Investing.com - 伯恩斯坦研究公司在最近的一份報告中確定了10項最佳實踐，爲希望將生成式AI整合到資產管理中的投資者提供了一個可擴展且有效採用的路線圖。

該券商強調了結構化數據、有針對性的工作流程和可衡量的成果對於最大化AI效用的重要性。伯恩斯坦首先強調了乾淨、結構化的內部數據的必要性。

系統性記錄會議筆記、電子郵件和投資備忘錄的基金已經在應用AI提取決策洞見。

增強投資備忘錄以反映投資組合經理的框架，使AI能夠更好地理解交易背後的原理。提示工程是另一個關鍵領域。

伯恩斯坦建議創建共享的提示數據庫，以減少反覆試錯。

他們提出了"MARS"框架，即指標(Metrics)、可行動(Actionable)、角色(Role)、場景(Scenario)，用於提示設計。

例如，馬來亞銀行資產管理公司使用工程化提示與ChatGPT生成盈利預測和置信水平，而GIC則展示了使用類似技術從視覺數據中提取洞見。

集中數據也至關重要。從板塊孤島轉向統一儀表板，允許AI工具訪問完整的公司範圍數據集。

例如包括馬來亞銀行的界面，該界面結合了基本面、技術面、量化評分和AI生成的摘要。

爲了有效擴展AI，伯恩斯坦建議將日常工作流程分解爲特定用例。

識別並優先考慮頂級用例（如總結財報或篩選股票）的公司，實施更加集中。

建議進行結構化的場外行權活動以促進這一過程。團隊內部定期的知識共享會議有助於使AI使用正常化並鼓勵實驗。

當廣泛分享用例、提示技術和供應商工具時，這些會議可以改善採用率。發展垂直AI冠軍，即嵌入在股票、固定收益、法律或合規等部門的專家，確保解決方案貼近實際用例。

伯恩斯坦發現這比依賴中央AI委員會更有效。

該報告還指出了對專門AI人才的日益增長的需求。一些公司指派特定團隊成員專注於AI工具或聘請外部專家。

這些資源一次專注於一個用例，測試供應商解決方案，並領導實施工作。

Daloopa和ModelML等工具被引用用於模型自動化和內部數據集成。

對於不構建內部工具的公司，早期與實施合作伙伴接觸或採用現成的AI工具可以加快進展，而無需深厚的技術專業知識。

在不久的將來，組織應準備好與人類和人工智能的混合團隊合作。

一些資產管理公司已經在試點AI驅動的分析師和投資組合經理，但它們需要強大的數據基礎設施和治理。至關重要的是，伯恩斯坦強調了需要明確的指標來評估生成式AI的影響。

對於運營效率，關鍵指標包括自動化任務的百分比和錯誤率降低。在研究方面，基準包括生成洞見的時間、AI生成想法的數量以及與人類輸出的比較。

在投資組合管理中，成功可以通過情景分析期間節省的時間以及AI實施後決策中避免偏見的頻率來評估。

本文由人工智能協助翻譯。更多信息，請參見我們的使用條款。