استفاده از هوش مصنوعی در تحلیل مالی با معرفی ابزارهای نوین مدل سازی، فرآیندهای سنتی را به تجربه ای سریع و دقیق تبدیل کرده و استارتاپ مریدین با جذب سرمایه 17 میلیون دلاری پیشگام این تحول است.
مبارزه برای رام کردن جدول های داده (اسپردشیت ها) با استفاده از هوش مصنوعی هنوز تموم نشده. یه شرکت جدید به اسم مریدین (Meridian) با یه رویکرد جامع تر مبتنی بر IDE برای مدل سازی مالی ایجنتی (عامل محور) از حالت مخفی خارج شده و کلی هم سرمایه برای ساختنش جذب کرده. با ظهور هوش مصنوعی در تحلیل مالی، رویکردهای نوآورانه برای مدل سازی مالی در حال ظهور هستند. روز چهارشنبه، این شرکت اعلام کرد که 17 میلیون دلار سرمایه اولیه (Seed) با ارزش گذاری 100 میلیون دلاری بعد از جذب سرمایه دریافت کرده.
جان لینگ، مدیرعامل و هم بنیان گذار مریدین، به تک کرانچ گفت: «هدف ما اینه که مدل سازی مالی و کار با جدول های داده رو خیلی پیش بینی پذیرتر و قابل حسابرسی کنیم. این پیشرفت ها به کمک هوش مصنوعی در تحلیل مالی ممکن می شود. چطور می شه فرآیندی رو که به طور سنتی ممکنه چندین ساعت طول بکشه، به چیزی حدود 10 دقیقه کاهش داد؟»
این دور از جذب سرمایه که نشان دهنده توجه به نکات کلیدی جذب سرمایه و انتظارات سرمایه گذاران است، توسط شرکت های اندرسن هوروویتز (Andreessen Horowitz) و جنرال پارتنرشیپ (General Partnership) رهبری شد و سرمایه گذاران دیگه ای مثل QED Investors، FPV Ventures و Litquidity Ventures هم در اون شرکت کردن. این شرکت می گه که در حال حاضر با تیم هایی در Decagon و OffDeal همکاری می کنه و فقط در ماه دسامبر (آذر-دی) قراردادهایی به ارزش 5 میلیون دلار امضا کرده.
اهمیت هوش مصنوعی در تحلیل مالی نوین
ایجنت های اکسل به دلیل هزینه ی بالای تحلیل های مالی توسط انسان، هدف محبوبی برای استارتاپ های هوش مصنوعی بوده اند. این رویکرد جدید در هوش مصنوعی در تحلیل مالی، به دنبال بهبود کارایی و دقت است. اما برخلاف ایجنت های قبلی اکسل مثل Shortcut AI که ایجنت ها رو داخل خود اکسل می ساختن، مریدین به عنوان یه فضای کاری مستقل عمل می کنه که بیشتر شبیه به Cursor هست. این موضوع به اپلیکیشن اجازه می ده مثل یک IDE عمل کنه و منابع داده و سایر مراجع خارجی رو که ممکنه باعث ناهماهنگی بشن، یکپارچه کنه.
تیم مریدین که در نیویورک مستقر هست، هم شامل فارغ التحصیل های شرکت های هوش مصنوعی مثل Scale AI و Anthropic می شه و هم کهنه کارهای حوزه ی مالی از شرکت هایی مثل گلدمن ساکس (Goldman Sachs). این ترکیب تخصص به توسعه راه حل های پیشرفته در زمینه هوش مصنوعی در تحلیل مالی کمک می کند.
اون طور که لینگ توضیح می ده، بزرگترین چالش مریدین الزامات سختگیرانه ی مشتری های مالی هست که اغلب با ماهیت غیرقطعی (non-deterministic) مدل های هوش مصنوعی تداخل داره.
چالش های پیاده سازی هوش مصنوعی در تحلیل مالی
لینگ می گه: «اگه سراغ 10 تا مهندس نرم افزار مختلف در گوگل برید و بخواید یه ویژگی جدید به اپلیکیشن اضافه کنید، احتمالا 10 تا پیاده سازی کاملا متفاوت تحویل می گیرید و این اصلا مشکلی نداره. اما اگه سراغ 10 تا تحلیل گر بانکی در گلدمن ساکس برید و ازشون 10 تا مدل ارزش گذاری برای یه شرکت بخواید، احتمالا 10 تا فایل اکسل تقریبا یکسان می گیرید.» این تفاوت در انتظارات، یکی از موانع اصلی در مسیر پیاده سازی گسترده تر هوش مصنوعی در تحلیل مالی است.
در نتیجه، تیم مریدین کارهای زیادی انجام داده تا خروجی هاشون قابل حسابرسی تر و قطعی تر باشن، در حالی که انعطاف پذیری ابزارهای مبتنی بر مدل های زبانی بزرگ (LLM) رو هم حفظ کردن. نتیجه، ترکیبی از هوش مصنوعی ایجنتی و ابزارهای متداول تر هست که توهم های هوش مصنوعی (hallucinations) رو که باعث کندی پروژه های سازمانی می شه، به حداقل می رسونه. این تلاش ها برای افزایش دقت و قابلیت اطمینان، اساس موفقیت هوش مصنوعی در تحلیل مالی را تشکیل می دهد.
لینگ می گه: «هدف ما اینه که لایه ی شک و تردید رو از فرآیند LLM حذف کنیم. شما دقیقا می دونید که منطق چطور پیش می ره و همه ی این فرض ها یا هر چیزی که وارد مدل می شه، می تونید دقیقا ببینید که از کجا اومدن.»
توسعه پلتفرم های مبتنی بر هوش مصنوعی نشان دهنده تغییر پارادایم در حوزه های مالی است؛ جایی که دقت محاسباتی و شفافیت الگوریتم ها برای کاربران حرفه ای اهمیت حیاتی دارد. با بلوغ این تکنولوژی ها، انتظار می رود شکاف میان مدل های تئوری و واقعیت های عملیاتی در دنیای تجارت بیش از پیش کاهش یابد.
Meridian raises $17 million to remake the agentic spreadsheet
