تسريع الذكاء الاصطناعي في مجال التمويل باستخدام "ميلفوس"، قاعدة بيانات المتجهات مفتوحة المصدر

لطالما كانت البنوك والمؤسسات المالية الأخرى من أوائل المتبنين للبرمجيات مفتوحة المصدر لمعالجة البيانات الضخمة وتحليلها. في عام 2010، بدأ مورغان ستانلي في استخدام إطار عمل أباتشي هادوب مفتوح المصدر كجزء من تجربة صغيرة. كانت الشركة تكافح من أجل توسيع نطاق قواعد البيانات التقليدية بنجاح لتتناسب مع الكميات الهائلة من البيانات التي أراد علماؤها الاستفادة منها، لذلك قررت استكشاف حلول بديلة. أصبح Hadoop الآن عنصرًا أساسيًا في مورغان ستانلي، حيث يساعد في كل شيء بدءًا من إدارة بيانات إدارة علاقات العملاء إلى تحليل المحافظ الاستثمارية. وقد كانت برامج قواعد البيانات العلائقية الأخرى مفتوحة المصدر مثل MySQL وMongoDB وPostgreSQL أدوات لا غنى عنها لفهم البيانات الضخمة في صناعة التمويل.

إن التكنولوجيا هي ما يمنح صناعة الخدمات المالية ميزة تنافسية، وسرعان ما أصبح الذكاء الاصطناعي (AI) هو النهج القياسي لاستخراج الرؤى القيمة من البيانات الضخمة وتحليل النشاط في الوقت الفعلي في قطاعات الخدمات المصرفية وإدارة الأصول والتأمين. ومن خلال استخدام خوارزميات الذكاء الاصطناعي لتحويل البيانات غير المهيكلة مثل الصور أو الصوت أو الفيديو إلى متجهات، وهي صيغة بيانات رقمية يمكن قراءتها آلياً، يمكن إجراء عمليات بحث عن التشابه على مجموعات بيانات متجهة ضخمة بملايين أو مليارات أو حتى تريليونات البيانات. يتم تخزين البيانات المتجهة في مساحة عالية الأبعاد، ويتم العثور على المتجهات المتشابهة باستخدام البحث عن التشابه، الأمر الذي يتطلب بنية تحتية مخصصة تسمى قاعدة بيانات المتجهات.

01 (1).jpg

Milvus عبارة عن قاعدة بيانات متجهات مفتوحة المصدر مصممة خصيصًا لإدارة البيانات المتجهة، مما يعني أنه يمكن للمهندسين وعلماء البيانات التركيز على بناء تطبيقات الذكاء الاصطناعي أو إجراء التحليلات - بدلاً من البنية التحتية الأساسية للبيانات. تم بناء المنصة حول سير عمل تطوير تطبيقات الذكاء الاصطناعي وتم تحسينها لتبسيط عمليات التعلم الآلي (MLOps). للمزيد من المعلومات حول Milvus وتقنيتها الأساسية، راجع مدونتنا.

تشتمل التطبيقات الشائعة للذكاء الاصطناعي في قطاع الخدمات المالية على التداول الخوارزمي، وتكوين المحفظة وتحسينها، والتحقق من صحة النماذج، والاختبار العكسي، وتقديم المشورة الآلية، ومساعدو العملاء الافتراضيون، وتحليل تأثير السوق، والامتثال التنظيمي، واختبار الإجهاد. تغطي هذه المقالة ثلاثة مجالات محددة يتم فيها الاستفادة من البيانات المتجهة كأحد الأصول الأكثر قيمة للشركات المصرفية والمالية:

1. تعزيز تجربة العملاء باستخدام روبوتات الدردشة المصرفية
2. تعزيز مبيعات الخدمات المالية والمزيد باستخدام أنظمة التوصيات
3. تحليل تقارير الأرباح وغيرها من البيانات المالية غير المهيكلة باستخدام التنقيب عن النصوص الدلالية

تحسين تجربة العملاء باستخدام روبوتات الدردشة المصرفية

يمكن لروبوتات الدردشة المصرفية تحسين تجارب العملاء من خلال مساعدة المستهلكين على اختيار الاستثمارات والمنتجات المصرفية وبوالص التأمين. تزداد شعبية الخدمات الرقمية بشكل سريع، ويرجع ذلك جزئيًا إلى الاتجاهات التي تسارعت بسبب جائحة فيروس كورونا. تعمل روبوتات الدردشة الآلية باستخدام معالجة اللغة الطبيعية (NLP) لتحويل الأسئلة التي يرسلها المستخدم إلى متجهات دلالية للبحث عن إجابات مطابقة. تقدم روبوتات الدردشة المصرفية الحديثة تجربة طبيعية مخصصة للمستخدمين وتتحدث بنبرة محادثة. يوفر Milvus نسيج بيانات مناسب تمامًا لإنشاء روبوتات الدردشة الآلية باستخدام البحث عن التشابه المتجه في الوقت الفعلي.

تعرف على المزيد في عرضنا التوضيحي الذي يغطي إنشاء روبوتات الدردشة الآلية باستخدام Milvus.

02 (1).jpg

تعزيز مبيعات الخدمات المالية وأكثر من ذلك باستخدام أنظمة التوصية:

يستخدم قطاع الخدمات المصرفية الخاصة أنظمة التوصية لزيادة مبيعات المنتجات المالية من خلال توصيات مخصصة تستند إلى ملفات تعريف العملاء. يمكن أيضًا الاستفادة من أنظمة التوصية في الأبحاث المالية والأخبار التجارية واختيار الأسهم وأنظمة دعم التداول. وبفضل نماذج التعلم العميق، يتم وصف كل مستخدم وعنصر على أنه متجه تضمين. توفر قاعدة البيانات المتجهة مساحة تضمين حيث يمكن حساب أوجه التشابه بين المستخدمين والعناصر.

تعرّف على المزيد من عرضنا التوضيحي الذي يغطي أنظمة التوصية القائمة على الرسم البياني باستخدام Milvus.

تحليل تقارير الأرباح وغيرها من البيانات المالية غير المنظمة باستخدام التنقيب عن النصوص الدلالية:

كان لتقنيات التنقيب عن النصوص تأثير كبير على الصناعة المالية. ومع نمو البيانات المالية بشكل كبير، برز التنقيب في النصوص كمجال بحثي مهم في مجال التمويل.

يتم تطبيق نماذج التعلم العميق حاليًا لتمثيل التقارير المالية من خلال ناقلات الكلمات القادرة على التقاط العديد من الجوانب الدلالية. تستطيع قاعدة بيانات المتجهات مثل Milvus تخزين متجهات الكلمات الدلالية الضخمة من ملايين التقارير، ثم إجراء عمليات بحث عن التشابه عليها في أجزاء من الثانية.

تعرّف على المزيد حول كيفية استخدام كومة القش في deepset مع Milvus.

لا تكن غريباً

• ابحث أو ساهم في Milvus على GitHub.
• تفاعل مع المجتمع عبر Slack.
• تواصل معنا على تويتر.