Η σειρά για την αρχιτεκτονική της τεχνητής νοημοσύνης – Μέρος 3

Το σημείο συμφόρησης στις επενδυτικές ροές εργασιών συχνά δεν είναι η ίδια η ανάλυση, αλλά μάλλον όλα όσα πρέπει να γίνουν πριν ξεκινήσει η ανάλυση: η διενέργεια ελέγχων συμμόρφωσης, η αντιστοίχιση των θέσεων του χαρτοφυλακίου με τα κριτήρια της εντολής, η ταξινόμηση ενός αμοιβαίου κεφαλαίου βάσει ενός κανονιστικού προτύπου, η ανίχνευση αμφιλεγόμενων θεμάτων σε ένα σύνολο επενδύσεων, μεταξύ πολλών άλλων παρόμοιων εργασιών.

Δεν πρόκειται για αναλυτικές εργασίες. Είναι εργασίες ανάκτησης και μορφοποίησης που φορούν τα φαρδιά ρούχα της αναλυτικής εργασίας. Η αρχιτεκτονική που περιγράψαμε στο προηγούμενο άρθρο δημιουργήθηκε ακριβώς για να αντιμετωπίσει αυτό το πρόβλημα.

Στα μέρη 1 και 2 της σειράς «Αρχιτεκτονική ΤΝ», εξηγήσαμε γιατί οι αρχιτεκτονικές επιλογές έχουν αθροιστικό αντίκτυπο με την πάροδο του χρόνου και πώς τα τέσσερα επίπεδα (το LLM, τα MCP, οι δεξιότητες και οι πράκτορες) συνδυάζονται θεωρητικά. Σε αυτό το άρθρο, περνάμε στην πράξη, εξετάζοντας τη συμβολή κάθε επιπέδου στις πραγματικές ροές εργασιών επενδύσεων, τι αποκαλύπτει μια συγκεκριμένη περίπτωση χρήσης σχετικά με τις τρέχουσες δυνατότητες, καθώς και τους περιορισμούς των πρωτοκόλλων πλαισίου μοντέλου (MCP).

Το πρόβλημα που αξίζει να αναφερθεί στην επενδυτική ανάλυση

Η διαθεσιμότητα δεδομένων αποτελούσε κάποτε εμπόδιο για την ανάλυση επενδύσεων και τη συμμόρφωση. Ωστόσο, καθώς η εταιρική δημοσιοποίηση ωρίμασε και οι πηγές δεδομένων πολλαπλασιάστηκαν, το εμπόδιο αυτό αντιστράφηκε για πολλές εταιρείες. Ο όγκος των δεδομένων που είχαν στη διάθεσή τους ξεπέρασε την ικανότητά τους να τα αξιοποιήσουν. Το αποτέλεσμα είναι ένα είδος «αχρησιμοποίητης γνώσης», που ορίζεται από το χάσμα μεταξύ των πληροφοριών που υπάρχουν σε ένα σύστημα και της απόφασης που μπορεί πραγματικά να ληφθεί με βάση αυτές.

Ας πάρουμε ως παράδειγμα έναν αναλυτή που ελέγχει τη συμμόρφωση με τις εντολές. Τα βήματα που προηγούνται της ανάλυσής του περιλαμβάνουν την πλοήγηση στο σωστό σύνολο δεδομένων ή αρχείο, την επιλογή του κατάλληλου χαρτοφυλακίου, τον εντοπισμό της σχετικής εντολής, την εκκίνηση του ελέγχου συμμόρφωσης, την ερμηνεία των αποτελεσμάτων σε επίπεδο δεικτών και τον προσδιορισμό των παραβάσεων και των σχετικών αιτιών. Κανένα από αυτά τα βήματα δεν απαιτεί βαθιά κρίση ή κριτική σκέψη. Απαιτούν απλώς να γνωρίζει κανείς πού να κάνει κλικ και να είναι σε θέση να επαναλαμβάνει την διαδικασία με αξιοπιστία.

Αυτό δεν αποτελεί κριτική στα υπάρχοντα συστήματα. Πρόκειται για μια περιγραφή του τρόπου με τον οποίο λειτουργούσαν πάντα τα περισσότερα προϊόντα δομημένων δεδομένων: ισχυρά συστήματα που απαιτούν από τους χρήστες να γνωρίζουν πώς να τα χειρίζονται.

Η τεχνητή νοημοσύνη, και συγκεκριμένα η αρχιτεκτονική προς την οποία έχει εξελιχθεί αυτή η σειρά άρθρων, μας επιτρέπει να επαναπροσδιορίσουμε αυτό το status quo. Η γενική συλλογιστική ενός LLM, σε συνδυασμό με τα δεδομένα και τις μεθοδολογίες ενός εξειδικευμένου MCP, μειώνει την απόσταση μεταξύ ερώτησης και απάντησης. Η «επιπλέον» εργασία που κάποτε καταλάμβανε το πρωινό ενός αναλυτή (η πλοήγηση, το φιλτράρισμα, η εξαγωγή, η μορφοποίηση) εξαφανίζεται. Αυτό που απομένει είναι η κρίση, η διαφοροποιημένη εργασία για την οποία προσλήφθηκε ο αναλυτής.

Παρακολούθηση εντολών με τη βοήθεια τεχνητής νοημοσύνης: Ένα παράδειγμα από την πράξη

Ως εταιρεία τεχνολογίας, η φιλοσοφία Clarity AIείναι να συναντά τους πελάτες στον χώρο εργασίας τους, αντί να τους ζητά να έρχονται σε εμάς.

Η φιλοσοφία μας που δίνει προτεραιότητα στο API καθιστά το επίπεδο των πρακτόρων μια φυσική επέκταση αυτής της κατευθυντήριας αρχής. Η σειρά των MCP μας , συμπεριλαμβανομένου ενός που έχει ρυθμιστεί για την παρακολούθηση της συμμόρφωσης του χαρτοφυλακίου με τις επενδυτικές εντολές, ενσωματώνει τα δεδομένα και τη μεθοδολογία Clarity AIαπευθείας στις προτιμώμενες εφαρμογές τεχνητής νοημοσύνης ή στα εσωτερικά συστήματα που χρησιμοποιούν ήδη οι πελάτες μας. Αυτά τα MCP διευκολύνουν ροές εργασιών που εκτελούνται από την αρχή έως το τέλος με απλές εντολές σε φυσική γλώσσα, όπως «παρακαλώ, ελέγξτε τη συμμόρφωση του χαρτοφυλακίου μου με την επενδυτική μου εντολή».

Μια απλή πρόταση σε απλή γλώσσα θέτει σε κίνηση μια ολόκληρη ροή εργασιών. Χωρίς καμία επιπλέον προδιαγραφή από τον χρήστη, το Claude αναλύει τις απαιτήσεις των εντολών και, ως απάντηση, ενεργοποιεί μια σειρά διαφορετικών εργαλείων, αντλώντας τις εντολές του χρήστη και τα στοιχεία του χαρτοφυλακίου του, εκτελώντας ελέγχους συμμόρφωσης σε επίπεδο δεικτών και συγκεντρώνοντας τα αποτελέσματα.

Τα αποτελέσματα εμφανίζονται ως δομημένος, διαδραστικός πίνακας μέσα στο chat, συμπεριλαμβανομένων των αποτελεσμάτων επιτυχίας/αποτυχίας ανά δείκτη και των εταιρειών που παραβιάζουν τους κανόνες. Όλες οι τιμές μπορούν να αναζητηθούν μέσω συμπληρωματικών ερωτήσεων ή μέσω απευθείας συνδέσμου προς την διαδικτυακή εφαρμογή Clarity AIγια περαιτέρω διερεύνηση.

Αυτό που παλαιότερα απαιτούσε την πλοήγηση σε μια πύλη δεδομένων, τον εντοπισμό του κατάλληλου χαρτοφυλακίου και της εντολής, την ερμηνεία των αποτελεσμάτων σε επίπεδο δεικτών, τη μορφοποίηση των αποτελεσμάτων και το φιλτράρισμα για τους παραβάτες, πλέον επιλύεται με μία μόνο ανταλλαγή.

Μια καλά σχεδιασμένη διαδικτυακή εφαρμογή αποτελεί το κατάλληλο εργαλείο για την εξερεύνηση δεδομένων, ειδικά όταν πρόκειται για ερωτήσεις ανοιχτού τύπου, όπου η οπτική υποστήριξη βοηθά τον χρήστη να περιηγηθεί σε ένα περιβάλλον πλούσιο σε δυνατότητες . Άλλωστε, πολλές από τις καλύτερες ερωτήσεις προκύπτουν ακριβώς από την απλή εξερεύνηση των δεδομένων. Ωστόσο , η ροή εργασίας που περιγράφηκε παραπάνω δεν έχει εξερευνητικό χαρακτήρα.

Ο διαχειριστής χαρτοφυλακίου γνωρίζει την ερώτηση, το χαρτοφυλάκιο και την εντολή, και επιθυμεί την απάντηση. Για αυτού του είδους τις εργασίες που απαιτούν συγκεκριμένα αποτελέσματα, ακόμη και η καλύτερα σχεδιασμένη διεπαφή προσθέτει ένα στάδιο «μετάφρασης», κατά το οποίο ο χρήστης πρέπει να μετατρέψει μια ερώτηση σε απλή γλώσσα σε μια ακολουθία κλικ. Η αρχιτεκτονική MCP εξαλείφει αυτή τη «μετάφραση» και συντομεύει τη διαδρομή από την ερώτηση στην απάντηση. Ο χρήστης θέτει την ερώτηση στη γλώσσα που θα χρησιμοποιούσε αν μιλούσε με έναν αναλυτή, και το σύστημα επιστρέφει την απάντηση σε δευτερόλεπτα.

Αυτή η συμπύκνωση εξαρτάται από το γεγονός ότι το MCP εκτελεί εργασίες τις οποίες το ίδιο το LLM δεν μπορεί να εκτελέσει μόνο του. Τα βασικά μοντέλα, όπως το Claude, διαθέτουν τεράστια γενική γνώση, αλλά στερούνται των εξειδικευμένων, επιμελημένων δεδομένων και των πληροφοριών με μεθοδολογική βάση στις οποίες βασίζονται οι ρυθμιζόμενοι κλάδοι.

Ας υποθέσουμε ότι ένας διαχειριστής χαρτοφυλακίου διαχειρίζεται ένα χαρτοφυλάκιο αμοιβαίων κεφαλαίων με βάση θρησκευτικές αξίες.

Ένα μοντέλο γενικής χρήσης μεγάλης κλίμακας (LLM) με πρόσβαση στο διαδίκτυο θα έπρεπε να εντοπίσει τα χαρτοφυλάκια κάθε αμοιβαίου κεφαλαίου (τα οποία σπάνια δημοσιοποιούνται και συνήθως είναι παλιά κατά ένα τρίμηνο), να εναρμονίσει τις συμβάσεις ονοματολογίας σε αρχεία PDF και ενημερωτικά δελτία, να εντοπίσει είκοσι μετρικές τιμές για κάθε μία από τις περίπου εκατό συμμετοχές ανά αμοιβαίο κεφάλαιο, να αναλύσει σύνθετες μετρήσεις που αναφέρονται με ασυνέπεια μεταξύ εταιρειών, να εκτιμήσει τιμές για μη δημοσιοποιημένες συμμετοχές, να ομαλοποιήσει μονάδες μεταξύ προτύπων αναφοράς και δημοσιονομικών ημερολογίων, και να διατηρήσει ένα ίχνος ελέγχου που να μπορεί να υπερασπιστεί ενώπιον των ρυθμιστικών αρχών σε κάθε βήμα. Αυτό σημαίνει 2.000 σημεία δεδομένων ανά αμοιβαίο κεφάλαιο, σε ένα χαρτοφυλάκιο που μπορεί να περιλαμβάνει δεκάδες, χωρίς επίπεδο διακυβέρνησης για την κρίση των ορισμών και χωρίς τρόπο να γνωρίζουμε ποια χαρτοφυλάκια παραλείφθηκαν σιωπηλά επειδή τα δεδομένα δεν ήταν ανιχνεύσιμα ή η σελίδα δεν ήταν προσβάσιμη.

Η εργασία αυτή είναι δομικά αδύνατη για ένα μοντέλο που λειτουργεί αποκλειστικά με βάση την πρόσβαση στο διαδίκτυο. Έτσι, το εξειδικευμένο MCP λειτουργεί ως το «ενισχυτικό» στοιχείο που παρέχει στον γενικό συλλογιστή εξειδικευμένες γνώσεις για τον συγκεκριμένο τομέα, στην περίπτωση αυτή σχετικά με τα επαληθευμένα χαρτοφυλάκια κεφαλαίων, τα κριτήρια εντολών, το κανονιστικό πλαίσιο και τα δεδομένα που κωδικοποιούνται με βάση τη μεθοδολογία και απαιτούνται από τη ροή εργασιών. 

Αυτό αποτελεί απλώς το πρώτο, βασικό βήμα προς μια πραγματικά μετασχηματιστική αξία. Επειδή η εργασία αυτή εκτελείται πλέον στο πλαίσιο ενός ισχυρού επιπέδου εφαρμογών, γεμάτου με πιθανές συνδέσεις (προγράμματα, εισερχόμενα, συστήματα CRM, ημερολόγια κ.λπ.), μπορεί να ενσωματωθεί σε μια πραγματικά αυτοματοποιημένη ροή εργασιών από την αρχή έως το τέλος. Μια προγραμματισμένη εργασία στο Claude μπορεί να εκτελεί τον ίδιο έλεγχο κάθε πρωί της εβδομάδας, να επισημαίνει και να τεκμηριώνει τις σχετικές αλλαγές, να συντάσσει μια περίληψη σύμφωνα με τις φωνητικές οδηγίες σας, να προσαρμόζει τα οπτικά στοιχεία των ειδοποιήσεων στο στυλ σχεδιασμού της εταιρείας σας και να την αποστέλλει στο εισερχόμενο του διαχειριστή χαρτοφυλακίου έως τις 9 π.μ.

Αυτή η ροή εργασιών, η οποία στο παρελθόν απαιτούσε ειδικά εργαλεία ή σημαντική χειροκίνητη εργασία, μπορεί πλέον να διαμορφωθεί σε λιγότερο από τριάντα λεπτά. Αυτό ακριβώς καθιστά δυνατό το επίπεδο των πρακτόρων, δηλαδή ο συνδυασμός ενός LLM, των MCP και των δεξιοτήτων.

Ανατομία της ροής εργασιών ενός πράκτορα: Τα τέσσερα βασικά στοιχεία

Η ροή εργασιών που περιγράφηκε παραπάνω χωρίζεται σε τέσσερα βασικά στοιχεία. Κάθε ένα εκτελεί μια συγκεκριμένη εργασία. Μεμονωμένα, κανένα από αυτά δεν αρκεί· η σύνθεσή τους είναι αυτό που τα καθιστά αποτελεσματικά. Παρακάτω παρουσιάζονται αυτά τα στοιχεία όπως εφαρμόζονται σε μια ροή εργασιών παρακολούθησης εντολών. Κάθε βασικό στοιχείο συνοδεύεται από μια συγκεκριμένη άσκηση που μπορείτε να δοκιμάσετε οι ίδιοι.

Το Claude, το σύστημα επεξεργασίας φυσικής γλώσσας (LLM), αποτελεί τον μηχανισμό λογικής. Ερμηνεύει την εντολή, αποφασίζει ποια εργαλεία θα χρησιμοποιήσει, τα συντονίζει, διαβάζει τα αποτελέσματα και συντάσσει το τελικό κείμενο. Ο χρήστης δεν χρειάζεται να καθορίσει εκ των προτέρων τίποτα από όλα αυτά.

Τα MCP διαχειρίζονται την πρόσβαση. Για παράδειγμα, ένα MCP βάσης δεδομένων ανακτά τα στοιχεία του χαρτοφυλακίου και των επενδύσεων των αμοιβαίων κεφαλαίων, τα σχετικά μη χρηματοοικονομικά δεδομένα και τις μεθοδολογίες, και εκτελεί τον έλεγχο συμμόρφωσης. Ένας σύνδεσμος Gmail ή Outlook αποστέλλει την ειδοποίηση. Τα εργαλεία καθορίζουν σε ποια συστήματα έχει πρόσβαση το LLM.

Οι δεξιότητες καθορίζουν τον τρόπο με τον οποίο το σύστημα πρέπει να εκτελεί το έργο. Καθοδηγούν το LLM ώστε να εκτελεί μια εργασία με επαναλήψιμο τρόπο, σύμφωνα με ένα συγκεκριμένο σύνολο κριτηρίων, αντί να το κάνει κάθε φορά κατά περίπτωση. Σε ένα παράδειγμα όπου ο Claude διαθέτει τόσο δεξιότητα σύνταξης email όσο και δεξιότητα μορφοποίησης εκθέσεων, η πρώτη κωδικοποιεί τον προτιμώμενο τόνο της εταιρείας, ενώ η δεύτερη κωδικοποιεί τον τρόπο με τον οποίο η εταιρεία επικοινωνεί την ανάλυσή της, όπως τη δομή ενός υπομνήματος της επιτροπής επενδύσεων, τη σειρά με την οποία αναφέρονται οι κίνδυνοι και τον τρόπο παρουσίασης των συστάσεων. Οι δεξιότητες επιτρέπουν στα LLM να εφαρμόζουν στην πράξη τους θεσμικούς τρόπους εργασίας των εταιρειών.

Ο προγραμματισμός είναι το ερέθισμα. Μετατρέπει τη ροή εργασίας από αντιδραστική (εσείς ζητάτε) σε προληπτική (το σύστημα ενεργεί σύμφωνα με τον ρυθμό που έχετε ορίσει). Χωρίς αυτόν, η δημιουργία του ενημερωτικού δελτίου αυτού του παραδείγματος παραμένει αδρανής, περιμένοντας κάποιον να το θυμηθεί.

Το παρακάτω αποτέλεσμα είναι αυτό που παράγουν τα στοιχειώδη αυτά στοιχεία όταν ενοποιούνται από έναν χρήστη: μια ενημερωτική αναφορά συμμόρφωσης με την εταιρική ταυτότητα στο inbox του διαχειριστή χαρτοφυλακίου μέχρι τις 9 το πρωί, γραμμένη με τον χαρακτηριστικό τόνο της εταιρείας, μορφοποιημένη σύμφωνα με τα πρότυπά της, χρησιμοποιώντας επαληθευμένα στοιχεία για τα χαρτοφυλάκια, τις εντολές και τα μη χρηματοοικονομικά δεδομένα που προέρχονται από το σύστημα που είναι συνδεδεμένο με το MCP, χωρίς να έχει δώσει κανείς την εντολή.

Από μόνη της, κάθε βασική λειτουργία έχει περιορισμούς, αλλά όταν συνδυάζονται, το αποτέλεσμα είναι πολλαπλασιαστικό. Αν αφαιρέσεις το χρονοδιάγραμμα, ο αναλυτής πρέπει ακόμα να θυμηθεί να ενεργοποιήσει τη ροή εργασιών. Χωρίς τις απαραίτητες δεξιότητες, η ενημέρωση είναι γενική, μη εφαρμόσιμη και τυχαία. Αν παραμερίσεις το MCP, τα δεδομένα είτε δεν είναι καθόλου διαθέσιμα είτε είναι εντελώς αναξιόπιστα.

Γιατί η ποιότητα των δεδομένων αποτελεί τον πραγματικό περιοριστικό παράγοντα στις ροές εργασίας που βασίζονται στην τεχνητή νοημοσύνη

Τα MCP δεν είναι μαγικά. Η ποιότητα των αποτελεσμάτων που παράγουν αντανακλά άμεσα την ποιότητα των δεδομένων που εισάγονται. Στο παράδειγμα ροής εργασιών που περιγράφηκε παραπάνω, αυτό που μετράει είναι η ποιότητα των μη χρηματοοικονομικών δεδομένων και των δεδομένων σχετικά με τα χαρτοφυλάκια. Εάν τα δεδομένα αυτά είναι αμφίβολα, ολόκληρη η ροή εργασιών είναι άχρηστη.

Κάθε απαραίτητο στοιχείο της ποιότητας των δεδομένων αποτελεί ξεχωριστό επιστημονικό πεδίο:

• Η κάλυψη των δεδομένων απαιτεί τεράστια υπολογιστική ισχύ και εργασίες πρωτογενούς έρευνας, καθώς και ικανότητες μηχανικής μάθησης για την πραγματοποίηση εκτιμήσεων.
• Η διασφάλιση της επικαιρότητας απαιτεί συνεχείς και εξειδικευμένες διαδικασίες διαχείρισης δεδομένων, οι οποίες καλύπτουν τη συλλογή, την επικύρωση και τους κύκλους ανανέωσης δεδομένων από χιλιάδες πηγές.
• Η μεθοδολογική ακρίβεια απαιτεί ρυθμιστική παρακολούθηση, βαθιά εξειδίκευση στον τομέα και συστηματική διαχείριση εκδόσεων σε χιλιάδες δείκτες.
• Η δυνατότητα ελέγχου απαιτεί υποδομή που διατηρεί την προέλευση σε κάθε στάδιο μετασχηματισμού, έτσι ώστε κάθε στοιχείο να μπορεί να ανιχνευθεί μέχρι την πηγή του.

Αυτές οι επιστημονικές ειδικότητες δεν προκύπτουν από ένα πιο εξελιγμένο μοντέλο. Αντίθετα, αναπτύσσονται αργά και μεθοδικά, με το είδος της εξειδίκευσης που δεν χωράει σε ένα παράθυρο περιβάλλοντος. Η συνέπεια είναι δομική. Καθώς τα μοντέλα μετατρέπουν τη συλλογιστική σε εμπορεύσιμο προϊόν, το πλεονέκτημα μετατοπίζεται στο υπόστρωμα: τα δεδομένα.

Πέρα από την αρχιτεκτονική: Τέσσερις ερωτήσεις που πρέπει να θέτετε σε κάθε προμηθευτή τεχνητής νοημοσύνης

Η αρχιτεκτονική που περιγράφεται σε αυτό το άρθρο είναι συγκλίνουσα. Κάθε σοβαρός προμηθευτής θα προσφέρει κάποια εκδοχή της μέσα στα επόμενα χρόνια. Επομένως, τα ερωτήματα που αξίζει να θέσετε στις συζητήσεις με τους προμηθευτές θα πρέπει να επικεντρώνονται στο τι υποστηρίζει αυτή την αρχιτεκτονική.

Ακολουθήστε μας στο LinkedIn ή εγγραφείτε στο ενημερωτικό μας δελτίο για να λαμβάνετε Clarity AI .