تصور کنید یک تحلیلگر ارشد باشید که باید در عرض چند دقیقه، تمام نظرات متناقض همکارانش درباره قیمت نفت در چت‌های هفته گذشته را استخراج کند. حالا این کار به‌جای ساعت‌ها جست‌وجوی دستی، با یک پرسش ساده از هوش مصنوعی انجام می‌شود.
در ۱۵ اکتبر ۲۰۲۶، شرکت بلومبرگ (Bloomberg) رابط کاربری ASKB را به حالت دسترسی عمومی درآورد. این ابزار حالا از یک هوش مصنوعی با کاربرد کلی به سیستمی تبدیل شده که بر اساس بستر حرفه‌ای و داده‌های اختصاصی هر کاربر مبنی‌سازی (Grounding) — شبیه به دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — می‌شود.
دهه‌هاست که ترمینال بلومبرگ استاندارد طلایی داده‌های بازار است، اما بینش‌های حیاتی اغلب در سیلوهای پراکنده محبوس می‌ماندند. تاریخچه چت‌های یک معامله‌گر یا یادداشت‌های خصوصی یک تحلیلگر، به‌طور مجزا از ابزارهای هوش مصنوعی که برای تصمیم‌گیری استفاده می‌شدند، ذخیره می‌شدند. ASKB تلاش می‌کند این شکاف را با ادغام داده‌های عظیم بازار بلومبرگ و داده‌های اختصاصی کاربر پر کند.
وین بارلو (Wayne Barlow)، مدیر جهانی محصولات هسته ترمینال در بلومبرگ، به نقل از بیانیه شرکت تأکید کرد که قدرت این ابزار در ترکیب بستر حرفه‌ای منحصربه‌فرد یک سرمایه‌گذار با داده‌های بازار در یک گفتگوست. شرکت این سیستم را بر پایه تجربه خود در داده‌های بازار، تحلیل‌ها و مشارکت‌های صنعتی توصیف می‌کند تا آن را از مدل‌های هوش مصنوعی عمومی متمایز سازد.
طبق گزارش شان ادواردز (Shawn Edwards)، مدیر فناوری بلومبرگ، این سیستم برای ایجاد اعتماد از طریق ارجاع شفاف طراحی شده است. هر پاسخی که هوش مصنوعی می‌دهد، دارای یک استناد به منبع اصلی است؛ چه این منبع یک خبر بلومبرگ باشد و چه یک سند داخلی خصوصی. ادواردز ASKB را پیشرفته‌ترین قابلیتی دانست که شرکت تاکنون ساخته و با سرعت بسیار زیادی توسط کاربران پذیرفته شده است. او افزود: «این بلومبرگ نیست که روی هوش مصنوعی بنا شده، بلکه هوش مصنوعی است که روی بلومبرگ ساخته شده است.»
ادغام داده‌های خصوصی
سیستم ASKB از سه مکانیزم اصلی برای شخصی‌سازی پاسخ‌ها و مبنی‌سازی آن‌ها بر اساس داده‌های کاربر استفاده می‌کند:
- چت‌های Instant Bloomberg (IB): کاربران می‌توانند تاریخچه سه ماهه چت‌های خود را جست‌وجو کنند. این مدل برای درک اصطلاحات تخصصی و اختصارات رایج در خدمات مالی تنظیم شده است. برای مثال، یک مدیر سبد سهام می‌تواند خلاصه‌ای از تمام دیدگاه‌های تماس‌های روزانه درباره نفت را بخواهد، فعالیت‌های شبانه‌روز را مرور کند یا پیش از اتخاذ تصمیم، یک دیدگاه مخالف از یک منبع «خرسی» (Bearish) را استخراج نماید.
- برگه‌های کاری (Worksheets): تحلیلگران به‌جای فیلتر کردن دستی یا وارد کردن تک‌تک نمادها (Tickers)، می‌توانند از ASKB بخواهند بر اساس لیست‌های تحت‌نظر (Watchlists) و پوشش‌های موجودشان، برترین‌ها، بزرگ‌ترین نوسان‌کنندگان یا گزارش‌های سود پیش‌رو را استخراج کند. این لیست‌های پیش‌ساخته، نقطه شروع هر پرسش می‌شوند.
- Bloomberg Drive: این بخش مانند یک کتابخانه دائمی برای پژوهش‌های داخلی، تزهای سرمایه‌گذاری و خلاصه‌های گزارش سود عمل می‌کند. پیش از این، فایل‌های پیوست‌شده در ASKB با پایان هر گفتگو پاک می‌شدند، اما اکنون پوشه‌ها و فایل‌های مشترک با همکاران به‌صورت بومی در دسترس هستند. کاربران می‌توانند از یک فایل خاص، یک پوشه کامل یا کل کتابخانه پرس‌وجو کنند.
به گزارش بلومبرگ، مشتریان روزانه حدود ۴۰ میلیون چت IB ارسال می‌کنند. پیش از این، «رنگ بازار» (Market Color) و ایده‌های معاملاتی در این حجم از داده، در پایان روز کاری عملاً گم می‌شدند؛ اما اکنون ASKB این داده‌های زودگذر را با زبان ساده قابل جست‌وجو می‌کند. در مورد امنیت، بلومبرگ تأکید می‌کند که مطالب مشتریان مجزا از منابع بلومبرگ باقی می‌ماند و دارای مجوزهای دسترسی خاص است؛ همچنین فایل‌ها تنها در صورتی برای دیگران قابل مشاهده هستند که کاربر آپلودکننده تصمیم به اشتراک‌گذاری آن‌ها بگیرد.
زیرساخت فنی
این ابزار که نخستین بار در ۲۴ فوریه ۲۰۲۶ در نسخه بتا معرفی شد، از طریق شبکه‌ای هماهنگ از عامل‌های (Agents) — برنامه‌های کوچکی که می‌توانند به‌طور مستقل وظایفی را برای رسیدن به هدف انجام دهند — که به‌صورت موازی کار می‌کنند، عمل می‌کند. این رویکرد عامل‌محور در صنعت مالی در حال گسترش است و بانک BNP Paribas نیز اخیراً برای استقرار چنین سیستم‌هایی با گوگل قرارداد بست تا بهره‌وری عملیاتی خود را افزایش دهد. این عامل‌ها از کتابخانه عظیمی شامل موارد زیر تغذیه می‌کنند:
- صدها میلیون سند شرکتی.
- ۵۰۰۰ خبر اصلی بلومبرگ و بیش از ۱.۱ میلیون خبر گزینش‌شده روزانه.
- پژوهش‌های Bloomberg Intelligence, BloombergNEF و Bloomberg Economics.
- تحقیقات بیش از ۸۰۰ ارائه‌دهنده مستقل و Sell-side.
این سیستم با استفاده از چندین مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — تجاری و وزن‌های باز (Open Weights) در راستای اصول «هوش مصنوعی مسئولانه» بلومبرگ ساخته شده است. نسخه بتای اولیه به‌طور خاص برای متخصصان مالی متمرکز بر تحلیل شرکت‌ها و بازار سهام و بر پایه اشتراک‌های Bloomberg Anywhere طراحی شده بود.
برای تضمین شفافیت در تحلیل‌های کمی، ASKB کد زبان پرس‌وجوی بلومبرگ (BQL) را ارائه می‌دهد. این قابلیت به کاربران اجازه می‌دهد تا تحلیل‌های هوش مصنوعی را صادر کرده و در محیط مایکروسافت اکسل، BQuant Desktop یا BQuant Enterprise گسترش دهند.
این چرخش نشان‌دهنده حرکت به سمت «هوش مصنوعی عمودی» است؛ جایی که ارزش اصلی نه در استدلال کلی مدل، بلکه در دسترسی به داده‌های باکیفیت، دقیق و دارای مجوز است. با اجازه دادن به کاربران برای وارد کردن فایل‌ها و چت‌های خود، بلومبرگ ترمینال را از یک ابزار بازیابی داده به یک موتور دانش شخصی تبدیل می‌کند.
برای کاربر نهایی، این یعنی هوش مصنوعی دیگر فقط بازار را نمی‌شناسد، بلکه استراتژی و شبکه ارتباطی خاص کاربر را هم می‌فهمد. نتیجه مستقیم این اتفاق، کاهش شدید زمان «ترکیب دستی داده‌ها» است؛ یعنی دیگر لازم نیست تحلیلگران برای یافتن یک دیدگاه مخالف در چت‌های قدیمی، ساعت‌ها اسکرول کنند تا پیش از انجام یک معامله، تمام جوانب را بسنجند.
گام بعدی شما
- اگر از ترمینال بلومبرگ استفاده می‌کنید، ابتدا با اتصال Bloomberg Drive و سازماندهی پوشه‌های پژوهشی خود، حافظه بلندمدت مدل را تقویت کنید.
- برای تحلیل‌های حساس، هموماً کد BQL خروجی را در اکسل بررسی کنید تا از صحت محاسبات کمی مدل مطمئن شوید.
- سعی کنید پرس‌وجوهای خود را با ارجاع به چت‌های سه ماه اخیر ترکیب کنید تا الگوهای تغییر نظر همکارانتان را شناسایی کنید.
اما نبرد برای تسخیر «ایستگاه کاری هوشمند» تازه آغاز شده است؛ بررسی خواهیم کرد که رقبای بلومبرگ چگونه قصد دارند بستر ارتباطات خصوصی را به مدل‌های خود متصل کنند تا رقابت از بهره‌وری عمومی به سمت بستر تخصصی عمیق حرکت کند.
گفتگو