چالش‌ مدل‌های بزرگ هوش مصنوعی معضلی مهم در اقتصاد

به گزارش خبرنگار گروه ارتباطات و فناوری اطلاعات خبرگزاری علم و فناوری آنا به نقل از سی‌جی‌تی‌ان، با توجه به رشد روزافزون هوش مصنوعی، استفاده از مدل‌های هوش مصنوعی برای پیش‌بینی و تحلیل داده‌های مالی افزایش یافته است. با این حال، مدل‌های هوش مصنوعی بزرگ با مشکلات خاص خود روبه‌رو هستند.

یکی از چالش‌های مهم برای مدل‌های هوش مصنوعی بزرگ عملکرد پردازشی است. این مدل‌ها دارای تعداد زیادی پارامتر هستند و برای آموزش آن‌ها نیاز به زمان و منابع محاسباتی بسیاری است. این باعث می‌شود که استفاده از مدل‌های بزرگ برای بسیاری از شرکت‌ها و سازمان‌های مالی در دسترس نباشد. همچنین، اجرای این مدل‌ها نیاز به سیستم‌های قوی و پردازشگر‌های گرافیکی قدرتمند دارد که هزینه‌های مالی بالایی را برای سازمان‌ها به همراه دارد.

در کنار مشکلات پردازشی، مدل‌های هوش مصنوعی بزرگ ممکن است به مشکلات داده‌ای برخورد کنند. برای آموزش مدل‌های بزرگ نیاز به مجموعه داده‌های بزرگی است که شامل تاریخچه قیمت‌ها، اخبار و سایر اطلاعات مالی است؛ اما در بسیاری از موارد، داده‌های مالی متغیر و پویا هستند و نمی‌توانند به سرعت بروزرسانی شوند. این باعث می‌شود که مدل‌ها نتوانند به طور کامل با موجودیت‌های بازار جدید آشنا شوند و نتایج پیش‌بینی آن‌ها خنثی شود.

در ضمن، امنیت و حریم خصوصی از جمله چالش‌های مهمی است که در استفاده از مدل‌های هوش مصنوعی بزرگ در صنعت مالی وجود دارد. اطلاعات مالی با ارزش بالا را مدل‌های هوش مصنوعی بزرگ می‌توانند به‌خوبی تحلیل کنند؛ اما این مشکلاتی مانند نقض حریم خصوصی افراد و راه‌های احتمالی نفوذ به سیستم‌های مالی را ایجاد می‌کند. از این رو، توجه به امنیت و حریم خصوصی در استفاده از این مدل‌ها بسیار حیاتی است.

همه این چالش‌ها نشان می‌دهد که استفاده از مدل‌های هوش مصنوعی بزرگ در صنعت مالی هنوز در مراحل ابتدایی خود قرار دارد و بسیاری از چالش‌های فنی و امنیتی برای حصول از مزایای کامل آن‌ها باید حل شود.

از همین رو، کارشناسان بر اهمیت داده‌های بزرگ، قدرت محاسباتی، همکاری و نوآوری در اجرای کامل مدل‌های بزرگ هوش مصنوعی در صنعت مالی تاکید می‌کنند.

کارشناسان در مصاحبه اخیر گفتند، نسل جدید فناوری هوش مصنوعی فرآیند‌های تجاری موجود را تغییر می‌دهد و توسعه دیجیتالی شدن مالی و هوش مالی را تسریع می‌بخشد، در حالی که موفقیت آن مستلزم یک تحول کل نگر در چندین لایه است. 

لیو ژونگتائو، مدیر ارشد اطلاعات بانک صنعتی و تجاری چین (ICBC) گفت: صنعت مالی منطقه تحت نظارت قوی است و نیازمندی‌های زیادی برای دقت، قابلیت کنترل و امنیت دارد.

وی ادامه داد، مدل‌های بزرگ هوش مصنوعی در حال حاضر به توسعه‌یافتگی تمام نرسیدند و هنوز هم جای بحث و بررسی باقی است.

ژونگتائو در مورد خطرات احتمالی توضیح داد و گفت که محتوای تولیدشده توسط مدل‌های بزرگ ممکن است دارای سوگیری آشکار مذهبی، تبعیض جنسیتی و سایر مشکلات اخلاقی باشد. علاوه بر این، خطرات پنهانی در حفاظت از حریم خصوصی داده‌ها وجود دارد، زیرا داده‌های آموزشی مدل بزرگ از اینترنت و برخی از داده‌های تجاری می‌آیند که ممکن است به حریم خصوصی کاربر تجاوز کند.

در مواجهه با این چالش‌ها، مایکل اسپنس، برنده جایزه نوبل بر اهمیت تنظیم یک دستور کار متعادل با توجه به هوش مصنوعی تاکید کرد که شامل دو مورد است: اولی مجموعه‌ای از خطرات و موارد سوء استفاده احتمالی از فناوری است. دوم مجموعه‌ای از سیاست‌هاست که برای قابل دسترس کردن و قابل استفاده کردن این فناوری جدید قدرتمند در کاربرد‌های مثبت آن طراحی شده‌اند.

در همین حال، اسپنس به تنگنا‌ها در ایجاد یک چارچوب نظارتی هوش مصنوعی، مانند یافتن تعادل بین مقررات و نوآوری و هر ارزش دیگری که در جامعه مهم تلقی می‌شود، اشاره کرد و در عرصه بین‌المللی نیز نهاد‌های بین‌المللی برای میانجی‌گری این فرآیند به همکاری بیشتری نیاز دارند.

به گفته وی، علاوه بر این، لازم است شکل‌گیری مجموعه‌ای از مدل‌های کاربردی مالی با استاندارد بالا و آستانه پایین برای صنعت مالی بررسی شود تا به سرعت تعمیق برنامه‌های هوش مصنوعی در زمینه مالی را ترویج کنیم؛ چراکه پیاده سازی کامل هوش مصنوعی در صنعت مالی به داده‌های بزرگ، قدرت محاسباتی بزرگ، همکاری بزرگ و نوآوری بزرگ نیاز دارد.