Intelligenza artificiale per migliore i nostri processi di investimento

Il lancio di ChatGPT a novembre 2022 è stato un punto di svolta. Ha scatenato un’immensa ondata di interesse per l’intelligenza artificiale (IA) generativa e le sue possibilità. I leader di virtualmente ogni settore di tutto il mondo stanno ora valutando i potenziali impatti dell’IA sulle loro attività e la gestione patrimoniale non fa eccezione.

Seppure la sua popolarità sia relativamente recente, l’IA non è affatto una novità per T. Rowe Price. Negli ultimi sei anni, abbiamo investito in capacità sui fronti di data science e machine learning per sostenere la nostra attività e ottenere risultati positivi per i clienti. Lungo questo percorso, abbiamo esplorato come sfruttare l’IA per connettere i nostri professionisti degli investimenti con il patrimonio di conoscenze della nostra società, basato su decenni di ricerche e studi.

A tal fine, abbiamo adottato un approccio definito “accrescimento dell’intelligenza” (AI). Anziché automatizzare il processo decisionale, miriamo a dotare i nostri decisori di maggiori dati e conoscenze, inserendo nuove prospettive nel processo d’investimento esistente. A nostro avviso questo approccio è in grado di trasformare i modi in cui lavoriamo e migliorare i risultati che generiamo per i clienti.

Oltre ai benefici offerti dall’IA generativa, crediamo che i nostri approcci potenti alla ricerca collaborativa contribuiscano ad accelerare il processo di apprendimento. Alti dirigenti, gestori di portafoglio, analisti, data scientist, software engineer e user experience designer lavorano così in modo veramente collaborativo. Supportando l’apprendimento collettivo, possiamo gestire efficacemente il panorama in rapida evoluzione della tecnologia IA.

Un modello di accrescimento dell’intelligenza

Il nostro Data Insights Group si è di recente concentrato sulla capacità dei modelli di linguaggio ampio (LLM) di migliorare la generazione di dati e le conoscenze dei nostri gestori di portafoglio e analisti. Gli LLM, di cui ChatGPT è l’esempio più noto, sono modelli di linguaggio computerizzati, addestrati con moli di testo immense per generare risposte di tipo umano a domande o prompt.

La capacità degli LLM di analizzare istantaneamente quantità enormi di dati potrebbe rivelarsi preziosa. La mole complessiva di informazioni disponibili su ogni potenziale investimento che analizziamo è vasta e continua a crescere. Alla luce dell’immensa quantità di ricerche disponibili al pubblico e del vasto archivio di conoscenze delle nostre piattaforme di ricerca interne, tecnologie come l’elaborazione del linguaggio naturale (NLP) stanno dimostrandosi necessarie per aiutare gli analisti a reperire e selezionare le informazioni.

Per superare questa difficoltà, il nostro Data Insights Group sta sviluppando una soluzione destinata a inglobare tutti i dati e le ricerche da noi accumulati in molti anni, al fine di consentire al consulente per gli investimenti appropriato di accedere e reperire tali informazioni molto più agevolmente.

Una soluzione basata su un LLM e individualizzata in funzione delle esigenze dei nostri analisti e gestori di portafoglio ha molteplici utilizzi, che classifichiamo come le tre C: consumo, caratterizzazione e creazione.

Consumo: comporta il modo in cui i dati e le conoscenze vengono reperiti ai fini dell’analisi. Il consumo offre i maggiori incrementi potenziali di produttività nel breve - medio termine. Un analista degli investimenti potrebbe avvalersi di un LLM per agevolare la conoscenza di un potenziale investimento. L’LLM facilita questo processo analizzando e sintetizzando rapidamente una serie aggregata di fonti di informazioni.

L’analista è quindi in grado di dialogare con l’LLM per perfezionare la richiesta. Ciò consentirebbe a un analista di dedicare più tempo alla valutazione dei fattori di differenziazione relativi alle singole società che potrebbero tradursi in buone prospettive di investimento a lungo termine, tramite analisi fondamentale, analisi fattoriale o esami approfonditi dei colloqui con il management.

Caratterizzazione: si riferisce alla capacità dell’IA di analizzare dati non strutturati (come testo o immagini) per individuare pattern complessi ma utili, altrimenti difficilmente identificabili. Per esempio, gli studiosi di data science hanno analizzato il linguaggio utilizzato per anni nei report 10-K, scoprendo così una correlazione tra variazioni impercettibili nella presenza di termini negativi o positivi in tali report e i successivi rendimenti dei titoli. Analogamente, riscontriamo un potenziale enorme nella capacità dell’IA di esaminare in pochi secondi il cambiamento del sentiment nei confronti di un titolo nell’arco del tempo e di confrontarlo con molteplici fonti di dati.

Creazione: fa riferimento al modo in cui un LLM potrebbe essere usato anche per elaborare contenuti quali analisi, aggiornamenti sugli investimenti, verbali di riunioni e altri documenti scritti. L’automazione di parti della creazione di contenuti che un tempo erano manuali consente agli analisti di concentrarsi su analisi e processi decisionali a maggiore valore aggiunto.

Processo decisionale umano ottimizzato, non sostituito

Benché gli strumenti basati su IA abbiano un notevole potenziale di automazione dei compiti e di amplificazione delle conoscenze dei nostri gestori di portafoglio e analisi, siamo consapevoli dei rischi potenziali e della necessità che siano persone a monitorarli e gestirli.

Un rischio fondamentale è costituito dai bias. l’IA accede a moli ampie di informazioni, ma non è in grado di valutarne l’affidabilità. Se i dati utilizzati da uno strumento basato su IA contengono bias, gli algoritmi creati utilizzando tali dati conterranno anch’essi bias. Anche il modo di porre una domanda a uno strumento IA, conosciuta come “prompt,” può introdurre un bias comportamentale. Per esempio, un prompt formulato in modo negativo — quale “trova lacune nella mia tesi” — aumenta il rischio di una risposta caratterizzata da un bias negativo, che potrebbe non essere supportata dai fatti.

Un altro rischio riguarda la trasparenza. I modelli IA possono essere complessi e opachi, rendendo difficile l’individuazione della base di una risposta. Ciò sarà chiaramente al centro dei controlli normativi man mano che le capacità si evolvono. Siamo inoltre consapevoli dei rischi per la privacy e la sicurezza in quanto la formazione e l’utilizzo dei modelli IA comportano il consumo di volumi consistenti di dati.

Tali rischi richiedono prudenza a livello di adozione dell’IA e applicazione dei suoi risultati, mentre i nostri team lavorano per liberarne il potenziale. In ultima analisi, riteniamo che i processi di investimento rafforzati dall’IA richiedano supervisione e governance umane ai fini del successo della gestione attiva.

La nostra soluzione preferita è sfruttare l’IA per migliorare il processo decisionale umano, creare processi più efficienti e consentire ai colleghi che svolgono funzioni fondamentali di concentrarsi sui compiti che generano il massimo valore. Il percorso che abbiamo iniziato sei anni fa, con un team collaborativo di data scientist e professionisti degli investimenti, ci consente di sfruttare l’enorme potenziale di questo panorama in rapida evoluzione.