مقاله انگلیسی بررسی مدل‌های هوش مصنوعی مولد برای مدیریت ریسک مالی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط

عنوان فارسی:

بررسی مدل‌های هوش مصنوعی مولد برای مدیریت ریسک مالی

عنوان انگلیسی:

Review of Gen AI Models for Financial Risk Management

کد محصول: H1102

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): ijsrcseit

نام مجله: International Journal of Scientific Research in Computer Science, Engineering and Information Technology

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی:  ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: ۱۵ صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H1102)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

در این مقاله، ما یک نمونه اولیه را برای استفاده از هوش مصنوعی مولد (GenAI) در تحلیل ریسک مالی پیشنهاد و ارائه می‌دهیم، به طور خاص بر روی تنظیم دقیق مدل‌های GPT با داده‌های اختصاصی تمرکز داریم. با توجه به مجموعه‌های داده گسترده و پیچیده‌ای که در مدل‌سازی، توسعه، اعتبارسنجی و تایید ریسک مالی دخیل هستند، چنین وظایفی نیازمند نه تنها تکنیک‌های پیشرفته هوش مصنوعی، بلکه اجرای دقیق نیز هست. این تحقیق بر اهمیت حیاتی نظارت انسانی در کاهش شکست‌های احتمالی که می‌تواند ناشی از مدل‌های ریاضی کاملاً خودکار باشد، تاکید می‌کند. این مطالعه به بررسی کاربرد مدل‌های زبانی بزرگ (LLM) در حوزه‌های مختلف ریسک مالی، مانند ارزیابی ریسک اعتباری، پیش‌بینی ریسک بازار و تشخیص ناهنجاری می‌پردازد. در این پژوهش، تولید داده‌های مصنوعی مدنظر قرار نگرفته است. با این حال، استفاده از روش طبقه‌بندی صفر-شات با بهره‌گیری از مدل‌های Hugging Face و ابزارهای OpenAI مورد توجه قرار گرفته است. نتایج نشان می‌دهد که مدل ChatGPT در تولید پرسش‌های مرتبط، دقت بالای ۷۰ درصد و در انجام وظایف طبقه‌بندی، صحت ۶۰ درصد را به دست آورده است. به‌علاوه، یک پایپ‌لاین نمونه اولیه ارائه شده است که قابلیت‌های هوش مصنوعی مولد (GenAI) را در جریان‌های کاری مالی ادغام می‌کند و امکان پیاده‌سازی آن بر روی سیستم‌های محاسباتی کوچک‌مقیاس وجود دارد. این پایپ‌لاین شامل تست سمت سرور از طریق Flask و نمونه‌سازی سریع با استفاده از دستورات cURL است که رویکردی عملی برای آزمایش و استقرار مدل‌ها ارائه می‌دهد. با تنظیم دقیق GenAI با داده‌های خاص دامنه و بهینه‌سازی فرآیندهای تصمیم‌گیری، این تحقیق پتانسیل تحول‌آفرین ادغام هوش مصنوعی مولد در مدیریت ریسک مالی را برجسته می‌کند. این مطالعه، بینش‌هایی را در مورد بهبود کارایی مدل، انطباق با مقررات و مقیاس‌پذیری ارائه می‌دهد. همچنین، به چالش‌های مهمی مانند مدیریت مجموعه‌های داده بزرگ و اطمینان از استفاده اخلاقی از هوش مصنوعی در سیستم‌های تصمیم‌گیری می‌پردازد. این پژوهش به پیشبرد پذیرش GenAI در تحلیل‌های مالی کمک کرده و زمینه را برای روش‌های نوآورانه، قوی و کارآمد در راستای پشتیبانی از نیازهای در حال تحول بخش مالی فراهم می‌سازد.

واژه‌های کلیدی: هوش مصنوعی مولد (Gen AI)، ریسک مالی، GPT، مدل‌های زبانی بزرگ (LLM)

۱-مقدمه

هوش مصنوعی مولد، به ویژه مدل‌های زبانی بزرگ (LLM) مانند GPT-4، حوزه‌های مختلف را متحول کرده است و پیامدهای مهمی برای کاربردهای مالی دارد. این بررسی به مرور مطالعات اخیر می‌پردازد و بر مشارکت‌ها و روابط متقابل آنها در چشم‌انداز گسترده‌تر تجزیه و تحلیل مالی مبتنی بر هوش مصنوعی تاکید می‌کند…..

۵.نتیجه‌گیری

این پژوهش، پتانسیل تحول آفرین هوش مصنوعی مولد در مدیریت ریسک مالی را نمایان می‌سازد و بر نقش آن در ارتقای تصمیم‌گیری، انطباق با مقررات و تحلیل پیش‌بینانه تاکید می‌کند. سازمان‌ها می‌توانند با به‌کارگیری مدل‌های زبانی بزرگ نظیر GPT، توانمندی‌های پیشرفته را در چارچوب‌های مدل‌سازی ریسک خود ادغام نمایند؛ این امر شامل مواردی چون تولید سناریوهای اقتصاد کلان، شناسایی ناهنجاری‌ها و تحلیل احساسات می‌شود. روش‌شناسی‌های پیشنهادی، پیاده‌سازی‌های کاربردی را ارائه می‌دهند که از آن جمله می‌توان به تنظیم دقیق مدل‌ها با داده‌های خاص دامنه و ادغام سامانه‌های محاسباتی سبک جهت آزمایش و استقرار اشاره نمود…

Abstract  

In this paper, we propose and demonstrate a prototype for leveraging Generative AI (GenAI) in financial risk analysis, specifically focusing on fine-tuning GPT models with proprietary data. Financial risk modeling, development, validation, and approval require not only advanced AI techniques but also careful implementation, given the vast and complex datasets involved in such tasks. The research underscores the critical importance of human oversight in mitigating potential failures that can arise from fully automated mathematical models. The study explores the application of Large Language Models (LLMs) in various financial risk domains, such as credit risk assessment, market risk forecasting, and anomaly detection. While synthetic data generation is excluded from this work, the research highlights the use of zero-shot classification leveraging Hugging Face models and OpenAI tools. ChatGPT achieved over 70% accuracy in generating relevant questions and demonstrated 60% correctness in classification tasks. Additionally, we present a prototype pipeline that integrates GenAI capabilities into financial workflows, which is implementable on small-scale computing systems. This includes backend testing via Flask and rapid prototyping using cURL commands, offering a practical approach to testing and deploying models. By fine-tuning GenAI with domain-specific data and optimizing decision-making processes, this research highlights the transformative potential of integrating generative AI into financial risk management. The study provides insights into enhancing model efficiency, regulatory compliance, and scalability. Moreover, it addresses critical challenges such as handling large datasets and ensuring ethical AI use in decision-making systems. This work contributes to advancing the adoption of GenAI in financial analytics, paving the way for innovative, robust, and efficient methodologies to support the evolving demands of the financial sector.

Keywords : Gen AI, Financial Risk, GPT, LLMs

۱.Introduction

Generative AI, particularly Large Language Models (LLMs) such as GPT-4, has revolutionized various domains, with significant implications for financial applications. This review explores recent studies, emphasizing their contributions and interrelations within the broader landscape of AI-driven financial analytics…

V.Conclusion

This research highlights the transformative potential of Generative AI in financial risk management, showcasing its ability to enhance decision-making, regulatory compliance, and predictive analytics. By leveraging Large Language Models such as GPT, organizations can integrate advanced capabilities into risk modeling frameworks, ranging from macroeconomic scenario generation to anomaly detection and sentiment analysis. The proposed methodologies demonstrate practical implementations, including the fine-tuning of models with domain-specific data and the integration of lightweight computing systems for testing and deployment…