ماشین‌ها حالا نه تنها قادر به پردازش داده‌های پیچیده در کسری از ثانیه هستند، بلکه می‌توانند یاد بگیرند، تصمیم‌گیری کنند و حتی در شرایط عدم قطعیت، بهترین راهکارها را ارائه دهند. این تحولی بزرگ در زمینه‌های مختلف از جمله پزشکی، صنعت، ارتباطات و حتی هنر به وجود آورده است.
به گزارش سرویس اخبار هوش مصنوعی سایت شات ایکس و به نقل از ایمنا یکی از جنبه‌های حیرت‌انگیز هوش مصنوعی، یادگیری ماشین (Machine Learning) است. این قابلیت به ماشین‌ها امکان می‌دهد بدون نیاز به برنامه‌ریزی دقیق، از داده‌های گذشته درس بگیرند و رفتار خود را بهبود بخشند. این روندی است که به‌صورت مداوم ادامه دارد و موجب می‌شود که سیستم‌ها بتوانند با محیط‌های پیچیده و پویای خود سازگار شوند. الگوریتم‌های یادگیری عمیق (Deep Learning) با الهام از شبکه‌های عصبی مغز انسان، حتی پیچیده‌ترین الگوها را شناسایی و تحلیل می‌کنند؛ از تشخیص صدا و تصویر گرفته تا پیش‌بینی روندهای اقتصادی.
با این حال، ورود هوش مصنوعی به زندگی روزمره انسان‌ها نه تنها فرصت‌های زیادی به وجود آورده، بلکه چالش‌های جدیدی نیز مطرح کرده است. سوالاتی درباره حریم خصوصی، اخلاق و تأثیرات اجتماعی این فناوری در جوامع مطرح است. از این رو، نیاز است که پیشرفت‌های این حوزه با دقت و مسئولیت‌پذیری همراه باشد تا هوش مصنوعی در خدمت بهبود کیفیت زندگی باشد و نه ابزار تخریب آن.
این فناوری با استفاده از الگوریتم‌های پیشرفته و یادگیری ماشین، قادر به تحلیل حجم عظیمی از داده‌های مالی در کسری از ثانیه است. ابزارهای هوش مصنوعی می‌توانند الگوهای پنهان در بازار را شناسایی کنند، پیش‌بینی‌های دقیقی درباره نوسانات قیمت‌ها ارائه دهند و استراتژی‌های سرمایه‌گذاری خودکار را بهبود بخشند. علاوه بر این، هوش مصنوعی در مدیریت ریسک، بهینه‌سازی سبد سرمایه‌گذاری و حتی تشخیص فعالیت‌های غیرقانونی همچون تقلب و دستکاری در بازار نیز نقش کلیدی دارد. این توانایی‌ها سبب افزایش کارایی، سرعت و دقت در تصمیم‌گیری‌های مالی شده است.
عکس : محمدجواد قانعآنچه در ادامه می‌خوانید حاصل گفت‌وگوی خبرنگار با محمدجواد قانع، یکی از کارآفرینان حوزه هوش مصنوعی در بازارهای مالی به‌منظور بررسی و آگاهی عمومی از آخرین اقدامات و پیشرفت‌های انجام شده در حوزه هوش مصنوعی داخل کشور است.
ایمنا: سیستم هوش مصنوعی در چه حوزه‌هایی کاربردهایی دارد؟
قانع: این سیستم قابلیت استفاده در تمام بازارها را دارد، به این معنی که هر بازاری که داده‌های گذشته آن در دسترس باشد، ما می‌توانیم از طریق این داده‌ها سیستم هوش مصنوعی خود را تغذیه کرده و خروجی آن را که پیش‌بینی قیمت‌های آینده است، دریافت کنیم. تاکنون این سیستم را بیشتر در بازار بورس ایران، بورس جهانی، همچنین در میادین میوه و تره‌بار پیاده‌سازی کرده‌ایم.
ایمنا: این سیستم چه نوع تحلیل‌هایی ارائه می‌دهد؟ آیا تحلیل تکنیکال و فاندامنتال هر دو را پوشش می‌دهد؟
قانع: بله، سیستم ما هر دو نوع تحلیل را با هم انجام می‌دهد. از یک طرف، تحلیل تکنیکال را بر اساس خود قیمت و کندل‌هایی که بازار تشکیل می‌دهد، همچنین حجم ورود و خروج معاملات اجرا می‌کند. از طرف دیگر، از تحلیل فاندامنتال نیز بهره می‌گیرد؛ به‌عنوان مثال با استفاده از یک سیستم خبرخوان و پردازش متن، خبرهایی که منتشر می‌شود (مثل اخبار سایت کدال برای بورس ایران یا نمونه‌های مشابه در بورس‌های خارجی) را تحلیل کرده و این تحلیل‌ها را با داده‌های قیمت ترکیب می‌کند، مجموع این اطلاعات منجر به پیش‌بینی قیمت‌های آینده می‌شود.
ایمنا: دقت پیش‌بینی‌های این سیستم در بازارهای مختلف به چه میزان است؟
قانع: دقت پیش‌بینی‌ها بسته به نوع بازار متفاوت است. در بازار بورس ایران، دقت پیش‌بینی‌های سیستم حدود ۶۰ درصد است، اما در بعضی بازارهای دیگر، همچون بازارهای جهانی، این دقت به بیش از ۸۰ درصد می‌رسد. البته باید توجه داشت که همیشه یک درصدی از ریسک وجود دارد که به ماهیت تحلیل‌های مالی و شرایط ناپایدار بازار برمی‌گردد.
ایمنا: در توسعه این نرم‌افزار از چه زبان برنامه‌نویسی استفاده کرده‌اید؟
قانع: زبان اصلی که برای توسعه این نرم‌افزار استفاده کرده‌ایم، پایتون
است. این زبان به دلیل قابلیت‌های فراوان و انعطاف‌پذیری بالایی که دارد، به یکی از مهم‌ترین ابزارها در حوزه هوش مصنوعی تبدیل شده است.
ایمنا: تکنولوژی شما چگونه می‌تواند به معامله‌گران (تریدرها) کمک کند؟
قانع: این تکنولوژی می‌تواند به‌صورت تخصصی به معامله‌گران کمک کند تا معاملات خود را با ریسک کمتری انجام دهند. وقتی یک معامله‌گر در بازار سهام یک سهم خریداری می‌کند، همیشه با نوعی ریسک مواجه است. هوش مصنوعی ما با استفاده از داده‌های گذشته و تحلیل‌های دقیق، می‌تواند این ریسک را کاهش دهد. حتی اگر به بورس مرتبط نباشد، به‌عنوان مثال در بازارهای دیگر نظیر میادین میوه و تره‌بار نیز می‌توانیم از این تکنولوژی استفاده کنیم تا قیمت‌های آینده را با دقت بالا پیش‌بینی کنیم.
ایمنا: چگونه این سیستم را در بازار میوه و تره‌بار پیاده‌سازی کرده‌اید؟
قانع: ما داده‌هایی را از اتحادیه میوه و تره‌بار دریافت کردیم که شامل قیمت سه قلم کالا به مدت سه سال بود. این داده‌ها را به سیستم هوش مصنوعی دادیم و از آن برای پیش‌بینی هفتگی قیمت این محصولات استفاده کردیم. پس از آن، سیستم را در بازار واقعی تست کردیم و دقت پیش‌بینی‌های آن حدود ۸۰ درصد بود. این نشان می‌دهد که این سیستم نه‌تنها در بازارهای مالی، بلکه در سایر بازارها نیز کارایی بالایی دارد.
ایمنا: چشم‌انداز شما برای گسترش این تکنولوژی و شرکتتان چیست؟
قانع: ما امیدواریم که بتوانیم این تکنولوژی را توسعه دهیم و آن را به سطح بین‌المللی صادر کنیم. در حال حاضر، استقبال خوبی از این سیستم در سایت‌های خارجی شده است و فروش خوبی دارد. اما در داخل ایران، به‌دلیل نبود فرهنگ‌سازی مناسب، رغبت کمتری برای استفاده از آن مشاهده می‌شود که امیدواریم که این فرهنگ‌سازی انجام شود و مردم و نهادها به استفاده از چنین تکنولوژی‌هایی روی بیاورند.
ایمنا: سیستم هوش مصنوعی شما چه مزیت رقابتی نسبت به دیگر سیستم‌های تحلیل بازار دارد؟
عکس : سیستم هوش مصنوعیقانع: مزیت اصلی سیستم ما این است که با داده‌ها و اعداد دقیق کار می‌کند، و همین امر سبب افزایش دقت تحلیل‌ها می‌شود. از سوی دیگر، چون با اعداد و ارقام کار می‌کند، خطای انسانی در آن وجود ندارد، همچنین این سیستم در ایران بومی‌سازی شده است و هیچ سیستم دیگری در کشور مشابه آن وجود ندارد. علاوه بر این، سیستم ما تحریم نیست و به‌صورت کاملاً بومی کار می‌کند، که این مسئله نیز یک مزیت رقابتی مهم است.
ایمنا: با وجود این مزایا، چه ریسک‌ها و چالش‌هایی پیش روی سیستم شما وجود دارد؟
قانع: همانطور که اشاره شد، دقت پیش‌بینی‌ها حدود ۶۰ تا ۸۰ درصد است، اما همچنان یک ریسک ۲۰ تا ۴۰ درصدی وجود دارد. این به این معنی است که معامله‌گران نباید به‌طور کامل به هوش مصنوعی متکی باشند و باید خودشان هم دانش کافی از بازار داشته باشند. یکی از چالش‌های مهم دیگر این است که داده‌های خبری در ایران به‌طور منظم و به‌روز در دسترس نیستند. در خارج از کشور، داده‌های خبری به‌صورت زنده و از طریق API در اختیار قرار می‌گیرند، اما در ایران این داده‌ها به‌صورت محدود و با تأخیر زمانی منتشر می‌شوند که موجب کاهش دقت پیش‌بینی‌ها می‌شود.
ایمنا: چه نوع داده‌های غیرمرتبطی در ایران وجود دارد که می‌تواند سبب ایجاد چالش در پیش‌بینی‌ها شود؟
قانع: یکی از چالش‌های اصلی، نبود دسترسی به داده‌های خبری به‌روز و منظم است. در خارج از کشور، داده‌های خبری به‌صورت زنده و شفاف در دسترس همگان قرار دارد، اما در ایران این اطلاعات به‌موقع منتشر نمی‌شوند و در دسترس عموم نیستند. این مسئله می‌تواند موجب کاهش دقت سیستم در پیش‌بینی‌هایش شود.
ایمنا: تفاوت سیستم هوش مصنوعی شما با سیستم‌های مشابه در دنیا چیست؟
قانع: یکی از تفاوت‌های کلیدی سیستم ما با دیگر سیستم‌های هوش مصنوعی این است که بسیاری از سیستم‌های مشابه فقط تحلیل‌هایی ارائه می‌دهند که معامله‌گر باید خودش تصمیم نهایی را بگیرد، اما سیستم ما علاوه بر ارائه تحلیل، پیشنهاد خرید و فروش نیز می‌دهد و ریسک معاملات را کاهش می‌دهد. این سیستم به‌طور دقیق درصدهای قابل خرید یا فروش را برای معامله‌گران مشخص می‌کند، که این امر موجب می‌شود کاربر تصمیم‌گیری‌های بهتری داشته باشد.
ایمنا: قدرت سیستم‌های مشابه شما در خارج از کشور چقدر است و چقدر از آن‌ها استفاده می‌شود؟
قانع: ما سیستم هوش مصنوعی خود را برای بازار فارکس پیاده‌سازی کرده و در سایت CTrader ارائه داده‌ایم. سیستم معاملاتی ما به نام TLM در این سایت ۷۲ هزار دانلود داشته و در رتبه اول قرار دارد. نفر دوم این سایت حدوداً ۵۰ هزار دانلود دارد، که این نشان می‌دهد سیستم ما از نظر تکنولوژی و کارایی در سطح جهانی حرفی برای گفتن دارد.
ایمنا: بازخوردهایی که از کاربران سیستم دریافت کرده‌اید چه تأثیری بر بهبود سیستم شما داشته است؟
قانع: ما به‌طور مرتب بازخوردهایی از کاربران خود دریافت می‌کنیم و بر اساس این بازخوردها سیستم را به‌روزرسانی می‌کنیم. بسیاری از مشتریان مواردی را که سیستم در آن‌ها اشتباه کرده یا درست عمل کرده است، به ما گزارش می‌دهند و ما تلاش می‌کنیم این مشکلات را برطرف کنیم و سیستم را بهبود دهیم.
ایمنا: این تکنولوژی چگونه می‌تواند به دانشگاه‌ها و دانشجویان کمک کند؟
قانع: ما سیستم خود را به‌صورت API در اختیار دانشگاه‌ها و دانشجویان قرار داده‌ایم تا از آن در تحقیقات و مقالات خود استفاده کنند، اما زیرساخت‌های لازم در ایران برای استفاده گسترده از این تکنولوژی وجود ندارد، اگر این زیرساخت‌ها فراهم شود، می‌توان از این سیستم در دانشگاه‌ها و مراکز تحقیقاتی به‌صورت گسترده‌تری استفاده کرد. مشکل اصلی هزینه‌های زیرساختی است، از جمله سرورهایی که برای پردازش‌های سنگین هوش مصنوعی نیاز است؛ این سرورها هزینه‌های بسیار بالایی دارند و دسترسی به آن‌ها در ایران محدود است. اگر دولت و نهادهای مرتبط بتوانند زیرساخت‌های لازم را فراهم کنند، دانشجویان و پژوهشگران می‌توانند از این سیستم‌ها برای تحقیقات پیشرفته خود استفاده کنند.
ایمنا: زیرساخت‌های مورد نیاز برای استفاده از این سیستم در ایران چیست؟
قانع: مهم‌ترین زیرساختی که به آن نیاز داریم، سرورهایی با قدرت پردازش بالا هستند که بتوانند هوش مصنوعی را پشتیبانی کنند. این سرورها باید دارای پردازنده‌های گرافیکی قوی باشند تا بتوانند حجم بالایی از داده‌ها را در زمان کوتاه پردازش کنند که البته این نوع سرورها هزینه‌های بالایی دارند و تأمین آن‌ها برای شرکت‌های کوچک و استارتاپ‌ها دشوار است، همچنین مشکل دیگری که با آن مواجه هستیم، دسترسی نداشتن به سایت‌های خارجی و خدمات بین‌المللی به‌دلیل تحریم‌ها است، این موضوع موجب می‌شود که دسترسی ما به داده‌های خارجی محدود باشد و ما نیاز داشته باشیم از واسطه‌ها استفاده کنیم که هزینه‌ها را افزایش می‌دهد.
ایمنا: چه توصیه‌ای برای جامعه و نهادهای مختلف در رابطه با استفاده از هوش مصنوعی دارید؟
قانع: به نظر من، هوش مصنوعی به تدریج جایگزین بسیاری از سیستم‌ها و نرم‌افزارهای قدیمی می‌شود. همانطور که زمانی هیچ‌کس گوشی هوشمند نداشت و امروز همه از آن استفاده می‌کنند، هوش مصنوعی نیز به مرور به بخشی از زندگی روزمره افراد و کسب‌وکارها تبدیل خواهد شد، بنابراین شرکت‌ها و نهادهای دولتی و خصوصی باید سعی کنند از این تکنولوژی استفاده کنند و آن را توسعه دهند، به‌خصوص در ایران که به دلیل تحریم‌ها دسترسی محدودی به تکنولوژی‌های خارجی داریم، باید به سمت توسعه سیستم‌های بومی هوش مصنوعی برویم.
ایمنا: نظر شما در مورد بیانات مقام معظم رهبری درباره «دست‌یابی به عمق هوش مصنوعی» چیست؟
قانع: فرمایشات ایشان کاملاً درست است. اگر ما به عمق هوش مصنوعی دست پیدا نکنیم، به تکنولوژی های خارجی وابسته خواهیم شد. در حال حاضر، ما تلاش کرده‌ایم که سیستم هوش مصنوعی خود را از صفر در داخل کشور توسعه دهیم و بومی‌سازی کنیم، اگر سیستم‌های خارجی ما را تحریم کنند، ما همچنان توانایی استفاده از سیستم‌های خود را خواهیم داشت، بنابراین دست‌یابی به عمق هوش مصنوعی به معنی کاهش وابستگی به خارج و افزایش توان داخلی است؛ ما در این مسیر تلاش کرده‌ایم تا این وابستگی را به حداقل برسانیم و امیدواریم که بتوانیم در آینده نیز به توسعه این تکنولوژی ادامه دهیم.