07102022 黃淑儀博士[每日財經分析]（版權擁有)
今天重點: [投資管理]中的[人工智能]實施障礙
• 昨天我們討論使用[人工智能]運行[投資策略] ; 強調我們已經在[價值鏈] (value chain)中看到了超過 40 種不同的人工智能應用。
• 繼續以目前的速度增長，那麼 25 年內 ML(Machine learning) 可能會參與 99% 的投資管理。今天我們重點人工智能在實施障礙。
實施障礙
1. 價值證明 (Proof of Value)
• 價值證明 : 人工智能生命週期的第一步是評估每個[用例將交付給業務]的價值和組織，是否擁有所需的數據集滿足，傳遞價值。價值證明會提出以下問題：價值有多大？
• 價值是否可以預測[市場走勢]，並可以用現有的[數據集](datasets)準確地做到？
• 如果我們可以預測市場行為，我們可以做什麼？真的做點什麼？
• 價值證明是幫助理解各種可能的用例，使用現有的數據集，和每個用例項目的總體業務價值。防止{進行重大投資}不提供商業價值。
• 識別當前[數據集]中的差距以備將來使用投資。幫助企業優先考慮對 AI 或 ML 的投資，通過清楚地證明[商業價值]的項目，將有助於確保更廣泛的組織和利益相關者買進。 有助於防止過度設計的解決方案。例如，有如果簡單，則無需考慮深度神經網絡統計模型提供了類似的結果。
今天重點: [投資管理]中的[人工智能]實施障礙
• 昨天我們討論使用[人工智能]運行[投資策略] ; 強調我們已經在[價值鏈] (value chain)中看到了超過 40 種不同的人工智能應用。
• 繼續以目前的速度增長，那麼 25 年內 ML(Machine learning) 可能會參與 99% 的投資管理。今天我們重點人工智能在實施障礙。
實施障礙
1. 價值證明 (Proof of Value)
• 價值證明 : 人工智能生命週期的第一步是評估每個[用例將交付給業務]的價值和組織，是否擁有所需的數據集滿足，傳遞價值。價值證明會提出以下問題：價值有多大？
• 價值是否可以預測[市場走勢]，並可以用現有的[數據集](datasets)準確地做到？
• 如果我們可以預測市場行為，我們可以做什麼？真的做點什麼？
• 價值證明是幫助理解各種可能的用例，使用現有的數據集，和每個用例項目的總體業務價值。防止{進行重大投資}不提供商業價值。
• 識別當前[數據集]中的差距以備將來使用投資。幫助企業優先考慮對 AI 或 ML 的投資，通過清楚地證明[商業價值]的項目，將有助於確保更廣泛的組織和利益相關者買進。 有助於防止過度設計的解決方案。例如，有如果簡單，則無需考慮深度神經網絡統計模型提供了類似的結果。
2. 數據管理 (Data Management)
人工智能需要數據的主要方式有兩種：
1) 監督學習：收集有關過去事件和情況的歷史數據。 有監督的 ML 算法使用這些歷史數據作為稱為“訓練數據集”的輸入來訓練模型預測新的輸出值。
2) 無監督學習數據模式：人工智能可以用於查找數據中的結構和模式，以便算法可以不斷學習和適應。與數據源相關的關係和知識由模型不斷計算並用於預測新的輸出值。
其他障礙
• [投資管理]中的人工智能實施，其他障礙包括：數據存取； 人才存取； 數據質量； 信任和用戶採用； 市場不確定性； 技術成熟度； 數據的系統性偏差； 硬件/軟件成本等等。
最後，使用人工智能模型開發的投資策略是一個涉及多個學科的迭代過程。將來再進行分析。([email protected] <mailto:[email protected]> )
