Nie powinniśmy być zaskoczeni, że sztuczna inteligencja (SI) przeciętnie lepiej prognozuje zyski niż analitycy giełdowi. Ani że strategie oparte na regułach przeciętnie oferują lepsze doradztwo finansowe niż osobisty bankier. Już przed najnowszymi postępami w generatywnej SI istniały sprawdzone zalety systematycznego inwestowania. Chociaż takie techniki mogą nie znaleźć rzadkich topowych akcji lub punktów zwrotnych na rynku, które przynoszą ponadprzeciętne zyski, mają one jednak udowodnioną wartość.
Opracowania w dziedzinie sztucznej inteligencji pokazują jednak, że możemy wyjść poza rekomendacje oparte na regułach. Makroekonomia, rachunkowość i statystyka to trzy filary inwestycji. Duże modele językowe osiągają najwyższe wyniki w zaawansowanych egzaminach z tych przedmiotów. Ponadto wiemy, że LLM-y mogą podsumować znacznie więcej kontekstu i zbiorowej mądrości niż człowiek, co może być bardzo pomocne dla strategii makroekonomicznych. Jeśli więc sztuczna inteligencja może pomagać w podejmowaniu decyzji finansowych, dlaczego analitykom i zarządzającym portfelem tak trudno zaakceptować tę zmianę?
Oto kilka wskazówek, które można znaleźć w pracy naukowca danych César Hidalgo na temat tego, jak ludzie oceniają maszyny. Kiedy korzystamy z programu, skupiamy się na wydajności narzędzia. Każdy błąd prognozy tego programu spowoduje, że nasz finansista straci zaufanie. W większości przypadków nie ma znaczenia, czy algorytm jest średnio lepszy od człowieka. Nasz doradca finansowy będzie polegał na swojej intuicji i doświadczeniu.
Badania Hidalgo pokazują, że oceniamy ludzkie rady inaczej. Przyglądamy się nie tylko wydajności, ale także zamierzeniom osoby, która nam doradza. Kiedy angażujemy się w relację z prywatnym bankierem lub powierzamy nasze pieniądze zarządzającemu funduszem, zakładamy zgodność ich celów z naszymi, zwłaszcza jeśli umowa zawiera opłaty zależne od wyników. Biorąc pod uwagę te intencje w naszej mentalnej kalkulacji, jesteśmy bardziej tolerancyjni wobec słabych wyników.
Menschliche Beratung kann also häufiger scheitern und wird trotzdem als wertvoll angesehen, besonders wenn es eine Geschichte gibt, die das Ergebnis erklärt. In Hidalgos Worten erwarten wir von Maschinen Rationalität und von Menschen Menschlichkeit.
Polish Translation:
Ludzka porada może częściej zawodzić, ale nadal jest uważana za wartościową, zwłaszcza gdy istnieje historia wyjaśniająca wynik. Według słów Hidalgos, oczekujemy od maszyn racjonalności, a od ludzi człowieczeństwa.
Myśl przewodnia: Opieramy się również przyjmowaniu informacji sprzecznych z naszymi doświadczeniami. W eksperymentach z radiologami korzystającymi ze sztucznej inteligencji nie było jasne, jak uwzględniają oni opinie algorytmu w swoich przewidywaniach. Praca trwała dłużej, a skuteczność połączonej diagnostyki była wątpliwa.
Jeśli dotyczy to radiologów, to musi być jeszcze trudniejsze dla każdego, kto pracuje na rynkach finansowych. Strategia makro może być najtrudniejszym obszarem do zintegrowania sztucznej inteligencji. Po pierwsze dlatego, że rynek, podobnie jak pogoda, nie jest stacjonarny, co oznacza, że nigdy nie będzie dokładnie tak samo reagować na np. dane o inflacji czy zatrudnieniu, nie mówiąc już o możliwym powrocie Donalda Trumpa do Białego Domu. Ponadto każdy strateg ma silne początkowe przekonania – lub „tożsamość” jako zawsze optymistyczny lub pesymistyczny – które wpływają na jego osąd. Bardzo trudno jest uciec od narracji, których oczekują klienci.
Zuletzt sehnen wir uns nach Kontrolle. Es gibt einen radikalen Unterschied zwischen einem Modell, das mit einer Tabellenkalkulation aus verfügbaren Daten erstellt wurde, und z.B. ChatGPT. Basierend auf unserer Erfahrung und Intuition entscheiden wir über die Form und Komponenten des ersteren, aber nicht des letzteren. Und in den meisten Fällen wissen wir nicht einmal, wie das LLM zu einer bestimmten Antwort gekommen ist. Daher ist es verständlich, dass unser Finanzberater sich unwohl fühlt, eine Vorhersage zu nutzen, die nicht seine eigene ist.
Na koniec tęsknimy za kontrolą. Istnieje radykalna różnica między modelem stworzonym za pomocą arkusza kalkulacyjnego z dostępnych danych a np. ChatGPT. Na podstawie naszego doświadczenia i intuicji decydujemy o formie i składnikach tego pierwszego, ale nie drugiego. I w większości przypadków nawet nie wiemy, jak LLM doszedł do konkretnej odpowiedzi. Dlatego zrozumiałe jest, że nasz doradca finansowy czuje się nieswojo, korzystając z prognozy, która nie jest jego własną.
Istnieje kilka czynników, które należy wziąć pod uwagę. Powinniśmy pozwolić ludziom dostosować niektóre parametry modelu. Innymi słowy, musimy pozwolić ekspertom przyjmować rekomendacje sztucznej inteligencji tak, jakby były ich własnymi. W najlepszym przypadku model może zostać ulepszony, gdy ekspert doda kontekst, który może być niedostępny dla modelu. Mogą to być prywatne okoliczności klienta lub inne trudne do zmierzenia czynniki i ograniczenia. Alternatywnie, moglibyśmy zaakceptować spadek wydajności, jeśli sprawi to, że więcej ludzi zaakceptuje wnioski z powodu "ludzkiego dotyku." Może to być rozsądny kompromis w obszarach takich jak doradztwo w zakresie zarządzania majątkiem.
W końcu musimy starać się, aby AI była bardziej zrozumiała. Jest to uzasadnione oczekiwanie, ponieważ rosną wymagania dotyczące egzaminów i zgodności. Ponadto niektóre z wiodących modeli integrują logikę „Łańcucha Myślenia”, która koduje wiedzę ekspercką w surowym modelu. Dzięki temu widzimy nie tylko wzrost wydajności, ale także uzyskujemy pewne zasady, którym ufa większość ekspertów. Nikt nie chce wyglądać jak głupi robot powtarzający tylko rady czarnej skrzynki. Zaufanie i trafna ocena są kluczowymi cechami w relacjach z klientem. Ostatecznie oczekujemy, że ludzie pozostaną ludzcy.
