تحقیقات بینش

هدف ما در Arabesque AI ایجاد پرتفوی سرمایه گذاری با سیستم هوش مصنوعی قابل تنظیم ، با مدیریت فعال است. انجام این کار به این معنی است که باید بتواند هرگونه حکم را انجام دهد و در یک منطقه تخصص نداشته باشد. این قابلیت کلی یک مشکل اساسی در تحقیقات هوش مصنوعی است و ابعاد زیادی دارد. این می تواند زمان ، جغرافیا یا زمینه را نشان دهد. به عنوان مثال ، در ابعاد زمان شما به مدل های خود نیاز دارید تا از قبل به دنیای بعد از همه چیز (و در طول) کار خود را ادامه دهید. از نظر جغرافیایی ، شما باید در هر نقطه از پرو تا روسیه به عملکرد برسید و از نظر متنی ، ممکن است برای هر دو شرکت نوپا و شرکت های مستقر اقدام کنید. یک هوش مصنوعی عمومی می تواند با محیطی که در آن قرار دارد سازگار شود.

پلت فرم Autocio ما 25،000 سهام ، در 60 کشور جهان و بیش از 80 مبادله با داده های مربوط به زمان در بسیاری از رژیم های بازار را در بر می گیرد. Autocio به شما امکان می دهد استراتژی های بیش از حد رمزگذاری شده ایجاد کرده و بسته به اهداف سرمایه گذاری خود ، میلیون ها پیکربندی بالقوه را کشف کنید. ایجاد چنین تعمیم کار دشواری است - اما حتی بیشتر در داده های مالی - بنابراین برخی از موانع مدل سازان با چه مواردی روبرو هستند؟

تغییر متغیر

یک مشکل که تعمیم را دشوار می کند ، تغییر متغیر است. این زمانی است که ، اگرچه رابطه بین ورودی ها و خروجی ها یکسان است ، توزیع ورودی های شما تغییر می کند. تصور کنید که یک دستگاه تشخیص چهره را در عکس های بی نقص از شما ، شاید عکسهای سر یا تصاویر پروفایل دوستانه آموزش دهید. هنگامی که ما سعی می کنیم اولین چیز را در صبح ، قبل از قهوه ، به چهره شما تعمیم دهیم ، ممکن است شکست بخورد. چهره شما تغییر نکرده است ، اما زمینه وجود دارد ، و بنابراین ممکن است روابط قبلاً آموخته شده حفظ نشود.

مثال دیگر ، که در این مقاله توسط محققان در فیس بوک آورده شده است ، مربوط به طبقه بندی تصاویر گاوها و شترها است. در مجموعه آموزش شما حیوانات در محیط های طبیعی خود قرار دارند. این گاوها در مزارع و شتر در بیابان ها هستند. هنگامی که ما سعی می کنیم تا به زیستگاه های غیر طبیعی تعمیم دهیم ، شاید گاوها در سواحل یا شترهای پارک به طرز تماشایی شکست می خوریم.

گاوها در یک ساحل ممکن است دور از ذهن به نظر برسند ، اما برای کسانی که در داده های دنیای واقعی سر و کار دارند اتفاقات بسیار غریبه ای رخ می دهد. شما باید بتوانید فرصت ها یا خطرات را مشاهده کنید ، اما آنها ارائه شده اند. علیرغم آموزش در سطح گسترده ای از محیط ها ، ممکن است همه محیط هایی که با آنها روبرو می شوند ، غیرممکن باشد. مانترا معمول داده های بیشتر لزوماً به شما کمک نمی کند زیرا هیچ تضمینی وجود ندارد که نمونه شامل اطلاعات مربوطه باشد. پس از ورود به محیط جدیدی که قبلاً دیده نشده است ، محدودیت های اساسی برای اجازه دادن به "صحبت کردن داده" وجود دارد.

گاوها در ساحل - گرفته شده توسط یک محقق (هوشمند) Arabesque AI ، سریلانکا 2017

تغییر روابط

تغییر متغیر فرآیند زمان تغییر زمینه را توصیف می کند ، اما رابطه ورودی و خروجی چنین نیست. یک مشکل غیرقابل تحمل تر زمانی است که رابطه ورودی و خروجی همانطور که اغلب در مورد سری زمانی مالی تغییر می کند تغییر می کند. در تشخیص صورت این مورد پیری ، آسیب دیدگی یا جراحی پلاستیک است ، مادر شما ممکن است شما را تشخیص دهد ، اما یک دستگاه ساده لوح ممکن است اینگونه نباشد. برای گاوها و شترها این شاید نژادهای جدید گاوهای فوق العاده باشد که بیشتر شبیه آرنولد شوارتزنگر نسبت به یک آنگوس معمولی آبردین است ، که برای یک کشاورز قابل تشخیص است اما لزوما طبقه بندی شما نیست. قوانینی که قبلاً آموخته اید ، هرچه زمینه باشد ، ممکن است دیگر آن را حفظ نکند.

در امور مالی ، قوانین با حرکت بازارها از طریق رژیم های نوسانات ، چرخه های نرخ ، گسترش ، تعدیل و انقباضات تغییر می کنند. هرچند روش شما قدرتمند باشد ، داده هایی که مشاهده می کنید فقط بقایای روابط فراموش شده است. یک معامله گر فصلی که چندین دهه زنده مانده است ممکن است تغییر بازار را بهتر از دستگاهی که فقط در داده های اخیر آموزش دیده است ، تشخیص دهد. این هدف برای هوش مصنوعی است.

یک رویکرد جدید

یک مشکل فراگیر در سناریوهای هوش مصنوعی عدم درک داده های ورودی و زمینه آن است. در مثال گاو و شتر ، اگر بگوییم 90 ٪ از همه تصاویر در زیستگاه طبیعی آنها گرفته شده است ، دستگاه شما ممکن است با طبقه بندی هر چیزی در یک منظره سبز به عنوان گاو و هر چیزی در یک منظره قهوه ای به عنوان شتر ، خطای را به حداقل برساند.٪ دقت. مشکل این است که شما مکانیسم علی را که یک گاو را به گاو تبدیل می کند ، کشف نکرده اید ، شما یک همبستگی مبهم را شناسایی کرده اید که تعمیم نمی یابد. در عوض ، ما می خواهیم الگوهای قوی پیدا کنیم.

این مشکلات محققان هوش مصنوعی را به سمت کشف مجدد قدرت مدلهای پیچیده ، هدایت شده توسط دانش خاص دامنه هدایت می کنند. درک ویژگی های داده شما ، زمینه ، ساختار و معنی آنها می تواند منجر به نتایج کاربردی تر شود. مقاله ای که حاوی مثال گاو/شتر است ، یک نمونه از این را نشان می دهد ، رویکردی که آنها به حداقل می رساند خطر خطر (IRM) را نشان می دهد. در این روش داده ها به دو محیط تقسیم می شوند - طبیعی (N) و غیر طبیعی (U). به جای داشتن یک مدل (مانند مثال گاو-دوربین فوق) که با موفقیت 100 ٪ در N و 0 ٪ در U (برای کل 90 ٪) انجام می شود ، ما در عوض یادگیری روابطی را که در محیط ها پایدار هستند ، تشویق می کنیم. ما ممکن است در هر یک از N و U با دقت 75 ٪ به پایان برسیم اما این مدل را مجبور کرده ایم که روی آن ویژگی های تغییر ناپذیر که یک گاو را در هر کجا که باشد ، تمرکز کند - متغیر به سیگنال های محیط زیست که شما یک علت واقعی پیدا کرده ایدارتباط.

در Arabesque AI ما به طور مداوم مدل های خود را تحقیق و به روز می کنیم و وقتی این کار را انجام می دهیم ، می خواهیم پیشرفت هایی را در همه محیط ها مشاهده کنیم ، به این معنی که به احتمال زیاد به جای همبستگی های فریبنده روابط واقعی پیدا کرده ایم. به عنوان یک مثال پایانی جنبه دیگری از تجارت ما - پایداری را در نظر بگیرید. شرکتی که با شیوه های ناپایدار (یا به سادگی فاسد) به موفقیت بزرگی رسیده است ، بعید است عملکرد شما را در نمونه از نمونه ادامه دهید. با این حال ، حتی بیشتر به عنوان قوانین تغییر مشاغل اعمال می شود ، رفتاری که قبل از آن سودآور بود ممکن است دیگر کار نکند. شرکت های متنوع ، پایدار و خوب دولتی بهتر برای زنده ماندن در سناریوهای بازار قرار می گیرند ، آنها برای محیط زیست ثابت تر هستند. بنابراین ، در Arabesque ما معتقدیم که هوش مصنوعی و پایداری با دقت ساخته شده و به محیط هایی که در پیش رو هستند ، کمک می کند.