هوش مصنوعی در مالی؛ سه مرحله خزیدن، راه‌رفتن، دویدن
بسیاری از متخصصان مالی می‌دانند هوش مصنوعی در مالی می‌تواند کمکشان کند، اما نمی‌دانند از کجا شروع کنند. یک راه ساده، چارچوب سه‌مرحله‌ای «خزیدن، راه‌رفتن، دویدن» است: اول کارهای تکراری، بعد تحلیل ساده و در نهایت تحلیل‌های بزرگ‌تر با کد. در این نوشته هر مرحله را با مثال توضیح می‌دهیم.
مرحله اول: خزیدن و صرفه‌جویی در کارهای تکراری
برای شروع لازم نیست مدل هوش مصنوعی بسازید. در دسترس‌ترین ابزار، یک دستیار گفت‌وگومحور است. اگر قبلاً امتحان کرده‌اید و پاسخ‌ها به دردتان نخورده، احتمالاً مشکل از پرامپت مبهم بوده است. با ابزار طوری رفتار نکنید که انگار موتور جست‌وجو است؛ آن را مثل یک دستیار انسانی ببینید.
چارچوب سه‌بخشی برای پرامپت
برای نوشتن پرامپت بهتر، سه چیز را بگویید:
- زمینه: شما کی هستید و موقعیت چیست.
- جزئیات: اطلاعات مشخص مسئله.
- دستور: دقیقاً چه خروجی می‌خواهید.
مثال: نوشتن یک نامه یادآوری برای بدهی معوق. اگر فقط بنویسید «یک نامه مطالبه بنویس»، خروجی کلی خواهد بود. اما بنویسید: «من حسابدارم و مشتری من فاکتوری دارد که دو ماه دیرکرد دارد. یک متن مکاتبه برای او بنویس.» همین زمینه خروجی را بسیار نزدیک‌تر به نیاز شما می‌کند.
حتی اگر پیش از ارسال متن را ویرایش کنید، باز هم وقت شما کمتر گرفته می‌شود. از همین ابزار برای کارهای ساده دیگر، مثل پژوهش درباره رویه‌های حسابداری هم می‌توان استفاده کرد. نمونه‌های بیشتر در پرامپت برای حسابداری و مالی آمده است.
مرحله دوم: راه‌رفتن و خودکارسازی تحلیل ساده
در این مرحله، از هوش مصنوعی برای تحلیل مالی کمک می‌گیرید. ابزار نه‌فقط فرمول‌نویسی می‌کند، بلکه بر اساس داده‌هایتان روش تحلیل هم پیشنهاد می‌دهد.
مثال: تحلیل نیروی انسانی. مراحل پیشنهادی:
- یک فایل نمونه اکسل را بارگذاری کنید.
- از ابزار بخواهید در نقش یک مشاور ارشد، ارائه‌ای برای هیئت‌مدیره آماده کند.
- بخواهید نمودارهای پشتیبان تحلیل را هم بسازد.
- وقتی از توصیه‌ها راضی بودید، بخواهید مراحل اجرای همین تحلیل در اکسل را قدم‌به‌قدم بنویسد.
- همان مراحل را روی فایل واقعی خود اجرا کنید تا تحلیل و نمودارها دوباره ساخته شوند.
هشدار مهم: داده حساس را در نسخه عمومی این ابزارها بارگذاری نکنید. برای فایل‌های نمونه، اعداد را ساختگی یا ناشناس کنید. درباره مرزهای استفاده، چه زمانی به هوش مصنوعی نیاز نداریم را ببینید.
مرحله سوم: دویدن و تحلیل‌های پیچیده‌تر
دستیارهای گفت‌وگومحور محدودیت‌هایی دارند:
- محرمانگی داده: همان‌طور که گفتیم، داده حساس را نباید بارگذاری کرد.
- اشتراک‌گذاری: نتیجه کار، مثل فرمول‌هایی که ساخته، به‌راحتی برای بقیه همکاران قابل‌اشتراک و بازبینی نیست.
- حجم داده: مجموعه داده‌های بزرگ را به‌راحتی پردازش نمی‌کند.
راه‌حل پایتون است؛ زبان برنامه‌نویسی رایجی که این ابزارها برای تحلیل از آن استفاده می‌کنند. می‌توانید از ابزار بخواهید کد پایتون را نشان بدهد و آن را در محیط‌هایی مثل گوگل کولب، آژور مایکروسافت یا ویژوال استودیو اجرا کنید، تا هر تعداد فایل خصوصی را تحلیل کنید.
این رویکرد چند مزیت دارد:
| مزیت | توضیح |
|---|---|
| قابلیت اشتراک | فایل‌های کولب مثل اسناد و صفحه‌گسترده‌های گوگل با همکاران به اشتراک گذاشته می‌شوند |
| ردپای حسابرسی | کد پایتون نشان می‌دهد تحلیل چطور انجام شده و دیگران می‌توانند صحتش را بازبینی کنند |
| یادگیری | اگر درباره بخشی از کد سؤال دارید، می‌توانید از ابزار بخواهید توضیحش دهد |
بخش «ردپای حسابرسی» برای تیم مالی اهمیت زیادی دارد. هر تحلیلی که بدون ثبت مراحل انجام شود، در بازبینی قابل دفاع نیست. برای حاکمیت و کنترل‌ها هم کنترل‌های حاکمیتی هوش مصنوعی در مالی را ببینید.
نقشه راه شروع
پس از آشنایی با سه مرحله، این ترتیب را پیشنهاد می‌کنیم:
- هفته اول: فقط کارهای تکراری متنی، مثل پیش‌نویس نامه‌ها و خلاصه‌کردن سیاست‌های حسابداری.
- هفته‌های بعد: تحلیل‌های کوچک با داده ناشناس و پرسیدن روش اجرا در اکسل.
- وقتی نیاز به حجم یا اشتراک‌گذاری پیدا کردید: سراغ کد و محیط‌های اجرای ابری بروید.
با گذشت زمان می‌توانید ابزارهای تخصصی‌تری را هم بررسی کنید که مدیریت هزینه، حسابرسی و تحلیل انحراف را خودکار می‌کنند؛ مثلاً ابزارهایی که قیمت نرم‌افزارها را مقایسه می‌کنند، هزینه‌های غیرعادی را غربال می‌کنند و کدگذاری هزینه‌ها را خودکار انجام می‌دهند.
پرسش‌های متداول
چرا پاسخ‌های هوش مصنوعی گاهی بی‌فایده است؟ معمولاً چون پرامپت مبهم است. زمینه، جزئیات و دستور روشن بدهید.
آیا می‌توانم داده واقعی شرکت را بارگذاری کنم؟ در نسخه عمومی خیر. از داده نمونه یا ناشناس استفاده کنید و تحلیل نهایی را روی فایل واقعی در محیط امن اجرا کنید.
چرا سراغ پایتون برویم؟ چون حجم بالای داده را تحمل می‌کند، داده خصوصی را در محیط کنترل‌شده نگه می‌دارد و کد، ردپایی برای بازبینی دیگران است.
آیا برای شروع باید برنامه‌نویسی بدانم؟ خیر. در مرحله اول و دوم فقط نوشتن پرامپت و اکسل کافی است و برای پایتون هم می‌توانید از ابزار بخواهید کد را توضیح دهد.
جمع‌بندی
برای به‌کارگیری هوش مصنوعی در مالی نیازی به شروع بزرگ نیست. اول با پرامپت‌های روشن کارهای تکراری را سبک کنید، بعد تحلیل‌های ساده را با نمونه داده بیازمایید و در نهایت با پایتون سراغ داده‌های بزرگ و قابل‌بازبینی بروید. در همه مراحل محرمانگی داده را رعایت کنید و خروجی را قبل از استفاده بررسی کنید.