การออกแบบเอาชนะโชค: อนุกรมวิธานของ AI ช่วยให้บริษัทการลงทุนพัฒนาได้อย่างไร

ยุคของตัวแทน AI

อุตสาหกรรมการจัดการการลงทุนยืนอยู่ที่ทางแยกแห่งวิวัฒนาการในการนำปัญญาประดิษฐ์ (AI) มาใช้ มีการใช้ตัวแทน AI มากขึ้นในขั้นตอนการทำงานรายวันของผู้จัดการพอร์ตโฟลิโอ นักวิเคราะห์ และเจ้าหน้าที่กำกับดูแลการปฏิบัติตามกฎระเบียบ แต่บริษัทส่วนใหญ่ไม่สามารถอธิบายประเภทของ “ข่าวกรอง” ที่พวกเขาใช้งานได้อย่างแม่นยำ

Agentic AI (หรือตัวแทน AI) ก้าวข้ามโมเดลภาษาขนาดใหญ่ (LLM) ไปไกลกว่าโมเดลที่ใช้กันอย่างแพร่หลาย เช่น ChatGPT หลายขั้นตอน นี่ไม่ใช่แค่การถามคำถามและรับคำตอบเท่านั้น Agentic AI สามารถสังเกต วิเคราะห์ ตัดสินใจ และบางครั้งดำเนินการในนามของมนุษย์ภายในขอบเขตที่กำหนด บริษัทการลงทุนจำเป็นต้องตัดสินใจว่า มันเป็นเครื่องมือสนับสนุนการตัดสินใจ นักวิเคราะห์การวิจัยอิสระ หรือเทรดเดอร์ที่ได้รับมอบหมายหรือไม่?

การนำ AI มาใช้และการใช้งานแต่ละครั้งนำเสนอโอกาสในการกำหนดขอบเขตและรั้วกั้นเครื่องมือ หากคุณไม่สามารถจำแนก AI ของคุณได้ คุณจะไม่สามารถควบคุมมันได้ และคุณไม่สามารถปรับขนาดได้อย่างแน่นอน ด้วยเหตุนี้ ทีมวิจัยของเราซึ่งเป็นความร่วมมือระหว่าง DePaul College และ Panthera Options ได้พัฒนาระบบการจำแนกประเภทหลายมิติสำหรับตัวแทน AI ในการจัดการการลงทุน บทความนี้ตัดตอนมาจากบทความวิชาการเรื่อง “ระบบการจำแนกประเภทหลายมิติสำหรับตัวแทน AI ในอุตสาหกรรมการลงทุน” ซึ่งเพิ่งส่งไปยังวารสารที่มีการทบทวนโดยผู้ทรงคุณวุฒิ

ระบบนี้ช่วยให้ผู้ปฏิบัติงาน คณะกรรมการ และผู้กำกับดูแลมีภาษากลางสำหรับการประเมินระบบตัวแทนโดยพิจารณาจากความเป็นอิสระ ฟังก์ชัน ความสามารถในการเรียนรู้ และการกำกับดูแล ผู้นำด้านการลงทุนจะได้รับความเข้าใจในขั้นตอนที่จำเป็นในการออกแบบอนุกรมวิธาน AI และสร้างกรอบการทำงานสำหรับการทำแผนที่ตัวแทน AI ที่ใช้งานในบริษัทของตน

หากไม่มีอนุกรมวิธานร่วมกัน เราเสี่ยงทั้งการไว้วางใจมากเกินไปและการใช้เทคโนโลยีที่น้อยเกินไป ซึ่งกำลังเปลี่ยนรูปแบบวิธีการจัดสรรเงินทุน ซึ่งอาจนำไปสู่ปัญหายุ่งยากตามมาในอนาคต

เหตุใดอนุกรมวิธานจึงมีความสำคัญ

อนุกรมวิธานของ AI ไม่ควรจำกัดนวัตกรรม หากได้รับการออกแบบอย่างรอบคอบ ควรอนุญาตให้บริษัทต่างๆ สามารถระบุปัญหาที่ตัวแทนแก้ไขได้ ใครเป็นผู้รับผิดชอบ และวิธีลดความเสี่ยงของแบบจำลอง หากไม่มีความชัดเจนดังกล่าว การนำ AI มาใช้จะยังคงใช้ยุทธวิธีมากกว่าเชิงกลยุทธ์

ผู้จัดการการลงทุนในปัจจุบันปฏิบัติต่อ AI ในสองวิธี: เป็นเพียงชุดเครื่องมือที่ใช้งานได้หรือเป็นส่วนที่บูรณาการอย่างเป็นระบบของกระบวนการตัดสินใจลงทุน

แนวทางการทำงานประกอบด้วยการใช้ AI สำหรับการให้คะแนนความเสี่ยง ตัวประมวลผลภาษาธรรมชาติสำหรับการแยกความรู้สึก และผู้ร่วมนำร่องที่สรุปการเปิดเผยพอร์ตโฟลิโอ สิ่งนี้ช่วยปรับปรุงประสิทธิภาพและความสม่ำเสมอ แต่สถาปัตยกรรมการตัดสินใจหลักไม่เปลี่ยนแปลง องค์กรยังคงยึดมนุษย์เป็นศูนย์กลาง โดยมี AI ทำหน้าที่เป็นตัวเพิ่มประสิทธิภาพอุปกรณ์ต่อพ่วง

บริษัทจำนวนน้อยลงแต่มีจำนวนเพิ่มขึ้นเรื่อยๆ กำลังดำเนินไปตามเส้นทางที่เป็นระบบ พวกเขารวมตัวแทน AI เข้ากับกระบวนการออกแบบการลงทุนในฐานะผู้เข้าร่วมที่ปรับเปลี่ยนได้แทนที่จะเป็นเครื่องมือเสริม ในที่นี้ มีการกำหนดความเป็นอิสระ ความสามารถในการเรียนรู้ และการกำกับดูแลไว้อย่างชัดเจน บริษัทจะกลายเป็น ระบบนิเวศการตัดสินใจที่ซึ่งวิจารณญาณของมนุษย์และการใช้เหตุผลของเครื่องจักรอยู่ร่วมกันและพัฒนาร่วมกัน

ความแตกต่างนี้เป็นสิ่งสำคัญ การปรับใช้ที่ขับเคลื่อนด้วยฟังก์ชันส่งผลให้มีเครื่องมือที่รวดเร็วขึ้น แต่การนำไปใช้อย่างเป็นระบบจะสร้างองค์กรที่ชาญฉลาดยิ่งขึ้น ทั้งสองสามารถอยู่ร่วมกันได้ แต่มีเพียงอย่างหลังเท่านั้นที่ให้ข้อได้เปรียบเชิงเปรียบเทียบที่ยั่งยืน

บูรณาการอัจฉริยะ

นักประสาทวิทยา อันโตนิโอ ดามาซิโอ เตือนเราว่าความฉลาดทั้งหมดพยายามสร้างสภาวะสมดุล และสมดุลกับสภาพแวดล้อม ตลาดการเงินเป็นระบบการปรับตัวที่ซับซ้อน (Lo, 2009) และต้องรักษาสมดุลระหว่างข้อมูลและการตัดสิน ระบบอัตโนมัติและความรับผิดชอบ ผลกำไร และเสถียรภาพของดาวเคราะห์ด้วยเช่นกัน เฟรมเวิร์ก AI อันชาญฉลาดจะสะท้อนถึงระบบนิเวศนั้นโดยการแมปตัวแทน AI ตามมิติมุมฉากสามมิติ:

ขั้นแรก ให้พิจารณากระบวนการลงทุน: ตัวแทนดำเนินการที่ไหนในห่วงโซ่คุณค่า?

โดยทั่วไป กระบวนการลงทุนประกอบด้วยห้าขั้นตอน ได้แก่ การสร้างแนวคิด การประเมิน การตัดสินใจ การดำเนินการ และการติดตาม ซึ่งจากนั้นจะฝังอยู่ในเวิร์กโฟลว์การรายงานการปฏิบัติตามกฎระเบียบและผู้มีส่วนได้ส่วนเสีย เจ้าหน้าที่ AI สามารถเพิ่มขั้นตอนใดก็ได้ แต่สิทธิ์ในการตัดสินใจจะต้องคงสัดส่วนกับความสามารถในการตีความได้ (รูปที่ 1)

รูปที่ 1.

การทำแผนที่ตัวแทนกับห้าขั้นตอนด้านล่าง (รูปที่ 1) ให้ความกระจ่างเกี่ยวกับความรับผิดชอบและป้องกันจุดบอดของการกำกับดูแล

• การสร้างไอเดีย: เอเจนต์ระดับการรับรู้ เช่น RavenPack แปลงข้อความที่ไม่มีโครงสร้างให้เป็นคะแนนความคิดเห็นและฟีเจอร์ของเหตุการณ์
• การประเมินไอเดีย: นักบินร่วมเช่น BlackRock Aladdin นักบินร่วมแสดงการเปิดเผยพอร์ตโฟลิโอและข้อมูลสรุปสถานการณ์ ซึ่งเร่งข้อมูลเชิงลึกโดยไม่ต้องลบการลงนามของมนุษย์
• จุดตัดสินใจ: ระบบ Determination Intelligence (ตามตัวอย่างในแผนผัง Determination GPS ของ Panthera ข้างต้น) ได้รับการออกแบบมาเพื่อสร้างความไม่สมดุลของความเสี่ยงและผลตอบแทนโดยอิงจากหลักฐานที่เกี่ยวข้องและผ่านการตรวจสอบแล้วมากที่สุด โดยมีจุดประสงค์เพื่อเพิ่มคุณภาพการตัดสินใจให้สูงสุด
• การดำเนินการ: ตัวแทนการซื้อขายอัลกอริทึมดำเนินการภายในงบประมาณความเสี่ยงที่ชัดเจนภายใต้ความเป็นอิสระแบบมีเงื่อนไขและการกำกับดูแลอย่างต่อเนื่อง
• การตรวจสอบ: Agentic AI ติดตามความเสี่ยงของพอร์ตโฟลิโอและระบุความเสี่ยงที่เกิดขึ้นใหม่โดยอัตโนมัติ

นอกเหนือจากห้าขั้นตอนนี้แล้ว แผนผังนี้ยังช่วยปรับปรุงการรายงานการปฏิบัติตามกฎระเบียบและผู้มีส่วนได้ส่วนเสียอีกด้วย เจ้าหน้าที่ AI สามารถทำการจดจำรูปแบบและแจ้งการละเมิด รวมถึงแปลข้อมูลประสิทธิภาพที่ซับซ้อนเป็นเอาท์พุตการเล่าเรื่องสำหรับลูกค้าและผู้กำกับดูแล

ประการที่สอง ดูที่ข้อได้เปรียบเชิงเปรียบเทียบ: ความได้เปรียบทางการแข่งขันใดที่เพิ่มความได้เปรียบ: ข้อมูล การวิเคราะห์ หรือพฤติกรรม

AI ไม่ได้สร้างอัลฟ่า แต่สามารถขยายขอบที่มีอยู่ได้ วิธีหนึ่งในการจัดอนุกรมวิธานการทำแผนที่คือการแยกแยะระหว่างต้นแบบสามแบบ (รูปที่ 2):

• ข้อได้เปรียบด้านข้อมูล: การเข้าถึงข้อมูลหรือความเร็วที่เหนือกว่า อายุสั้นและจำหน่ายสินค้าได้ง่าย
• ข้อได้เปรียบเชิงวิเคราะห์: การสังเคราะห์และการอนุมานที่เหนือกว่า ต้องใช้ความเชี่ยวชาญที่เป็นกรรมสิทธิ์ ป้องกันได้แต่เสื่อมตามกาลเวลา
• ความได้เปรียบด้านพฤติกรรม: มีระเบียบวินัยที่เหนือกว่าในการใช้ประโยชน์จากอคติของผู้อื่นหรือหลีกเลี่ยงอคติของตนเอง

รูปที่ 2

การจัดตำแหน่งเชิงกลยุทธ์หมายถึงการจับคู่ประเภทตัวแทนกับชุดทักษะของนักลงทุน/บริษัทที่เฉพาะเจาะจง ตัวอย่างเช่น บริษัท Quant Home อาจใช้การเรียนรู้แบบเสริมกำลังเพื่อการวิเคราะห์เชิงลึกที่มากขึ้น ในขณะที่บริษัทที่มีดุลยพินิจอาจใช้นักบินร่วมในการตรวจสอบคุณภาพการให้เหตุผลและรักษาวินัยทางพฤติกรรม

ประการที่สาม ประเมินช่วงความซับซ้อน: มันทำงานภายใต้ระดับความไม่แน่นอนเท่าใด: จากความเสี่ยงที่วัดได้ไปจนถึงความคลุมเครือที่รุนแรง

ตลาดมีการแกว่งไปมาระหว่างความเสี่ยงและความไม่แน่นอน การขยายประเภทของ Knight’s และ Taleb เราแยกแยะความแตกต่างของระบอบปฏิบัติการสี่แบบ

รูปที่ 3

การกำกับดูแล: จากจริยธรรมสู่หลักฐาน

กฎระเบียบที่กำลังจะมีขึ้น เช่น พระราชบัญญัติ AI ของสหภาพยุโรป และกรอบการทำงาน OECD สำหรับการจำแนกประเภทของระบบ AI จะประมวลความสามารถในการอธิบายและความรับผิดชอบ อนุกรมวิธานที่เชื่อมโยงข้อบังคับเหล่านี้กับคันบังคับการกำกับดูแลเชิงปฏิบัติจะถือเป็นแนวปฏิบัติที่ดีที่สุด เมทริกซ์การจำแนกประเภทจะกลายเป็นทั้งระบบควบคุมความเสี่ยงและเข็มทิศเชิงกลยุทธ์

ผลกระทบเชิงกลยุทธ์สำหรับ CIO

ลักษณะการปรับตัวของการเงินต้องการระบบอัจฉริยะและระบบที่ออกแบบมาเพื่อขยายความสามารถในการปรับตัวของมนุษย์ ไม่ใช่แทนที่ มนุษย์มีส่วนร่วมในการตัดสินตามบริบท การใช้เหตุผลเชิงจริยธรรม และการสร้างความรู้สึก ตัวแทนมีส่วนสนับสนุนขนาด ความเร็ว และความสม่ำเสมอ ร่วมกันยกระดับคุณภาพการตัดสินใจ ซึ่งเป็น KPI สูงสุดในการจัดการการลงทุน

บริษัทที่ออกแบบโดยใช้สถาปัตยกรรมการตัดสินใจ ไม่ใช่อัลกอริธึม จะรวมความได้เปรียบเข้าด้วยกัน

ดังนั้น:

• ทำแผนที่ระบบนิเวศของคุณ: แคตตาล็อกตัวแทน AI และวางแผนภายในกรอบงานเพื่อแสดงการทับซ้อนและจุดบอด
• จัดลำดับความสำคัญความได้เปรียบเชิงเปรียบเทียบ: ลงทุนโดยที่ AI เสริมสร้างความได้เปรียบที่มีอยู่
• สร้างวงจรการเรียนรู้ให้เป็นสถาบัน: ถือว่าการใช้งานแต่ละครั้งเป็นการทดลองแบบปรับเปลี่ยนได้ วัดผลกระทบต่อคุณภาพการตัดสินใจ ไม่ใช่ประสิทธิภาพพาดหัว

ในทางปฏิบัติ

ปัญญาเสริมที่ได้รับการจำแนกและควบคุมอย่างเหมาะสม ช่วยให้การจัดสรรเงินทุนไม่เพียงแต่เร็วขึ้นเท่านั้น แต่ยังฉลาดยิ่งขึ้นด้วยการเรียนรู้ตามการจัดสรร ดังนั้นควรจำแนกประเภทก่อนที่จะขยายขนาด จัดแนวก่อนที่คุณจะทำให้เป็นอัตโนมัติ และจำไว้ว่าในด้านคุณภาพการตัดสินใจ การออกแบบต้องชนะโชค