Investing.com - 伯恩斯坦研究公司在最近的一份报告中确定了10项最佳实践，为希望将生成式AI整合到资产管理中的投资者提供了一个可扩展且有效采用的路线图。

该券商强调了结构化数据、有针对性的工作流程和可衡量的成果对于最大化AI效用的重要性。伯恩斯坦首先强调了干净、结构化的内部数据的必要性。

系统性记录会议笔记、电子邮件和投资备忘录的基金已经在应用AI提取决策洞见。

增强投资备忘录以反映投资组合经理的框架，使AI能够更好地理解交易背后的原理。提示工程是另一个关键领域。

伯恩斯坦建议创建共享的提示数据库，以减少反复试错。

他们提出了"MARS"框架，即指标(Metrics)、可行动(Actionable)、角色(Role)、场景(Scenario)，用于提示设计。

例如，马来亚银行资产管理公司使用工程化提示与ChatGPT生成盈利预测和置信水平，而GIC则展示了使用类似技术从视觉数据中提取洞见。

集中数据也至关重要。从板块孤岛转向统一仪表板，允许AI工具访问完整的公司范围数据集。

例如包括马来亚银行的界面，该界面结合了基本面、技术面、量化评分和AI生成的摘要。

为了有效扩展AI，伯恩斯坦建议将日常工作流程分解为特定用例。

识别并优先考虑顶级用例（如总结财报或筛选股票）的公司，实施更加集中。

建议进行结构化的场外行权活动以促进这一过程。团队内部定期的知识共享会议有助于使AI使用正常化并鼓励实验。

当广泛分享用例、提示技术和供应商工具时，这些会议可以改善采用率。发展垂直AI冠军，即嵌入在股票、固定收益、法律或合规等部门的专家，确保解决方案贴近实际用例。

伯恩斯坦发现这比依赖中央AI委员会更有效。

该报告还指出了对专门AI人才的日益增长的需求。一些公司指派特定团队成员专注于AI工具或聘请外部专家。

这些资源一次专注于一个用例，测试供应商解决方案，并领导实施工作。

Daloopa和ModelML等工具被引用用于模型自动化和内部数据集成。

对于不构建内部工具的公司，早期与实施合作伙伴接触或采用现成的AI工具可以加快进展，而无需深厚的技术专业知识。

在不久的将来，组织应准备好与人类和人工智能的混合团队合作。

一些资产管理公司已经在试点AI驱动的分析师和投资组合经理，但它们需要强大的数据基础设施和治理。至关重要的是，伯恩斯坦强调了需要明确的指标来评估生成式AI的影响。

对于运营效率，关键指标包括自动化任务的百分比和错误率降低。在研究方面，基准包括生成洞见的时间、AI生成想法的数量以及与人类输出的比较。

在投资组合管理中，成功可以通过情景分析期间节省的时间以及AI实施后决策中避免偏见的频率来评估。

本文由人工智能协助翻译。更多信息，请参见我们的使用条款。