ปัญญาประดิษฐ์กับตลาดและคอมพิวเตอร์｜ตอนที่ 14 ปัจจุบันของ AI การเงิน และอนาคต [นากาโมริ โช]

โปรไฟล์ของ อาโอกุรุระ ฮิซาชิ

อุคุมุระ ฮิซาชิ. จบการศึกษาปริญญาโทภาควิศวกรรมศาสตร์ในปี 1987 หัวข้อคือ AI (ปัญญาประดิษฐ์) ได้พัฒนารูปแบบทางคณิตศาสตร์มากมายที่บริษัท Nikko Securities เคยพัฒนา ร่วมกับศาสตราจารย์ William Sharp แห่งมหาวิทยาลัยสแตนฟอร์ด (ผู้ได้รับรางวัลโนเบลเศรษฐศาสตร์ในปี 1990) พัฒนาร่วมแบบจำลองการลงทุน เผยแพร่ราคาหุ้นในตลาดซื้อขายหลักทรัพย์ออกอากาศทางอินเทอร์เน็ต (เป็นคนแรกของโลก) นอกจากนี้ได้ร่วมก่อตั้งบริษัทสตาร์ทอัปด้วยที่ปรึกษาวิทยาศาสตร์จาก Mossad ประเทศอิสราเอล และนำเทคโนโลยี AI ไปสู่การใช้งานเชิงพาณิชย์ในสนามบินขนาดใหญ่ ทำให้เห็นผลงานในจุดตัดของการเงินและ IT มากมาย ปัจจุบันมีโมเดลประเมินความเห็นนักวิเคราะห์ให้ AI ประเมิน、โมเดลคาดการณ์อัตรา FX ในอนาคตอันใกล้ด้วย AI ชื่อ “FXeye”、และวิเคราะห์กราฟที่แสดงความเสี่ยงและผลตอบแทนใน Twilight Zone เพื่อยกระดับความรู้การเงินให้กับคนญี่ปุ่น จัดอบรมศูนย์การเงินให้ความรู้ทางการเงิน

งานอดิเรกคือหูฟังเสียงและการออกกำลังกาย ได้เริ่มแข่งขันออกกำลังกายแบบแอโรบิคเมื่อ 15 ปีก่อน ได้รับแชมป์ NAC รุ่น Masters ชายเดี่ยว 9 สมัย รองชนะเลิศในปี 2016 ตัวแทนศึกชิงแชมป์ญี่ปุ่นประจำจังหวัดชิบะ 2014-2016 และ 2017-2018 ในญี่ปุ่น แม้จะกล่าวว่าสกิลดีเยี่ยมแต่จริงๆ แล้วเป็น “ผู้ที่บาดเจ็บมือ” และไม่ถนัดกีฬาประเภทลูกบอล คติประจำใจคือ “การตัดสินใจใดๆ ไม่มีความล้าช้าหรือสายเกินไป”

บล็อก:https://okumura-toushi.com/

※บทความนี้เป็นการคัดลอกและแก้ไขจากบทความใน FX攻略.com ประจำเดือนพฤษภาคม 2021 เนื้อหาข้อมูลในบทความอ้างอิงอาจแตกต่างจากสภาวะตลาดในปัจจุบัน กรุณาอ่านด้วยความระมัดระวัง

อะไรคือความแตกต่างระหว่างการเรียนรู้ด้วยเครื่องและการเรียนรู้เชิงลึก?

ในการตีพิมพ์ชุดก่อนหน้า เราได้ดูประวัติและความสำเร็จทางเทคนิคของ AI พร้อมกับหัวข้อของคอมพิวเตอร์และตลาดในยุคเดียวกันตั้งแต่การถือกำเนิด บทความนี้จะพิจารณาว่า AI สามารถนำมาใช้งานจริงในอุตสาหกรรมการเงินได้ถึงไหนในปัจจุบัน

ลักษณะเด่นของ AI ในปัจจุบันคือ “การเก็บข้อมูลขนาดใหญ่และทำการเรียนรู้ด้วยเครื่อง” ซึ่งเป็นสิ่งที่มีมาตั้งแต่ศตวรรษที่ 20

Machine learning มักถูกใช้งานโดยไม่แยกแยะกับ deep learning แต่เป็นสาขาในแขนงที่ต่างกัน Machine learning หมายถึงการที่เครื่องจักรหรือคอมพิวเตอร์เรียนรู้จากข้อมูลที่มีอยู่ วิธีที่พบบ่อยที่สุดคือการเรียนรู้แบบมีผู้สอน ซึ่งมีผู้สอนบอกคำตอบที่ถูกหรือผิดเหมือนกับสาขาเรียนพิเศษ และในกระบวนการเรียนรู้จะมีการกำหนดสิ่งที่จะเรียนล่วงหน้า

ในทางกลับกัน deep learning เป็นสาขาย่อยของ machine learning ที่จำลองกระบวนการทำงานของเซลล์ประสาทของมนุษย์ด้วยนิวรอน เพื่อประมวลผลพฤติกรรมที่ซับซ้อนในหลายชั้น โดยปรับน้ำหนักของชั้นต่างๆ และเปรียบเทียบคำตอบกับข้อมูลลำดับผู้สอนเพื่อการเรียนรู้ ชั้นจึงมีหลายชั้น จึงใช้คำว่า “deep” แม้ว่าความหมายจะไม่เกี่ยวกับจิตวิทยาลึก Deep learning นี้ได้รับความรู้จักอย่างมากหลังจากที่มหาวิทยาลัยมหาโปลิติแจ้งว่ามีผลงานที่ใช้เครือข่ายประสาทเทียมหลายชั้นในการเรียนรู้ที่ทำให้อันดับสูงขึ้นในการแข่งขันภาพถ่าย ILSVRC ซึ่งจัดขึ้นโดยมหาวิทยาลัยสแตนฟอร์ด

※บทความนี้อ้างอิงจาก論文 TrioAM ที่จัดทำ

https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf

การใช้งานข้อมูลภาพเพื่อการเรียนรู้ 1,000 ประเภท จำนวน 1.2 ล้านภาพ เพื่อจำแนกภาพ 1 แสนภาพให้ถูกต้องเป็นหนึ่งในภารกิจ แต่ด้วยความแม่นยำที่เหนือกว่าคู่แข่ง ทำให้ชนะ ผลการค้นคว้าภายหลังมีอิทธิพลสำคัญ และ ณ ปี 2020 บทความนี้มีการอ้างอิงถึงมากกว่า 55,000 ครั้ง เป็นจุดเริ่มต้นของกระแส Deep learning ในระดับโลก

การประมวลผลที่จำเป็นสำหรับ deep learning ไม่ใช่ CPU แต่ใช้หน่วยประมวลผลกราฟิก (GPU) NVIDIA ซึ่งเป็นบริษัทสัญชาติอเมริกันที่ตั้งอยู่ในซานตาคราโลลา รัฐแคลิฟอร์เนีย เปิดตัว CUDA หรือ Compute Unified Device Architecture ซึ่งเป็นแพลตฟอร์มประมวลผลขนานสำหรับ GPU ในปี 2006 ทำให้สามารถใช้งานประสิทธิภาพสูงในการประมวลผลคู่ขนาน และตั้งแต่นั้นม GPU ทั่วไปเป็นอุปกรณ์ที่ขาดไม่ได้สำหรับการเรียนรู้เชิงลึก

NVIDIA ได้ยกระดับมูลค่าบริษัทจากกระแส AI โดยมีมูลค่าตามราคาตลาดประมาณ 39 ล้านล้านเยน ณ สิ้นเดือนกุมภาพันธ์ 2021 ซึ่งสูงกว่า Intel ที่มีมูลค่าประมาณ 27 ล้านล้านเยน ทำให้เป็นบริษัทเซมิคอนดักเตอร์ที่ใหญ่ที่สุดในโลก

※การสร้างโดย TrioAM