هوش مصنوعی و تحلیلگر کریپتو؛ کدام برنده است؟

هوش مصنوعی و تحلیلگر کریپتو رقیب هم نیستند، دو ابزار با توانایی‌های متفاوتند که در یک کار مشترک به کمک هم می‌آیند. مدل زبانی در چند دقیقه ده‌ها گزارش را خلاصه می‌کند و الگوهای آماری را بیرون می‌کشد؛ کاری که از تحلیلگر انسانی ساعت‌ها وقت می‌گیرد. اما همان مدل، در جایی که باید بین همبستگی و علیت تمایز بگذارد یا رخدادی را که شبیهش قبلاً ندیده ارزیابی کند، با اطمینان کامل جواب غلط می‌دهد.

این تفاوت، هستهٔ کل بحث است. مدل روی داده‌های گذشته آموزش دیده و قدرتش در بازتولید الگوست؛ بازار اما پدیده‌ای است که قواعدش را خودِ مشارکت‌کنندگانش عوض می‌کنند. وقتی الگویی به‌قدر کافی شناخته شود، همان شناخته‌شدن الگو را بی‌اثر می‌کند.

در این مقاله دقیقاً مشخص می‌کنیم مدل چه کارهایی را بهتر از انسان انجام می‌دهد، در چهار نقطه شکست می‌خورد، تقسیم کار درست چه شکلی است، و چطور می‌شود کیفیت خروجی یک ابزار هوش مصنوعی را سنجید.

هوش مصنوعی در چه کارهایی واقعاً بهتر است؟

برتری مدل در سه چیز است: سرعت، مقیاس و بی‌طرفی نسبت به موضع خودش. مدل پوزیشن باز ندارد، پس نمی‌خواهد تحلیلش درست از آب دربیاید — و همین، مزیت بزرگی نسبت به تحلیلگری است که روی نظرش سرمایه گذاشته.

• خلاصه‌سازی حجم بزرگ متن: ده‌ها گزارش، وایت‌پیپر و بحث فنی را در چند دقیقه به چند بند قابل استفاده تبدیل می‌کند.
• استخراج الگوی آماری: پیدا کردن همبستگی‌ها و شناسایی رفتارهای تکرارشونده در سری‌های زمانی بلند.
• یکنواختی در کار تکراری: مدل خسته نمی‌شود و در معاینهٔ صدمین قرارداد همان‌قدر دقیق است که در اولی.
• ترجمهٔ فنی به زبان ساده: باز کردن مفاهیم پیچیده برای کسی که تازه با بلاک‌چین چیست آشنا شده است.

در مقابل، ادبیات پژوهشی — از مقالات پیش‌انتشار در آرشیو مقالات پیش‌انتشار arXiv تا پژوهش‌های داورشدهٔ نشریهٔ علمی Nature — نشان می‌دهد که در مسائل مربوط به استدلال علّی و تعمیم به شرایط جدید، هنوز شکاف معناداری با قضاوت انسانی متخصص وجود دارد.

چهار جایی که مدل شکست می‌خورد

شکست‌ها تصادفی نیستند؛ الگو دارند و دانستن این الگو، خطاهای پرهزینه را حذف می‌کند.

• یک، دادهٔ تازه: مدل بدون دسترسی زنده، تصویرش از بازار به گذشته گره خورده است. پرسیدن قیمت امروز از مدلی که داده‌اش تازه نیست، دعوت به جواب ساختگی است.
• دو، علیت: مدل همبستگی را خوب پیدا می‌کند و در تشخیص علت ضعیف است. جملهٔ «الف باعث ب شد» را با اطمینان می‌سازد، حتی وقتی هر دو نتیجهٔ عامل سومی باشند.
• سه، رخداد کم‌تکرار: بحران‌ها و شوک‌های ساختاری نمونهٔ آموزشی کافی ندارند. دقیقاً در لحظه‌ای که تحلیل بیشترین ارزش را دارد، مدل کم‌ترین اتکا را دارد.
• چهار، اطمینان کاذب: لحن قاطع مدل مستقل از درستی محتوایش است. خروجی غلط با همان قطعیت خروجی درست بیان می‌شود و این، خطرناک‌ترین ویژگی آن برای کاربر بی‌تجربه است.

این چهار مورد را می‌توان تا حد زیادی مهار کرد: دادهٔ زنده را خودتان بدهید، از مدل بخواهید فرض‌هایش را صریح بنویسد، و هر ادعای عددی را بیرون از مدل راستی‌آزمایی کنید. خودِ سازندگان مدل‌ها هم در گزارش‌هایی مثل پژوهش‌های آنتروپیک روی همین محدودیت‌ها و روش‌های ارزیابی‌شان کار می‌کنند.

تقسیم کار؛ چه کاری به کدام‌یک؟

مؤثرترین چیدمان این است که مدل، لایهٔ آماده‌سازی باشد و انسان، لایهٔ تصمیم. جدول زیر همین تقسیم کار را عملی می‌کند.

ستون آخر همان چیزی است که در عمل بیشترین ارزش را می‌سازد: مدل در نقش دستیار بازبینی فوق‌العاده است، چون در قضاوت معاملات شما ذی‌نفع نیست. مقایسهٔ تفصیلی عملکرد ربات‌های خودکار و معامله‌گر انسانی را در ربات‌های معامله‌گر در برابر معامله‌گر انسانی آورده‌ایم.

گردش کار ترکیبی که جواب می‌دهد

یک چرخهٔ پنج‌مرحله‌ای ساده که هم از سرعت مدل استفاده می‌کند و هم قضاوت را دست خودتان نگه می‌دارد:

• مرحلهٔ یک — دادهٔ خام را خودتان بدهید: اعداد و گزارش‌ها را از منبع معتبر بردارید و در اختیار مدل بگذارید، نه اینکه از مدل بخواهید یادش بیاورد.
• مرحلهٔ دو — درخواست ساختارمند: از مدل بخواهید خلاصه، فرض‌ها و نقاط ضعف تحلیل را جدا بنویسد. نمونهٔ درخواست‌های مؤثر در پرامپت‌های کاربردی تحلیل بازار آمده است.
• مرحلهٔ سه — نقد متقابل: همان خروجی را به مدل برگردانید و بخواهید علیه آن استدلال کند. تحلیلی که نقد متقابل را تحمل نکند، تحلیل نیست.
• مرحلهٔ چهار — راستی‌آزمایی بیرونی: هر عدد را در منبع اصلی چک کنید. ابزارهای این کار را در ابزارهای هوش مصنوعی برای پیش‌بینی بازار فهرست کرده‌ایم.
• مرحلهٔ پنج — تصمیم انسانی: اندازهٔ پوزیشن و افق زمانی را خودتان تعیین کنید؛ این بخش قابل واگذاری نیست.

این چرخه یک مزیت پنهان دارد: مرحلهٔ سوم اغلب ضعف‌های تحلیل خودتان را هم بیرون می‌آورد، نه فقط ضعف خروجی مدل را.

سه انتظار غلط که باید کنار گذاشت

بیشتر ناامیدی‌ها از ابزارهای هوش مصنوعی، نتیجهٔ انتظار غلط است نه ضعف ابزار. سه انتظار رایج را صریح رد کنیم:

• انتظار پیش‌بینی قیمت: هیچ مدلی قیمت آینده را نمی‌داند و مدلی که عدد قطعی می‌دهد، در واقع یک حدس را با لحن قاطع بیان می‌کند.
• انتظار جایگزینی کامل قضاوت: انتخاب اندازهٔ پوزیشن و افق زمانی، تابع تحمل ریسک شماست؛ این یک پارامتر شخصی است نه یک مسئلهٔ محاسباتی.
• انتظار بی‌نیازی از دانش پایه: برای تشخیص خروجی غلط باید موضوع را بشناسید. مدل، دانش شما را چند برابر می‌کند ولی از صفر چیزی نمی‌سازد.

اگر این سه انتظار را کنار بگذارید، چیزی که می‌ماند ابزار بسیار قدرتمندی است: دستیاری که در خلاصه‌سازی، ساختاردهی و نقد بی‌طرفانه از هر همکار انسانی سریع‌تر عمل می‌کند.

چطور کیفیت یک ابزار هوش مصنوعی را بسنجیم؟

تبلیغ ابزارهای «پیش‌بینی با هوش مصنوعی» زیاد است و تشخیص ابزار جدی از ابزار بی‌پشتوانه، با چند پرسش ساده ممکن می‌شود.

اگر ابزاری در ستون سوم چند مورد داشت، فارغ از کیفیت ظاهری خروجی، قابل اتکا نیست. ایجنت‌های خودکاری که مستقیم روی زنجیره عمل می‌کنند هم مشمول همین سنجش‌اند — با ریسک بیشتر، چون خطایشان مستقیم به تراکنش تبدیل می‌شود؛ ساختارشان را در ایجنت‌های هوش مصنوعی روی بلاک‌چین باز کرده‌ایم.

جمع‌بندی؛ هوش مصنوعی و تحلیلگر کریپتو، برنده کیست

در رقابت هوش مصنوعی و تحلیلگر کریپتو برندهٔ واقعی کسی است که هر دو را درست به کار بگیرد. مدل، لایهٔ سرعت و مقیاس است: خلاصه می‌کند، الگو پیدا می‌کند و بی‌طرفانه بازبینی می‌کند. انسان، لایهٔ قضاوت است: علت را تشخیص می‌دهد، رخداد بی‌سابقه را می‌سنجد و ریسک شخصی‌اش را خودش انتخاب می‌کند.

قاعدهٔ عملی کوتاه: دادهٔ زنده را خودت بده، فرض‌ها را از مدل بخواه، خروجی را با نقد متقابل بسنج، هر عدد را بیرون از مدل چک کن و تصمیم نهایی را هرگز واگذار نکن. قیمت لحظه‌ای و ابزار پایش بازار را هم می‌توانی از بازار ارزهای دیجیتال دنبال کنی.

سوالات متداول