Садржај
П:
Како нове могућности машинског учења могу омогућити ископавање докумената о залихама ради финансијских података?
А:
Једна од узбудљивих нових граница машинског учења и АИ је та што су научници и инжињери кренули на различите начине да користе потпуно нове врсте ресурса за предвиђање кретања акција и исхода улагања. Ово је сјајан фактор мењања игара у финансијском свету и револуционише инвестиционе стратегије на врло дубок начин.
Једна од основних идеја за проширивање ове врсте основног истраживања је рачунска лингвистика, која укључује моделирање природног језика. Стручњаци истражују како користити документе, од подношења СЕЦ-а до писама акционара до других периферних извора заснованих на додатку, како би побољшали или прецизирали анализу залиха или развили потпуно нове анализе.
Важно одрицање одговорности је да је све ово изводљиво само потпуно новим напретком неуронских мрежа, машинским учењем и анализом природног језика. Пре појаве МЛ / АИ, рачунарске технологије су углавном користиле линеарно програмирање за "читање" улаза. документи су били претерано неструктурирани да би били корисни. Али, с напретком постигнутим у анализи природног језика у последњих неколико година, научници откривају да је могуће „минерати“ природни језик за мерљиве резултате или другим речима, резултате који се могу израчунати на неки начин.
Неки од најбољих доказа и најкориснијих примера тога су из различитих дисертација и докторског рада доступних на Интернету. У раду, „Примјене машинског учења и рачунске лингвистике у финансијској економији“, објављеног у априлу 2016. године, Лили Гао је с разлогом објаснила релевантне процесе специфичне за ископавање корпорација СЕЦ-а, позиве акционара и друштвене медије.
"Извлачење смислених сигнала из неструктурираних и података са великим димензијама није лак задатак", пише Гао."Међутим, развојем машинског учења и рачунских лингвистичких техника може се извршити обрада и статистичка анализа задатака уал документа, а многе апликације статистичке анализе у друштвеним наукама показале су се успешним." Из Гаос-ове расправе о моделирању и калибрацији у сажетку, целокупни развијени документ показује како неке од тих врста детаља функционишу.
Остали извори за активне пројекте укључују странице попут овог ГитХуб пројекта, а овај ИЕЕЕ извор говори посебно о добијању вредних финансијских информација из „анализе осећаја“.
Дно црта је да употреба ових нових НЛП модела потиче брзу иновацију у кориштењу свих врста докумената, не само за финансијску анализу, већ и за друге врсте најсавременијих открића, замагливши ту традиционално успостављену линију између „језика“ и „ подаци. "