «خوب یا بسیار خوبی» تشخیص دهند تقریبا چهار برابر پاسخهای پزشکان بود و احتمال اینکه بگویند چت جی پی تی همدلی داشت تقریبا ۱۰ برابر بود؛ به این صورت که ۴۵درصد از پاسخهای چت جی پی تی همدلانه ارزیابی شدند، در حالی که این عدد برای پاسخهای پزشکان فقط ۴.۶درصد بود.
این نتایج نشان میدهند که هوش مصنوعی همین حالا هم میتواند یکسری از وظایف کلیدی و بسیار مهم مشاوران مالی را بسیار عالی انجام دهد. در شرایطی که مشاوران همیشه زمان یا توانایی قوت قلب دادن به مشتریانشان را ندارند، تکنولوژی هوش مصنوعی میتواند به آنها کمک کند درجه انسانیتشان را بالا ببرند یا حداقل انسانیتر رفتار کنند. به عنوان نمونه دفعه بعدی که افت شدیدی در بازار رخ دهد، مشاوران مجبور نیستند فقط با معدودی از ثروتمندترین مشتری هایشان تماس بگیرند. در عوض هوش مصنوعی میتواند مختص هر مشتری پاسخ همدلانهای ارائه دهد. یا مثلا اگر یک مشتری روزانه سبد سرمایهگذاری اش را چک میکند، هوش مصنوعی میتواند درباره جریانهای بلندمدت بازار و اثر مهم زمانبندی، دادههای اطمینان بخشی فراهم کند.
یکی دیگر از ویژگیهای مهم مشاوران این است که حقایق را درست بیان کنند. حتی اگر هوش مصنوعی مبتلا به سوگیری هم باشد، باز هم باید توصیه هایش را بر مبنای ارائه درست و دقیقی از سرمایهگذاری ها، تورم، مالیات و سایر موارد مربوطه بنا کند.
باز هم خبر بد: در حال حاضر باتها اصلا قابل اتکا نیستند و خیلی اشتباه میکنند. به عنوان نمونه وقتی من از یک ابزار هوش مصنوعی پیشرو خواستم به من کمک کند بین دو شرکت سرمایهگذاری ونگارد (Vanguard) و فیلدلیتی نسدک (Fidelity Nasdaq) انتخاب کنم، پاسخ بسیار تحسین برانگیزی به من داد که تمرکزش روی عملکرد بلندمدت این شرکتها و نسبت هزینه بود. تنها مشکل اینجا بود که شرکتهای سرمایهگذاری اشتباهی را به عنوان پایه تجزیه و تحلیلش انتخاب کرد و به جای شرکتهای مورد نظر من، شرکت سرمایهگذاری ونگارد ۵۰۰ (Vanguard S&P ۵۰۰) و سرمایهگذاری املاک فیدلیتی را مقایسه کرد. چیزی که در آن واحد به شدت قطعی و کاملا غلط بود.
این مشکل تا حد زیادی با پلاگین یا ابزارهای خارجی که هوش مصنوعی فرا میخواند تا از نقاط ضعف معلومش پشتیبانی کند قابل حل است. زمانی که شما از گوگل یک سوال ریاضی میپرسید، گوگل همراه با ارائه پاسخ، جواب ماشین حساب را هم کنترل میکند. ابزارهای هوش مصنوعی هم باید همین کار را بکنند. مشاوران هوش مصنوعی باید علاوه بر استفاده از ماشین حساب با پایگاههای داده مالی قابل اتکایی همچون مورنینگ استار (Morningstar) عجین شوند تا مدلها و پیشنهادهایش بر مبنای عرضه درست و دقیقی از دنیای مالی باشد.
دن گلدستین یکی از محققان اصلی ارشد مایکروسافت ریسرچ (Microsoft Research) که متخصص هوش مصنوعی و تعامل انسان و کامپیوتر است میگوید: «غالبا مردم به جای اینکه مدلهای زبانی را به عنوان یکی از مولفههای اپلیکیشنهای هوشمند ببینند، به چشم حلال تمام مشکلات به آن نگاه میکنند. در صورتی که هوش مصنوعی نمیتواند جایگزین سیستمهای بهینه و ذخایر گسترده داده دنیای مالی شود؛ بلکه هوش مصنوعی آنها را فرا میخواند.»
مشاوران باید به دنبال حداکثر منافع مشتریانشان باشند. نمیتوانند مثلا کلاس سرمایهگذاری گران تری را پیشنهاد کنند که خودشان پول بیشتری به جیب بزنند. پس با این حساب در تئوری باید احتمالش کمتر باشد که هوش مصنوعی دچار چنین تضاد منافعی شود، چون برخلاف انسان چت جی پی تی سعی ندارد درآمدش را بیشتر کند. اما این صرفا تئوری است. ما نمیدانیم هوش مصنوعی چگونه عمل خواهد کرد. یک احتمال این است که مشکلاتی مشابه انسان داشته باشد. به عنوان مثال مطالعهای نشان داد که احتمال بیشتری وجود دارد که سرمایهگذاران، صندوق سرمایهگذاری مشترک با هزینه بازاریابی بالاتر بخرند؛ با وجود اینکه آن هزینهها عملکرد کلی را کاهش میدهند. یعنی بهرغم اینکه نوع صندوق سرمایهگذاری بدتری است، خریداران تحتتاثیر تبلیغاتشان قرار میگیرند. ممکن است هوش مصنوعی هم در همین تله بیفتد، چرا که صندوقهایی که هزینه بیشتری را صرف تبلیغات میکنند میتوانند بهتر و بزرگتر در پایگاه داده هوش مصنوعی پدیدار شوند.
با توجه به این عدمقطعیت، بسیار حائز اهمیت است که طراحان هوش مصنوعی پیشنهادهای مشاور دیجیتالی را به دقت بررسی کنند. چیزی مشابه فراقانون احتیاج داریم که به جای حذف سوگیری، تمرکزش روی پاک کردن تضاد منافع باشد.
خوشبختانه به نظر میرسد کنترل هوش مصنوعی در حوزه تضاد منافع سادهتر از مشاور انسانی است. اگر هوش مصنوعی سرمایهگذاریهایی را پیشنهاد کند که هزینه بالاتری دارند یا تسهیلاتی را پیشنهاد دهد که نرخ بهره بیشتری دارند در صورتی که گزینههای ارزان تری هم وجود دارد، ممکن است ابزارهای هوش مصنوعی حتی بتوانند به صورت خودکار گزینههای پیشنهادی را اصلاح کنند؛ درست همانطور که ابزار تصحیح املا غلطهای تایپی و دیکتهای را تصحیح میکند.
گلدستین معتقد است یک راهحل این مساله تاکید بر شفافیت است. او میگوید: «وقتی تصمیمات پشت درهای بسته گرفته شوند و مشخص نباشد بر چه مبنایی قرار دارند، ما فقط میتوانیم درباره بعضی از این مشکلات گمانه زنی کنیم. اما اگر تمام ورودیها و خروجیهای هر تصمیمی ثبت شوند، میتوانیم به گونهای کنترل و راستیآزمایی کنیم که پیش از این هرگز ممکن نبوده.»
توصیه مالی خوب باید منسجم باشد؛ یعنی اگر یک مشتری سبد سرمایهگذاری اش را پیش مشاوران متفاوتی ببرد، همه باید بر مبنای اصول آزمودهشده در طی زمان توصیههای مشابهی بکنند.
با این حال تحقیقات نشان میدهند که مشاوران برای ارائه پیشنهادی که به شکل منسجمی اهداف، شرایط و تمایلات مشتری را منعکس کند، با مشکل مواجه اند. پژوهشی که اخیرا صورت گرفت نشان داد که مشتریها بعد از درگذشت یا بازنشستگی مشاورشان و انتخاب اتفاقی مشاور جدید معمولا در صندوقهایی با هزینه و ریسک متفاوت سرمایهگذاری میکنند. دلیلش این نیست که تمایلات سرمایهگذاری شان یک دفعه تغییر کرده است؛ بلکه مشاور جدید عقاید خود را به سبد سرمایهگذاری آنها تحمیل کرده. اگر مشاور جدید برای سبد سرمایهگذاری شخصی خود سرمایهگذاریهای ریسکی یا صندوقهای گران را انتخاب کند، تصور میکند مشتری هایش هم همین را میخواهند.
این مشکل قابل حل است. توصیههای هوش مصنوعی باید به انسجام برسند. به این ترتیب که باید ثابت کند به مشتریهایی که نیازهای مالی و تمایلات مشابهی دارند، مشاورههای یکسانی میدهد. این اتفاقی است که با انسجام میافتد. مشتریهایی که شرایط مشابهی دارند، مشاوره یکسانی دریافت میکنند؛ درست همانطور که نتفلیکس به افرادی که تاریخچه نمایش یکسانی دارند پیشنهادهای مشابهی میدهد.
برای اینکه هوش مصنوعی بتواند تبدیل به مشاور مالی کارآمدی شود، پیشرفتهای بسیاری موردنیاز است. با این حال مشخص است که هوش مصنوعی نقش مهمی در آینده مشاوره مالی خواهد داشت.
حالا این آینده ممکن است چگونه باشد؟ یک مدل احتمالی متعلق به عرصه پزشکی است که سالهاست نرم افزارهای هوشمند و پزشکان در قالب تیمهای ترکیبی با هم کار میکنند. در این عرصه پزشکان روزبه روز بیشتر به ابزارهای هوش مصنوعی تکیه میکنند تا کیفیت خدمات رسانی شان را ارتقا دهند؛ چون این ابزارها میتوانند لیست کاملی از تشخیصهای ممکن تولید کنند که تشخیص اشتباه یا زمان لازم برای تشخیص درست را کاهش دهد.
البته همچنان یک پزشک انسانی موردنیاز است تا این لیست دور و دراز تولید شده توسط چت جی پی تی را محدود کند و بهترین تشخیص را برگزیند. این نشان میدهد که هوش مصنوعی حتی هنگامی که نمیتواند به تنهایی جواب را پیدا کند، میتواند به ما کمک کند بزرگتر فکر کنیم.
با اینکه درباره کیفیت مشاوره مالی ترکیبی پژوهشی نشده، پیشبینی ما این است که اگر انسان یاد بگیرد چگونه تعامل مناسبی با هوش مصنوعی داشته باشد، مدل ترکیبی پیروز شود. یک دلیلش تمایل رفتاری شناخته شدهای به نام «الگوریتمگریزی» است که میگوید مردم معمولا سیستمهای خودکار را پس میزنند مگر اینکه تقریبا بی نقص باشد؛ یعنی بیشتر مشتریان مشاوره مالی هوش مصنوعی را در صورتی ترجیح میدهند که توسط متخصصی بررسی و کنترل شود؛ درست همانطور که انتظار دارند در کابین خلبان، خلبانی به پرواز خودکار نظارت داشته باشد. از آن گذشته احتمال دارد رویکرد ترکیبی دسترسی به مشاوره را به شدت افزایش دهد. امیدواریم مشاوران انسانی از هوش مصنوعی استفاده کنند تا به افراد بیشتری خدمات ارائه دهند.
پس آنهایی که وسعشان نمیرسد مشاور مالی داشته باشند چه؟ اگر مشکلات جدی حوزه دقت و صحت و سوگیری هوش مصنوعی را رفع کنیم، هوش مصنوعی میتواند به گونهای به کار برود که هر لحظه از شبانه روز آماده ارائه مشاوره و خدمت رسانی باشد؛ و برای شمایی که مشاور مالی هستید، اگر من جای شما بودم نمیترسیدم چت جی پی تی شغلم را تصاحب کند (حالت پرواز خودکار خلبانان را بیکار نکرد)؛ در عوض تمرکزم را روی این میگذاشتم که چگونه از این تکنولوژی استفاده کنم تا مشاورههای بهتری را حتی به آدمهای بیشتری ارائه دهم.
ترجمه: دنیای اقتصاد
منبع: Wall Street Journal