ChatGPT ಜೊತೆ ಜಂಪ್ ಟ್ರೇಡಿಂಗ್ ಸಂಶೋಧನೆಯ ವಿಸ್ತರಣೆ

ಪರಿಮಾಣಾತ್ಮಕ ವಹಿವಾಟು ಸಂಸ್ಥೆಯಾದ ಜಂಪ್ ಟ್ರೇಡಿಂಗ್, ಆಸ್ತಿಗಳ ಬೆಲೆಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ನಿಖರವಾಗಿ ಊಹಿಸುವ ಮಾದರಿಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ. ಇವು ಮಾರುಕಟ್ಟೆ ದತ್ತಾಂಶ, ಸುದ್ದಿ ಮತ್ತು ಘಟನೆಗಳು ಹಾಗೂ ವಿವಿಧ ಪರ್ಯಾಯ ದತ್ತಾಂಶ ಮೂಲಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಮಾರುಕಟ್ಟೆಗಳು ಸಂಕೀರ್ಣವಾಗಿದ್ದು, ಅಸ್ಪಷ್ಟ ಸಂಕೇತಗಳಿಂದ ಕೂಡಿರುತ್ತವೆ ಮತ್ತು ಕಾಲಕ್ರಮೇಣ ಬದಲಾಗುತ್ತವೆ. ಹೀಗಾಗಿ ಏನಾಗಲಿದೆ ಎಂದು ನಿಖರವಾಗಿ ಊಹಿಸುವುದು ಅಪರೂಪಕ್ಕೆ ಮಾತ್ರ ಸಾಧ್ಯ. ಆದರೆ ಜಂಪ್‌ನ LLM ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಮುಖ್ಯಸ್ಥ ಲೂಕಸ್ ಬೇಕರ್ ಪ್ರಕಾರ, ನಾಣ್ಯ ಚಿಮ್ಮಿ ಊಹಿಸುವುದಕ್ಕಿಂತ ತುಸು ಉತ್ತಮವಾಗಿ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಮುನ್ಸೂಚನೆ ನೀಡಿದರೂ ಸಾಕು, ತಂತ್ರವೊಂದು ಯಶಸ್ವಿಯಾಗಬಲ್ಲದು.

ಏಜೆಂಟ್ ಆಧಾರಿತ ಸಂಶೋಧನೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಯನ್ನು ಬೇಕರ್ ಮುನ್ನಡೆಸುತ್ತಾರೆ. ಪರಿಮಾಣಾತ್ಮಕ ಸಂಶೋಧಕರು ತಮ್ಮ ಆಲೋಚನೆಗಳನ್ನು ಇನ್ನಷ್ಟು ವ್ಯಾಪಕವಾಗಿ ಮತ್ತು ಆಳವಾಗಿ ಅನ್ವೇಷಿಸಲು ನೆರವಾಗುವ ಏಜೆಂಟ್‌ಗಳು, ಪೂರಕ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಮೂಲಸೌಕರ್ಯವನ್ನು ನಿರ್ಮಿಸುವತ್ತ ಅವರು ಗಮನಹರಿಸಿದ್ದಾರೆ. GPT‑6 Astra ಸೇರ್ಪಡೆಯಿಂದ ಏಜೆಂಟ್‌ಗಳಿಗೆ ವಹಿಸಬಹುದಾದ ಕಾರ್ಯಪ್ರವಾಹಗಳ ಪ್ರಮಾಣ ಮತ್ತು ಸಂಕೀರ್ಣತೆ ಬಹಳಷ್ಟು ಹೆಚ್ಚಿದೆ. ದೈನಂದಿನ ಸಂಕೇತಲೇಖನದಿಂದ ಹಿಡಿದು ಹೊಸ ಊಹೆಗಳನ್ನು ದೃಢೀಕರಿಸುವ ಸುಧಾರಿತ ಪರಿಮಾಣಾತ್ಮಕ ಅಧ್ಯಯನಗಳವರೆಗೆ ಇವು ವ್ಯಾಪಿಸಿವೆ.

ಕಳೆದ ಒಂದು ವರ್ಷದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬಹಳ ಬದಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಕ್ಕೆ ಸಣ್ಣ ಸಂಕೇತಭಾಗಗಳನ್ನು ಬರೆಯಲು ಅಥವಾ ಸಣ್ಣ ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ನೆರವಾಗುತ್ತಿದ್ದ ಸಾಧನ, ಈಗ ಸಂಪೂರ್ಣ ಸಂಕೇತಸಂಗ್ರಹಗಳು ಮತ್ತು ಸೇವೆಗಳನ್ನು ಸ್ವತಃ ಅಭಿವೃದ್ಧಿಪಡಿಸಬಲ್ಲ ಸಮರ್ಥ, ಬಹುಮುಖ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಸಹೋದ್ಯೋಗಿಯಂತೆ ಪರಿಗಣಿಸಿದಾಗ ಅದು ಅತ್ಯುತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದು ಈಗ ಬೇಕರ್ ಮತ್ತು ಅವರ ತಂಡದ ಅನುಭವ. ಸಂಶೋಧಕರು ಮುಖ್ಯ ಸಮಸ್ಯೆ, ಕಾರ್ಯಪರಿಸರ ಹಾಗೂ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಹತ್ವವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ವಿಧಾನವನ್ನು ನಿರ್ಧರಿಸಬಹುದು. ಬಳಿಕ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಎಲ್ಲಿ ಗಮನಹರಿಸಬೇಕು ಅಥವಾ ಮುಂದೆ ಯಾವ ಕೆಲಸ ನಡೆಸಬೇಕು ಎಂಬುದರ ಬಗ್ಗೆ ಒಂದು ಅಥವಾ ಹಲವು ಏಜೆಂಟ್‌ಗಳಿಗೆ ಕೆಲಸ ನಡೆಯುತ್ತಿರುವಾಗಲೇ ಮಾರ್ಗದರ್ಶನ ನೀಡಬಹುದು.

GPT‑6 Astra ಮೂಲಕ ಏಜೆಂಟ್‌ಗಳು ಈಗ ಅರ್ಥಪೂರ್ಣ, ಪ್ರಾಯೋಗಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವುದಷ್ಟೇ ಅಲ್ಲದೆ, ಆ ಯಶಸ್ಸುಗಳನ್ನು ಒಗ್ಗೂಡಿಸಿ, ಒಂದರ ಮೇಲೆ ಮತ್ತೊಂದು ಕಟ್ಟುತ್ತಾ ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸಬಲ್ಲವು ಎಂದು ಬೇಕರ್ ಹೇಳುತ್ತಾರೆ. ದೀರ್ಘಕಾಲ ನಡೆಯುವ ಒಂದೇ ಕಾರ್ಯದ ಅವಧಿಯಲ್ಲಿ ವ್ಯವಸ್ಥೆಯು ತನ್ನ ಸಂಶೋಧನಾ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ಆರಂಭಿಕ ಪ್ರಸ್ತಾವನೆಯಲ್ಲಿ ಒಪ್ಪಿಕೊಂಡ ಮಾನದಂಡಗಳಿಗೆ ಹೋಲಿಸಿ ನಿರ್ಣಯಿಸಬಲ್ಲದು. ಪ್ರತಿ ಸುತ್ತಿನ ಬದಲಾವಣೆಗಳನ್ನು ವ್ಯಕ್ತಿಯೊಬ್ಬರು ವಿಶ್ಲೇಷಿಸಬೇಕಾಗಿಲ್ಲ; ತನ್ನ ಪ್ರಯತ್ನಗಳ ದಿಕ್ಕನ್ನು ತಾನೇ ಬದಲಿಸಬಲ್ಲದು. ಅವರ ಮಾತಿನಲ್ಲಿ, “ಹಲವು ದಿನಗಳ ಕಾಲ ನಡೆಯಬೇಕಾದ ಕಾರ್ಯವೊಂದನ್ನು ನೀವು ನಿರ್ಧರಿಸಬಹುದು. ಅದು ಹಲವು ದತ್ತಾಂಶ ಮೂಲಗಳಿಂದ ಮಾಹಿತಿ ಪಡೆಯಬೇಕು, ಯಾವುದು ಮುಖ್ಯ, ಯಾವುದು ಅಲ್ಲ ಎಂಬ ಸೂಕ್ಷ್ಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು, ಎಲ್ಲದರ ನಡುವಿನ ಸಂಬಂಧವನ್ನೂ ಗುರುತಿಸಬೇಕು. ಹೀಗೆ ನಿಜವಾಗಿಯೂ ಉಪಯೋಗಕ್ಕೆ ಬರುವ ಸಮಗ್ರ ವಿಶ್ಲೇಷಣೆಯನ್ನು ರೂಪಿಸುವುದು ಈಗ ಸಾಧ್ಯವಾಗಿದೆ.”

ಜಂಪ್ ಟ್ರೇಡಿಂಗ್ ಎಲ್ಲ ಕಾಲಾವಧಿಗಳು ಮತ್ತು ಆಸ್ತಿ ವರ್ಗಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯ ಪ್ರತಿಯೊಂದು ಹಂತವೂ ಸಂಕೀರ್ಣವಾಗಿದೆ. ಹಣಕಾಸಿನಂತಹ ಕಟ್ಟುನಿಟ್ಟಿನ ನಿಯಂತ್ರಣಕ್ಕೊಳಪಟ್ಟ ಉದ್ಯಮದಲ್ಲಿ ತಪ್ಪುಗಳು ಆರ್ಥಿಕ ನಷ್ಟಕ್ಕೂ ನಿಯಮಪಾಲನೆಯ ಸಮಸ್ಯೆಗಳಿಗೂ ಕಾರಣವಾಗಬಹುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಕೆಲಸ ವಹಿಸುವುದರಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳ ಅರಿವು ಅತ್ಯಗತ್ಯ ಎಂದು ಬೇಕರ್ ಹೇಳುತ್ತಾರೆ. ಆದರೆ ಏಜೆಂಟ್‌ಗಳ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೇರಿಸಲು ಮಾತ್ರವಲ್ಲದೆ, ಗುಣಮಟ್ಟ, ಸುರಕ್ಷತೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸುಧಾರಿಸಲೂ ಬಳಸಬಹುದು ಎಂಬುದನ್ನೂ ಅವರು ಒತ್ತಿಹೇಳುತ್ತಾರೆ. ದೃಢವಾದ ವ್ಯವಸ್ಥೆಯ ವಿನ್ಯಾಸ ಮತ್ತು ಗಡಿಗಳು, ಸ್ಪಷ್ಟ ನಿರ್ಬಂಧಗಳು, ಕಾರ್ಯಗಳನ್ನು ನಿರ್ದೇಶಿಸಲು ಮತ್ತು ಗಮನಿಸಲು ನೆರವಾಗುವ ಮೂಲಸೌಕರ್ಯ ಹಾಗೂ ಬದಲಾವಣೆಗಳ ಮಾನವ ಪರಿಶೀಲನೆ ಜಂಪ್ ಟ್ರೇಡಿಂಗ್ ತಂಡಕ್ಕೆ ನೆರವಾಗುತ್ತವೆ. ಇವುಗಳ ಮೂಲಕ ನಿಯಂತ್ರಿತ ಪರಿಸರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಆಧಾರಿತ ಕಾರ್ಯಪ್ರವಾಹಗಳನ್ನು ವಿಸ್ತರಿಸಲು ಸಿದ್ಧವಾಗಿರುವುದನ್ನು ತಂಡ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುತ್ತದೆ.

“ಸುರಕ್ಷಿತ ಪರಿಸರದಲ್ಲಿ ಏಜೆಂಟ್ ಅಥವಾ ವ್ಯವಸ್ಥೆಗೆ ಅಗತ್ಯವಾದ ಯಾವುದೇ ಫಲಿತಾಂಶವನ್ನು ರೂಪಿಸುವ ಸ್ವಾತಂತ್ರ್ಯವಿರಬೇಕು. ಆದರೆ ಕೊನೆಯಲ್ಲಿ ಮಾನವ ಪರಿಶೀಲನೆಯೂ ಇರಬೇಕು; ಅಲ್ಲಿ ಅಗತ್ಯ ದೃಢೀಕರಣ ನಡೆದು ಮಾನವ ಅನುಮೋದನೆ ದೊರೆಯಬೇಕು. ನಮಗೆ ವಿಶ್ವಾಸ ನೀಡುವುದು ಇದೇ,” ಎನ್ನುತ್ತಾರೆ ಅವರು. ಉದಾಹರಣೆಗೆ, ಏಜೆಂಟ್ ಒಂದು ವಹಿವಾಟು ಸಂಕೇತವನ್ನು ನೀಡಿದರೆ, ಬೇರೆ ಯಾವುದೇ ಫಲಿತಾಂಶದಂತೆಯೇ ಅದರ ವ್ಯಾಪ್ತಿಯನ್ನು ನಿಗದಿಪಡಿಸಿ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ. ಅದು ಸಾಮಾನ್ಯವಾಗಿ ಮಾಹಿತಿಯುಕ್ತವಾದರೂ ತಪ್ಪಾಗಿರಬಹುದಾದ ಒಂದು ಸಂಕೇತವಷ್ಟೇ. ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪರಿಶೀಲಿಸಿ ನಿಯಂತ್ರಿಸಲಾಗುವ ಕಾರ್ಯನಿರ್ವಹಣಾ ಪರಿಸರದಲ್ಲಿ ಅದನ್ನು ಉಳಿದ ಎಲ್ಲ ಸಂಕೇತಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ.

“ಸ್ವಯಂಚಾಲಿತ ಸಂಶೋಧನೆ” ಎಂದರೆ ಅಳೆಯಬಹುದಾದ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸಂಶೋಧಕ ಏಜೆಂಟ್‌ಗಳು ಪುನರಾವರ್ತಿತವಾಗಿ ಸುಧಾರಿಸುವುದು. ಇದು ಎಷ್ಟು ಸಾಮಾನ್ಯವಾಗಲಿದೆ ಎಂದರೆ ಪರಿಮಾಣಾತ್ಮಕ ಸಂಶೋಧಕರ ನಿತ್ಯದ ಕಾರ್ಯಪ್ರವಾಹದ ಭಾಗವೆಂದೇ ಪರಿಗಣಿಸಲ್ಪಡುತ್ತದೆ. ನಾವು ಅಂತಹ ಜಗತ್ತಿನತ್ತ ಸಾಗುತ್ತಿದ್ದೇವೆ ಎಂಬುದು ಬೇಕರ್ ಅವರ ಅಭಿಪ್ರಾಯ. ಇಂದಿಗೂ GPT‑6 Astra ಅತಿ ದೀರ್ಘಕಾಲ ನಡೆಸುವ ಕೆಲಸಗಳಲ್ಲಿ ಕಾರ್ಯವನ್ನು ನಿರ್ಧರಿಸಿದ ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ನಿಯಮಿತ ಸಮಾಲೋಚನೆ ಬೇಕಾಗುತ್ತದೆ. ಯಾವ ದತ್ತಾಂಶ ಪಡೆಯಬೇಕು, ಎಷ್ಟು ಸಮಯ ಕೆಲಸ ನಡೆಸಬೇಕು, ಯಾವುದನ್ನು ಮುಖ್ಯವೆಂದು ಪರಿಗಣಿಸಬೇಕು ಎಂಬುದಷ್ಟೇ ಅಲ್ಲ, ಮಧ್ಯಂತರ ಫಲಿತಾಂಶಗಳು ಅರ್ಥಪೂರ್ಣವಾಗಿವೆಯೇ ಎಂಬುದನ್ನೂ ಚರ್ಚಿಸಬೇಕಾಗುತ್ತದೆ. ಸುಧಾರಿತ ಸ್ವಯಂಚಾಲಿತ ಸಂಶೋಧನೆಯೂ ಮನುಷ್ಯರು ನಿರ್ಧರಿಸಿದ ವ್ಯವಸ್ಥೆಯಿಂದಲೇ ಆರಂಭವಾಗುತ್ತದೆ. ಒಳಹರಿವುಗಳು, ಪರಿಸರದ ರೂಪುರೇಷೆ, ಮೌಲ್ಯಮಾಪನದ ಅಳತೆಗಳು, ಲಾಭ-ನಷ್ಟಗಳ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಒಟ್ಟಾರೆ ಆದ್ಯತೆಗಳು ಇದರಲ್ಲಿ ಸೇರಿರುತ್ತವೆ. ಆದರೆ ಉಳಿದ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಡಿಲ ರಚನೆಯ ಏಜೆಂಟ್‌ಗಳ “ಪಡೆ”ಗೆ ವಹಿಸಲಾಗುತ್ತದೆ; ಈ ಏಜೆಂಟ್‌ಗಳನ್ನು ಇತರ ಏಜೆಂಟ್‌ಗಳೇ ಸಮನ್ವಯಗೊಳಿಸುತ್ತವೆ. ಸುಸಂಘಟಿತ ಸಂಶೋಧನಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಈ ಏಜೆಂಟ್‌ಗಳು ಆಲೋಚನೆಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು ಹೇಗೆ, ಗಣನಾ ಸಮಯವನ್ನು ಹಂಚುವುದು ಹೇಗೆ ಮತ್ತು ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಒಗ್ಗೂಡಿಸುವುದು ಹೇಗೆ ಎಂಬುದರ ಬಗ್ಗೆ ವಿವೇಚನಾಯುಕ್ತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಲ್ಲವು. ಇದೆಲ್ಲವೂ ಇನ್ನೂ ಉತ್ತರ ಸಿಗದ ಪ್ರಶ್ನೆಯೊಂದರಿಂದಲೇ ಆರಂಭವಾಗಬಹುದು.

“ಇದೆಲ್ಲವನ್ನೂ ಆರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ ಜೋಡಿಸಿ, ನಿಮಗೂ ಉತ್ತರ ತಿಳಿಯದ ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಯೊಂದನ್ನು ಕೇಳಿ, ಉಪಯುಕ್ತ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಾದರೆ ಹೇಗಿರುತ್ತದೆ?” ಎಂದು ಅವರು ಕೇಳುತ್ತಾರೆ. “ಸಹಸ್ರಮಾನದ ಗಣಿತ ಸಮಸ್ಯೆಯೊಂದನ್ನು ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಾದರೆ, ಪರಿಮಾಣಾತ್ಮಕ ಹಣಕಾಸಿನ ಬಗ್ಗೆಯೂ ಸಾಕಷ್ಟು ಆಸಕ್ತಿಕರ ಸಂಗತಿಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ಬಹುಶಃ ಸಾಧ್ಯವಾಗುತ್ತದೆ.”

ಪ್ರತಿ ವರ್ಷವೂ ಮಾನದಂಡದ ಅಳತೆಗಳಲ್ಲಿ ಸ್ಥಿರ ಪ್ರಗತಿ ಕಂಡುಬಂದಿದೆ. ಅಷ್ಟೇ ಅಲ್ಲ, ಮಾದರಿಗಳು ನಿರ್ವಹಿಸಬಲ್ಲ ಕೆಲಸಗಳ ಸ್ವರೂಪದಲ್ಲೂ ದೊಡ್ಡ ಬದಲಾವಣೆಗಳಾಗಿವೆ. ಈ ಬೆಳವಣಿಗೆಗಳನ್ನು ಕೆಲವೇ ತಿಂಗಳುಗಳ ಮುಂಚೆಯೂ ಊಹಿಸುವುದು ಅನೇಕ ಬಾರಿ ಕಷ್ಟವಾಗಿತ್ತು. 2024ರಲ್ಲಿ ಆರಂಭಿಕ ಏಜೆಂಟ್‌ಗಳು ಒಂದೇ ಕಡತವನ್ನು ತಪ್ಪಿಲ್ಲದೆ ಬರೆಯುವುದು ಗಮನಾರ್ಹ ಸಾಧನೆಯಾಗಿತ್ತು. 2025ರಲ್ಲಿ ಸಂಪೂರ್ಣ ಸಂಕೇತಸಂಗ್ರಹಗಳನ್ನು ಮೊದಲಿನಿಂದಲೇ ರಚಿಸುವುದು ಸಾಧ್ಯವಾಯಿತು. 2026ರಲ್ಲಿ ಹಲವು ಏಜೆಂಟ್‌ಗಳು ಅಗತ್ಯಕ್ಕೆ ತಕ್ಕಂತೆ ಪರಸ್ಪರ ಸಹಕರಿಸುತ್ತಾ, ಇನ್ನೂ ಉತ್ತರ ಸಿಗದ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳಲ್ಲಿ ಪ್ರಗತಿ ಸಾಧಿಸುವುದು ಸಾಧ್ಯವಾಗಿದೆ. “ಮುಂದಿನ ವರ್ಷ ನಮಗೆ ಏನೆಲ್ಲ ಸಿಗಲಿದೆ?” ಎನ್ನುತ್ತಾರೆ ಅವರು. “ಆ ಸಾಧ್ಯತೆ ನಿಜಕ್ಕೂ ಅದ್ಭುತವಾಗಿದೆ.”