Jump Trading: რაოდენობრივი კვლევის ზრდა ChatGPT‑ით

Jump Trading რაოდენობრივ მეთოდებზე დაფუძნებული სავაჭრო კომპანიაა. ის ქმნის პროგნოზირების მოდელებს, რომლებიც საბაზრო მონაცემებს, სიახლეებსა და მოვლენებს, ასევე სხვადასხვა ალტერნატიულ მონაცემთა წყაროს იყენებს აქტივების ფასების რაც შეიძლება ზუსტად პროგნოზირებისთვის. ბაზრები რთულია, ხმაურიანია და დროთა განმავლობაში იცვლება, ამიტომ მოვლენების ზუსტად წინასწარმეტყველება იშვიათადაა შესაძლებელი. თუმცა, Jump-ში LLM-ის კვლევისა და განვითარების ხელმძღვანელის, ლუკას ბეიკერის თქმით, დიდი მასშტაბით მუშაობისას წარმატებული სტრატეგიისთვის საკმარისია პროგნოზი მონეტის აგდებაზე ოდნავ უკეთეს შედეგს მაინც იძლეოდეს.

ბეიკერი აგენტებზე დაფუძნებულ კვლევასა და განვითარებას ხელმძღვანელობს. მისი მთავარი ამოცანაა აგენტების, სარტყელებისა და ინფრასტრუქტურის შექმნა, რომლებიც რაოდენობრივი კვლევის სპეციალისტებს საკუთარი იდეების უფრო ფართოდ და სიღრმისეულად შესწავლის საშუალებას აძლევს. GPT‑6 Astra-ს დამატებამ მკვეთრად გაზარდა იმ სამუშაო პროცესების მასშტაბი და სირთულე, რომელთა გადაბარებაც აგენტებისთვისაა შესაძლებელი — ყოველდღიური კოდის წერიდან ახალი ჰიპოთეზების შესამოწმებელ სიღრმისეულ რაოდენობრივ კვლევებამდე.

ბოლო ერთი წლის განმავლობაში ხელოვნური ინტელექტი დამხმარე ხელსაწყოდან, რომელიც კოდის ცალკეული ფრაგმენტების წერასა თუ მცირე შეცდომების პოვნაში გამოდგებოდა, მძლავრ, მრავალმხრივ სისტემად იქცა. ახლა მას სრული კოდური ბაზებისა და სერვისების დამოუკიდებლად შექმნა შეუძლია. ბეიკერი და მისი გუნდი ახლა ხედავენ, რომ ხელოვნური ინტელექტი საუკეთესოდ მუშაობს, როცა მას უფრო კოლეგასავით ეპყრობიან. მკვლევრებს შეუძლიათ განსაზღვრონ ძირითადი პრობლემა, სამუშაო გარემო და შედეგების ხარისხისა და მნიშვნელობის შეფასების გზა. შემდეგ კი რეალურ დროში მისცენ ერთ ან რამდენიმე აგენტს მითითება, რაზე გაამახვილონ ანალიზი ან რომელი დავალება შეასრულონ შემდეგ.

ბეიკერის თქმით, GPT‑6 Astra-ს მეშვეობით აგენტებს ახლა არა მხოლოდ მნიშვნელოვანი და პრაქტიკული ცვლილებების პოვნა შეუძლიათ, არამედ ამ მიღწევების გაერთიანება და ერთმანეთზე დაშენებაც, რეკურსიული გაუმჯობესების პროცესში. ერთი ხანგრძლივი დავალების შესრულებისას სისტემას შეუძლია საკუთარი მიგნებების გაანალიზება, მათი საწყის წინადადებაში შეთანხმებული კრიტერიუმებით შეფასება და მუშაობის მიმართულების აქტიურად შეცვლა. ამისთვის ცვლილებების ყოველი ციკლის ადამიანის მიერ გაანალიზება აღარ სჭირდება. როგორც თავად ამბობს: „შეგიძლიათ განსაზღვროთ დავალება, რომლის შესრულებასაც დღეები სჭირდება — მან მრავალი წყაროდან უნდა მოიპოვოს მონაცემები, ფაქიზი განსჯით გაარჩიოს, რა არის მნიშვნელოვანი და რა არა, და ყველაფერი ერთმანეთთან დააკავშიროს. ასე უკვე შესაძლებელია ყოვლისმომცველი ანალიზის შექმნა, რომელიც რეალურად მუშაობს.“

Jump Trading ყველა დროით ჰორიზონტსა და აქტივების კლასზე მუშაობს. პროცესის ყოველი ეტაპი რთულია. ფინანსების მსგავს მკაცრად რეგულირებულ სფეროში კი შეცდომებს შეიძლება მოჰყვეს როგორც ფინანსური დანაკარგი, ისე რეგულაციებთან შესაბამისობის პრობლემები. ბეიკერის თქმით, აუცილებელია იმ რისკების გაცნობიერება, რომლებსაც ხელოვნური ინტელექტისთვის სამუშაოს მინდობა წარმოშობს. ამავდროულად, აგენტების ინტელექტი შეიძლება არა მხოლოდ ფუნქციების დასამატებლად, არამედ ხარისხის, უსაფრთხოებისა და მონიტორინგის გასაუმჯობესებლადაც გამოვიყენოთ. სისტემის გამართული არქიტექტურა და საზღვრები, მკაფიო შეზღუდვები, მართვისა და დაკვირვების ხელშემწყობი ინფრასტრუქტურა და ცვლილებების ადამიანის მიერ შემოწმება Jump Trading-ის გუნდს ეხმარება, ხელოვნურ ინტელექტზე დაფუძნებული სამუშაო პროცესები რეგულირებულ გარემოში მასშტაბის გასაზრდელად მოამზადოს.

„თუ გაქვთ უსაფრთხო გარემო, სადაც აგენტს ან სისტემას თავისუფლად შეუძლია ნებისმიერი საჭირო შედეგის მიღება, მაგრამ ბოლოს ამ შედეგს ადამიანი ამოწმებს, აუცილებელ ვალიდაციას ატარებს და ადასტურებს — სწორედ ეს გვაძლევს თავდაჯერებულობას“, — ამბობს ის. მაგალითად, თუ აგენტი სავაჭრო სიგნალს ქმნის, მისი გამოყენების ფარგლები ისევე განისაზღვრება და მოწმდება, როგორც ნებისმიერი სხვა შედეგის: ეს არის სიგნალი, ჩვეულებრივ ინფორმაციული, თუმცა შესაძლოა მცდარიც. შემდეგ ის ყველა სხვა სიგნალთან ერთიანდება მკაცრად შემოწმებულ და კონტროლირებად შესრულების გარემოში.

ბეიკერის აზრით, მივდივართ სამყაროსკენ, სადაც „ავტოკვლევა“ — ანუ მკვლევარი აგენტების მიერ გაზომვადი სისტემების რეკურსიული გაუმჯობესება — იმდენად გავრცელდება, რომ რაოდენობრივი კვლევის სპეციალისტის ჩვეულებრივი სამუშაო პროცესის ნაწილად ჩაითვლება. დღეს GPT‑6 Astra-ს ყველაზე ხანგრძლივი სამუშაოც კი მოიცავს რეგულარულ გადამოწმებას დავალების განმსაზღვრელ ადამიანთან. თანხმდება არა მხოლოდ ის, თუ რომელი მონაცემებია მოსაპოვებელი, რამდენ ხანს უნდა გაგრძელდეს მუშაობა და რა ითვლება მნიშვნელოვნად, არამედ ისიც, რამდენად ლოგიკურია შუალედური შედეგები. განვითარებული ავტოკვლევაც ადამიანის მიერ განსაზღვრული სისტემით დაიწყებოდა — შემავალი მონაცემებით, გარემოს აღწერით, შეფასების საზომებით, კომპრომისებითა და საერთო პრიორიტეტებით. დანარჩენი პროცესი კი თავისუფლად ორგანიზებულ აგენტების „ფლოტს“ მიენდობოდა, რომლის კოორდინაციასაც სხვა აგენტები გასწევდნენ. კვლევის კარგად აწყობილ პროცესში ეს აგენტები შეძლებდნენ გონივრული გადაწყვეტილებების მიღებას: როგორ შეესწავლათ იდეები, გაენაწილებინათ გამოთვლითი დრო და გამოეყენებინათ იმედისმომცემი მიგნებები. ამ ყველაფრის დასაწყებად კი, ფაქტობრივად, მხოლოდ პასუხგაუცემელი კითხვა დასჭირდებოდათ.

„როგორი იქნება, როცა ამ ყველაფრის ერთიან პროცესად აწყობას შეძლებთ, დასვამთ ზოგად კითხვას, რომლის პასუხიც თავადაც არ იცით, და სასარგებლო შედეგს მიიღებთ?“ — კითხულობს ის. „თუ ათასწლეულის ამოცანის ამოხსნა შეგიძლიათ, ალბათ რაოდენობრივი ფინანსების შესახებაც საკმაოდ საინტერესო ფაქტებს აღმოაჩენთ.“

ყოველ წელს უმჯობესდებოდა არა მხოლოდ საორიენტაციო ტესტების მაჩვენებლები, არამედ ძირეულად იცვლებოდა იმ სამუშაოების ტიპიც, რომელთა შესრულებაც მოდელებს შეეძლოთ. ხშირად ამ წინსვლის განჭვრეტა რამდენიმე თვით ადრეც კი რთული იყო: თუ 2024 წელს ადრეული აგენტების მიერ ერთი ფაილის უშეცდომოდ დაწერა შთამბეჭდავად ითვლებოდა, 2025 წელს უკვე შესაძლებელი გახდა სრული კოდური ბაზების ნულიდან შექმნა, ხოლო 2026 წელს — პასუხგაუცემელ კვლევით საკითხებში წინსვლა მრავალი აგენტის დინამიკური, ერთობლივი მუშაობით. „რა გვექნება მომავალ წელს?“ — ამბობს ის. „წინ მართლაც საოცარი შესაძლებლობები გველის.“