[ad_1]

وقتی مدیر عامل Man Group ، لوک الیس ، نتایج شرکت سرمایه گذاری خود را با تحلیلگران در میان می گذارد ، او سخنان خود را با دقت انتخاب می کند. او بهتر از بیشتر مردم می داند که ماشین آلات گوش می دهند.

تاج جواهر انسان صندوق پرچین 39 میلیارد دلاری AHL وی است که الگوریتم های آن آرایه های وسیعی از داده ها را برای سیگنال های برنده جستجو می کند که در تصمیمات سرمایه گذاری جای می گیرند.

یکی از گرمترین مناطق در این منطقه “پردازش زبان طبیعی” است ، نوعی هوش مصنوعی که در آن ماشین ها ظرافت های گفتار انسان را جذب می کنند. با استفاده از NLP ، صندوق های تامینی کوانتومی می توانند به طور سیستماتیک و فوری سخنرانی های بانک مرکزی ، گفتگوی رسانه های اجتماعی و هزاران تماس برای سود شرکت ها را هر سه ماه برای سرنخ حذف کنند.

در نتیجه ، همکاران کوانتومی آقای الیس به وی آموزش داده اند که از برخی کلمات و عبارات که الگوریتم ها می توانند به ویژه حساس باشند و باعث ایجاد لرزش در قیمت سهام انسان شود ، اجتناب کند. او برای استفاده از کلمه “اما” بسیار دقیق تر است.

آقای الیس می گوید: “همیشه یک بازی موش و گربه بوده است که مدیران عامل سعی می کنند در انتخاب کلمات هوشمندانه عمل کنند.” “اما ماشین ها می توانند یک کلمه کلامی بگیرند که حتی ممکن است شخص حتی چیزی را متوجه نشود.”

این یک پدیده رو به رشد است. بارگیری ماشینی گزارش های سه ماهه و سالانه در ایالات متحده – که توسط الگوریتمی حذف شده است به جای اینکه توسط انسان خوانده شود – از حدود 360،000 در سال 2003 به 165 میلیون نفر افزایش یافته است. طبق گزارش اخیر اداره ملی تحقیقات اقتصادی ، در سال 2016 در آمریکا. این رقم در سال جاری معادل 78 درصد از کل برداشت ها بود ، در حالی که در سال 2003 این میزان 39 درصد بود.

بارگیری ماشینی درخواستهای 10-K و 10-Q شرکتی

کاغذ – چگونه وقتی دستگاه گوش می دهد چگونه صحبت کنیم: کشف شرکت در دوران هوش مصنوعی – اشاره می کند که شرکت ها می خواهند تجارت خود را به بهترین وجه نشان دهند. آنها دائماً گزارشات را با قابلیت تغییر بیشتر در قالب ماشین ، مثلاً با تغییر قالب بندی جداول ، در نتیجه این تجزیه و تحلیل در حال تکوین ، آماده می کنند.

نویسندگان شان کائو ، وی جیانگ ، بائوژونگ یانگ و آلن ژانگ گفتند: “هر روز شرکت های بیشتری درمی یابند که مخاطبان افشاگری اجباری و داوطلبانه آنها فقط فقط تحلیل گران و سرمایه گذاران انسانی نیستند.” “بخش قابل توجهی از خرید و فروش سهام ناشی از توصیه های ارائه شده توسط روبات ها و الگوریتم هایی است که اطلاعات را با ابزارهای یادگیری ماشین و کیت های پردازش زبان طبیعی پردازش می کنند.”

در سال های اخیر ، سازگاری شرکت ها با واقعیت معامله گران الگوریتمی گام بلندی به جلو برداشته است. این روزنامه دریافت كه از سال 2011 ، شركت ها زبان گزارش ها و نحوه صحبت مدیران در تماس های كنفرانسی را لمس كرده اند تا از واژه هایی كه می توانند پرچم های قرمز را برای گوش دادن به دستگاه تحریک كنند ، جلوگیری كنند.

تصادفی نیست که سال 2011 بود که تیم لوفران و بیل مک دونالد ، دو استاد مالی در دانشگاه نوتردام ، برای اولین بار واژگان دقیق تر و خاص مالی را منتشر کردند که به عنوان ابزاری برای آموزش الگوریتم های NLP محبوب شد.

از سال 2011 ، کلماتی که در فرهنگ لغران-مک دونالد منفی در نظر گرفته شده اند ، در گزارش های شرکت ها به میزان قابل توجهی کاهش یافته است ، در حالی که کلمات منفی در فرهنگ لغت روانشناختی هاروارد – که همچنان نزد خوانندگان محبوب است – چنین روندی را نشان نمی دهند.

علاوه بر این ، با استفاده از نرم افزار تجزیه و تحلیل صدا ، نویسندگان مقاله توسط دفتر تحقیقات اقتصادی ملی دریافتند که برخی از مدیران حتی در هنگام تماس کنفرانسی علاوه بر کلماتی که استفاده می کنند ، صدای آنها را تغییر می دهند.

این روزنامه می گوید: “مدیران شركت هایی كه از خوانندگان بیشتری انتظار می روند ، از نظر صدا و هیجان بیشتری نشان می دهند و این توجیه شواهد حدیثی است كه نشان می دهد مدیران به طور فزاینده ای به دنبال مربیگری حرفه ای هستند تا عملکرد صوتی خود را از نظر قابل اندازه گیری بهبود بخشند.”

برخی از کارشناسان NLP می گویند که بخش روابط سرمایه گذاران برخی از شرکت ها حتی چندین نسخه از نشریات را از طریق چنین سیستم های الگوریتمی اجرا می کنند تا ببینند بهترین نتایج چیست.

یک کلمه می تواند چیزهای زیادی بگوید. . .

مثبت:

فعالانه

رضایتبخش

انقلاب

منفی:

سخت ترش کن

دوباره طراحی شد

گلو تنگ

عدم قطعیت:

ناهنجاری

ظاهر می شود

شفاف سازی

دادخواست:

اعلام

جرم

دادخواهی

منبع: دیکشنری لوگران-مک دونالد

“دسترسی به ابزارهای NLP به یک رقابت تسلیحاتی بین سرمایه گذاران و تیم های مدیریتی تبدیل شده است. ما می بینیم که شرکت های بزرگ به طور فزاینده ای خواهان دستیابی به همان قدرت شلیک به صندوق های تامینی هستند. “، نیک مزینگ ، مدیر تحقیق در Sentieo ، یک بستر تحقیقاتی ، گفت. ما گفتیم: “ما از فردی که تماس می خواند فاصله زیادی نداریم.” خداحافظ سودآوری ما در مقایسه با “ما ضرر ثبت کردیم” زیرا در برخی از مدل های NLP بهتر خوانده می شود. “

با این حال ، آقای مازینگ گفت که الگوریتم های NLP نیز به طور مداوم برای انعکاس تاری روزافزون مدیران شرکت ها سازگار می شوند ، به طوری که در نهایت این یک بازی پایان ناپذیر از آکروبات های زبانی بی نتیجه است.

وی گفت: “تلاش برای” گمراه کردن جلبک ها “در نهایت بی فایده است: خریداران مصرف کننده می توانند بلافاصله مدل طبقه بندی نادرست حکم را گزارش دهند تا هر گونه تلاش خاص برای مثبت دانستن اخبار منفی برای مدت طولانی کارساز نباشد. -n Mazing.

در واقع ، اکثر سیستم های پیچیده NLP به یک لیست ثابت از کلمات حساس اعتماد نمی کنند و برای شناسایی ترکیبات کلمه ای مشکل ساز یا امیدوار کننده و یادگیری سبک های غیر متعارف مدیر عامل طراحی شده اند. به عنوان مثال ، یک مدیرعامل ممکن است معمولاً از کلمه “چالش برانگیز” استفاده کند و غیبت او گویاتر باشد ، در حالی که کسی که هرگز از این کلمه استفاده نمی کند با این کار سیگنال قدرتمندی ارسال می کند.

آقای الیس می گوید ، ماشین آلات هنوز قادر به گرفتن نشانه های غیرکلامی مانند انقباض فیزیکی قبل از پاسخ دادن نیستند ، “اما این فقط مسئله زمان است” و آنها می توانند این کار را انجام دهند.

توییتر:robinwigg

[ad_2]

منبع: tech4life.ir

ایندکسر