پردازش زبان طبیعی و کاربرد آن در امور مالی

پردازش زبان طبیعی در امورمالی : چرا باید از NLP در این حوزه استفاده نمود؟

با افزایش میزان داده‌های متنی، پردازش زبان طبیعی یا همان NLP در حال تبدیل شدن به ابزاری استراتژیک برای تحلیل‌های مالی است. در اینجا به بیان سه راه استفاده از این فناوری در این صنعت می‌پردازیم.

پردازش زبان طبیعی در امورمالی 

سه سال از انتشار مقاله آموزش یادگیری ماشین توسط مایکل شولمن (Michel Shulman)، مدرس امور مالی در MIT Sloan می‌گذرد. ​​وی گفت تنها یک شکایت دارد و آن این است که در این راه، به سختی می‌توان ادامه داد. زیرا بسیار سریع و پرتحرک است، و هر سال مفاهیم بسیاری به وجود می‌آیند که در سال قبل اصلا وجود نداشتند.”

شولمن، رئیس یادگیری ماشین در Kensho چنین گفت: “به طور ویژه، شرکت‌های آنالیز مالی به منظور تجزیه و تحلیل داده‌های متنی که صدها هزار برابر سریع‌تر و دقیق‌تر از بشر باشد، به استفاده از فناوری پردازش زبان طبیعی در امور مالی روی آورده‌اند. این استارتاپ (کنشو Kensho) که تخصص آن در زمینه کاربردهای هوش مصنوعی در آنالیز امور مالی در جوامع هوشمند ایالات متحده است، توسط S&P Global در سال 2018 خریداری شد.

یک ناظر غیرحرفه‌ای ممکن است داده‌های مالی را بیشتر از یک متن عددی فرض نماید، ولی شولمن نظری خلاف این دارد. وی چنین می‌گوید که: “به ویژه در امور مالی، داده‌هایی كه می‌توانند به تصمیم‌گیری به موقع كمك كنند، باید به صورت متن در‌آیند.”

برپایه سخنان شولمن، داده متنی‌، یک داده غیر ساختاری است و ذاتا استفاده از داده‌های غیر ساختاریافته دشوارتر است. اینجاست که باید از فناوری پردازش زبان طبیعی در امور مالی کمک طلبید. پردازش زبان طبیعی یا NLP نوعی یادگیری ماشین است که قادر به تجریه پیچیدگی‌های صوتی مربوط به تجارت و امور مالی (از جمله اصطلاحات صنعتی، اعداد، ارزها و نام‌های محصولات) است.

برای نمونه گزارش‌ها را در نظر بگیرید. شولمن چنین افزود که: “برای مثال، یك شركت گزارش خود را صبح منتشر می‌كند و می‌گوید که درآمد ما برای هر سهم 1.12 دلار بوده است. زمانی‌که داده‌ها به پایگاه داده یک ارائه‌دهنده داده راه پیدا کنند، جایی‌که می‌توان آن‌ها را به صورت ساختاری دریافت کرد، دیگر قدرت خود را از دست داده‌اید و زمان گذشته است. NLP می‌تواند آن رونویسی‌ها را تنها در عرض چند دقیقه ارایه دهد و این برای تحلیل‌گران یک مزیت رقابتی چشم‌گیری است. ”

سه مورد استفاده از NLP در امور مالی  

گئورگ کوچسکو (Georg Kucsko)، مدرس امور مالی MIT Sloan، کسی که همراه شولمن تدریس را بر عهده داشت، چنین عقیده دارد: استفاده از فناوری پردازش زبان طبیعی در امور مالی نسبتا جدید است و می‌تواند سال‌ها پژوهش و توسعه توسط غول‌های فناوری مانند گوگل و فیسبوک را بر پشت خود سوار کند. این غول‌های فناوری، دهه‌ها با علوم زبان کار کرده‌اند، زیرا این شغل و تجارت آن‌ها است. کوچسکو، رئیس تحقیق و توسعه یادگیری ماشین در کنشو (Kensho) چنین گفت که همان ابزارهای الک کردن اطلاعات که به افراد این امکان را می‌دهد تا توییت‌های سمی را فیلتر کرده یا درخواست‌ها و پرسش‌های خود را تنها از طریق نوار جستجو در اینترنت بیابند، نوید قابل توجهی برای امور مالی است.

كوچسكو ادامه داد که: “زمانی‌که نیاز به پردازش زبان طبیعی در امور مالی را احساس خواهید کرد که در حال تحقیق و پژوهش در مورد شرکتی باشید و یا به دنبال استخراج برخی از مجموعه داده‌های گسترده، به زبانی که آن را نمی‌فهمید، باشید.”

شولمن و کوچسکو سه مورد از قابلیت‌هایی را بیان کردند که پردازش زبان طبیعی یا NLP می‌تواند تصمیم‌گیری و سرعت را در سازمان‌های مالی بهبود بخشد:

• اتوماسیون: NLP می‌تواند جایگزین فرایندهای دستی در موسسات مالی شود که داده‌های غیرساختاری را به شکل قابل استفاده‌تری تبدیل می‌کنند. برای مثال کارهایی مثل ضبط خودکار تماس‌های درآمد، ارایه‌های مدیریت و اعلامیه‌های خرید و… را انجام می‌دهد.
• غنی‌سازی داده‌ها: هنگامی‌که داده‌های غیرساختاری گرفته می‌شوند به کمک افزودن متن، آن را به داده‌ای قابل جستجو و کاربردی تبدیل می‌سازند. برپایه سخنان شولمن به این ترتیب که: “تصور كنید كه من رونوشت یک تماس درآمدی دریافت کردم و قصد دارم تا بخش‌هایی را در این متن پیدا كنم كه درباره تاثیرات محیطی سخن گفته باشد. یادگیری ماشین و پردازش زبان طبیعی می‌تواند آن متن خام را با فراداده غنی سازد و بخش‌هایی که تاثیرات زیست‌محیطی، تاثیرات مالی یا سایر موضوعات مورد علاقه را هدف قرار می‌دهد را بیابد.
• جستجو و کشف: امور مالی ماموریت دارد که در انواع گسترده‌تر و متنوع‌تر داده‌های دارای مزیت رقابتی را پیدا کند ولی آنچه از دست می‌دهد، تجربه جستجو است که درست به همان اندازه عادت مصرف‌کنندگان به جستجو در موتور گوگل، بسیار ساده و کارآمد است.

شولمن صحبت‌هایش را این‌گونه ادامه می‌دهد که: “اگر شما در یک بانک یا صندوق سرمایه‌گذاری تامینی مشغول به کار هستید، جست‌وجوی داده‌های اختصاصی (بدون کمک گرفتن از یادگیری ماشین و پردازش زبان طبیعی در امور مالی) می‌تواند همچون کابوسی برایتان باشد.”

وی در ادامه افزود ممکن است یک تحلیلگر تایپ کند که فایل 10-k اوباماکر (Obamacare: قانون فدرال ایالات متحده با نام حمایت از بیمار و مراقبت‌های درمانی مقرون‌به‌صرفه که هدفش بهبود بیمه درمانی شهروندان آمریکایی است) را به من نشان بده، ولی چنین فایلی را پیدا نکند. وی این‌گونه ادامه داد که ما به سیستم‌هایی نیاز داریم که به اندازه کافی هوشمند باشند و بدانند که این قانون، با عنوان PPACA (Patient Protection and Affordable Care Act)) شناخته می‌شود.

یادگیری ماشین و پردازش زبان طبیعی در امور مالی برای توده‌ها

برای موسسات مالی که علاقه‌مند به دستیابی به این مزایا هستند، موانع ورود به نسبت به گذشته بسیار کمتر است. به لطف آنچه شولمن “دموکراتیزه‌سازی ابزارها” نامیده است، امروزه کدهای رایانه‌ای سری و محرمانه با فرمت ساده برای یادگیری و با قیمت کمتر و آسان‌تر در دسترس همه موجود است.

با توجه به گفته‌های شولمن، کسی که همچون كوچسكو دکترای فیزیک خود از دانشگاه  هاروارد دریافت کرده است: “در حال حاضر انجام فعالیت در حوزه پردازش زبان طبیعی در امور مالی یا هر حوزه دیگری است، بدون داشتن مدرک PhD در یادگیری ماشین، کاملا می‌تواند کار کند.”

رقابت تنگاتگ گوگل و فیسبوک، باعث بهبود چشم‌گیر اکوسیستم یادگیری ماشین برای همه بازیکنان شده است. غول‌های فناوری در “ریختن پول‌های هنگفت” به چارچوب‌های زبان ماشین، TensorFlow و PyTorch در رقابت شدید با یکدیگرند و در تلاشی سخت برای سلطه بر بازار، هر دو زبان را منبع باز ساخته‌اند. شولمن افزود که: “اکنون به دست آوردن نتایج بسیار خوبی در زمینه یادگیری ماشین و پردازش زبان طبیعی در امور مالی بسیار آسان است، کافی است تا به سادگی گوگل کنید و 10 خط کد به دست آورید.”

فرزندخواندگان راه را پیش می‌برند!

در حال‌حاضر در مورد اینکه چه کسی در سازمان باید به عنوان کدگیر عمل کند و چه دپارتمانی باید کدگیر را مدیریت کند بررسی‌هایی در حال انجام است.  كوچسكو می‌گوید که: “شركت‌ها هنوز در تلاشند تا کارآمدترین روش‌ها را برای ورود به یادگیری ماشین و از دست ندادن آن‌ها دریابند. در سراسر طیف مالی، تنها یک راه‌حل منحصر به فرد وجود نخواهد داشت.”

شرکت‌ها می‌توانند محصولات یادگیری ماشین و پردازش زبان طبیعی در امور مالی را درخواست نمایند، یک تیم علوم داده بسازند، یا برای شرکت‌های بزرگ، محصولات تخصصی‌ای را که به دنبال آن هستند را خریداری نمایند (همانند زمانی‌که S&P Global، شرکت کنشو (Kensho) را خریداری کرد). كوچسكو می‌گوید که: “شما می‌توانید یادگیری ماشین را تقریبا در هر كجا، چه در جمع‌آوری داده‌های سطح پایین و چه در محصولات سطح بالا مورد درخواست مشتری، اعمال كنید.”

بیش‌تر عزم و انگیزه از سوی افرادی است که از ارزش داده‌ها به خوبی آگاه هستند. برپایه سخنان شولمن: “این داده‌ها می‌تواند اسناد یک سری زمانی و یا یک لیست از تصمیمات خرید در برابر فروش باشد. ما همه این داده‌ها را در اختیار داریم ولی به دلیل بزرگی بیش از اندازه‌شان، قابل‌استفاده نیستند. اینجاست که یادگیری ماشین و پردازش زبان طبیعی به کار می‌آید.” برای موسسات مالی که ممکن است تمایلی به استفاده از تکنیک‌های پیشرفته مانند یادگیری ماشین نداشته باشند، این فرایند جامعه‌پذیری گام مهمی است.

برپایه گفته‌های شولمن: “هرچه افراد بیشتری با این فناوری‌ها کار کنند و زبان آن را درک کنند، می‌بینند كه این مهم یک هنر تاریك نیست، بلکه خود ریاضیات است. هر روز تعداد بیشتری از افراد را مشاهده می‌کنیم که سوار بر این تکنولوژی، گام‌های پیشرفت و ترقی را می‌پیماند و این می‌تواند شما را هیجان‌زده نماید.”