چت‌بات هوش مصنوعی مالی

ChartMind از دیدگاه دسترسی به داده مالی از طریق گفتگو متولد شد. چالش ترکیب درک زبان طبیعی با دقت مورد نیاز برای اطلاعات مالی بود—جایی که دقت نه تنها مهم است، بلکه بحرانی است.

ساخت ادغام NLP جذاب بود. کاربران باید سوالات را به زبان خود می‌پرسیدند—"چه اتفاقی برای بیت‌کوین می‌افتد؟" یا "عملکرد تسلا این ماه را به من نشان بده"—و سیستم باید قصد را درک می‌کرد، پارامترهای مرتبط را استخراج می‌کرد و داده مناسب را واکشی می‌کرد. ما مدل‌هایی را آموزش دادیم که اصطلاحات مالی، مراجع زمانی و پرس‌وجوهای مقایسه‌ای را تشخیص دهند.

موتور تجسم به همان اندازه چالش‌برانگیز بود. داده مالی سریع حرکت می‌کند و نمودارها باید به‌روزرسانی بلادرنگ داشته باشند در حالی که عملکرد روان را حفظ می‌کنند. ما خطوط لوله رندر سفارشی ساختیم که می‌توانست چندین جریان داده را همزمان مدیریت کند، با بهینه‌سازی‌هایی که تعاملات پاسخگو را حتی با مجموعه داده‌های پیچیده تضمین می‌کرد.

ادغام چندین ارائه‌دهنده داده مالی نیاز به معماری دقیق داشت. ما به افزونگی برای قابلیت اطمینان، نرمال‌سازی برای سازگاری و استراتژی‌های کش برای عملکرد نیاز داشتیم. نتیجه سیستمی بود که می‌توانست سوالات درباره سهام، ارزهای دیجیتال، کالاها و بیشتر را—همه از طریق گفتگوی طبیعی—پاسخ دهد.