0:00

recently I stumbled across this tweet

0:01

that really caught my eye fin gbt open

0:04

source Financial llms fin gbt is an open

0:07

source llm for the finance sector it

0:10

takes a data Centric approach providing

0:12

researchers and practitioners with

0:14

accessible resources to develop

0:16

Financial llms this is exciting for

0:20

obvious reasons

0:21

llms are all the hype right now and for

0:25

whatever area of expertise you are in

0:27

you want to find a way to apply it to

0:29

what you're doing if you're reading

0:31

financial statements analyzing data

0:34

whatever it may be

0:35

this is essentially a research paper

0:37

going over the framework for applying

0:40

these llms like chat gbt to financial

0:43

applications and going over their

0:46

diagrams their research paper and their

0:48

GitHub I think that what they're

0:50

proposing is pretty cool and of course

0:52

it's not the entire way there but it is

0:55

a good starting point and a good

0:57

conversation point to get into building

1:00

some really cool things so that's why I

1:02

wanted to talk about it today and in the

1:04

future I do plan on talking about more

1:06

research papers like this if I do see

1:09

any tweets or research papers that catch

1:11

my eye I think that talking about them

1:13

on my YouTube channel is a great way to

1:15

give them exposure and get people

1:16

excited about things that they can apply

1:19

or build on top of that's really at The

1:22

Cutting Edge

1:23

um so before I get into the video

1:25

talking about Fin gbt I do want to

1:27

mention my own personal project which is

1:29

called ticker Trends uh ticker Trends is

1:31

an alternative data Financial research

1:34

terminal so we provide you with data

1:36

from sources all around the internet and

1:39

allow you to discover actionable

1:41

insights based on that data in the stock

1:44

market or any Financial Market that

1:46

you're trading in so that can be

1:47

cryptocurrency stocks and we're actually

1:49

also launching a fully managed fund

1:53

based out of Dallas Texas this is called

1:55

the social Arbitrage fund which is

1:57

essentially a hedge fund if you're

1:59

interested in this reach out to us admin

2:01

at navtrading.co we have a lot of really

2:04

exciting stuff happening at ticker

2:06

Trends and if you're interested in any

2:08

of it you can also follow us on Twitter

2:10

at tickerplus I will also leave a link

2:12

down description down below

2:14

um but I'll get right back into talking

2:16

about Finn gbt so fin gbt is initially

2:21

when I saw that tweet I thought that but

2:24

someone would be releasing you know an

2:26

entire model

2:27

it's not all the way there because

2:29

something like developing a model takes

2:32

a lot of resources and I think a really

2:34

good place to see that is with the

2:37

Bloomberg model so they actually talk

2:39

about in their Finn gbt research paper

2:41

which I will also leave a link to in the

2:43

description down below

2:45

um they mention the Bloomberg Financial

2:47

or Bloomberg gbt which was their

2:50

financial llm essentially what Bloomberg

2:52

did is they took all of the data that

2:54

they've been collecting for the

2:56

Bloomberg terminal or just any Bloomberg

2:57

Financial research they've been

2:59

accumulating over you know years and

3:01

years and years and they inputted that

3:04

all into their own llm and got some

3:08

pretty interesting results

3:10

um obviously making it much better than

3:13

regular chat gbt or any other open

3:16

sourced llm at doing Financial research

3:19

just because of the amount of context

3:21

and knowledge that it was able to

3:23

develop around that from looking at all

3:26

of Bloomberg's data and documentation

3:28

and everything that they use to train it

3:31

um

3:32

why this is not accessible to everyone

3:34

is because training a model like this

3:37

can cost upwards of millions of dollars

3:40

essentially if you're trying to train a

3:42

model on amounts of data to make it

3:45

substantial enough to making something

3:47

like you know gbt3 or gbt4

3:51

it's not accessible to the average

3:53

person

3:54

um and so that's why Bloomberg gbt I

3:57

believe is not available to the public

3:59

it's either behind some paywall or maybe

4:01

they're only using it internally but

4:04

Finn gbt the entire purpose of it is to

4:08

provide a way for people to collaborate

4:10

in an open sourced environment to create

4:12

something similar if not better and I'm

4:15

actually going to talk about why I think

4:16

fin gbt could be better if implemented

4:19

properly in the framework that they

4:21

propose so if we actually take a look at

4:24

the research paper I'm not going to read

4:26

the entire thing to you but I do want to

4:28

look at this diagram just because I

4:29

think it's it's really cool in some of

4:32

my previous videos I talk about how you

4:34

could use chatbt to potentially create

4:36

like an actually profitable trading

4:38

strategy really a lot of that comes from

4:41

this exact idea which is how are you

4:45

training and providing enough

4:47

information

4:48

to some form of to some form of

4:52

intelligence to be able to determine

4:54

profitable trades or actionable insights

4:58

or any valuable level of research that

5:01

you can take and then use in financial

5:02

markets and actually the conclusion that

5:05

they came to or that they lay out in

5:07

this paper is very similar to what I was

5:09

discussing as well

5:11

for a model to be able to come up with

5:14

valuable research it can't only have

5:17

access to very rudimentary data if you

5:20

only have access to let's say financial

5:22

statements stock price indicators or

5:26

something mathematical formulas it's not

5:28

going to be able to say oh this is the

5:30

best stock to buy and I have a

5:32

predefined edge now because there's no

5:35

way for it to come up with that based on

5:37

the data that it's provided what they

5:39

propose here

5:40

we'll start at the bottom is they say

5:43

first you start with the data layer

5:46

within the data layer you have all forms

5:49

of data including news data social data

5:52

filing data so Financial Focus data

5:55

Trend data and potentially other data

5:59

sets as well once you've compiled all of

6:02

these data sets essentially this is the

6:04

knowledge base that the actual model is

6:06

using to perform and make these

6:08

decisions based on

6:10

let's say this stock is better to buy

6:12

than the other one or doing deep

6:14

analysis into all of this enormous data

6:18

set into to finding or researching a

6:21

specific company so you take all this

6:23

data

6:25

um you feed it into their natural

6:28

language processing model which they

6:30

also have open source on their GitHub

6:33

and then you perform some form of data

6:37

engineering or cleaning on the data

6:38

prompt engineering and finally you're

6:42

feeding that into existing open source

6:44

llms so you can use models like the

6:48

Llama model

6:49

chat glm which I'm not too familiar with

6:52

any open source Transformer model you

6:55

can essentially use all of this data and

6:58

everything you've collected from the

7:00

internet relating to finance to

7:02

fine-tune that model for your own

7:04

specific purpose being Financial

7:06

research

7:08

um

7:09

and then eventually use it for all sorts

7:12

of applications including a robo advisor

7:15

financial fraud detection quantitative

7:17

trading credit scoring risk management

7:20

essentially they're just saying if if

7:22

you are able to apply this framework

7:25

properly there are so many different

7:28

Financial applications that you could

7:31

you could in theory use

7:35

um a highly intelligent Financial

7:37

focused llm model 4.

7:41

um now of course as I was mentioning

7:43

before this isn't actually fully built

7:46

yet

7:47

um this is more of a if you read their

7:49

paper which again I highly recommend you

7:50

read you'll notice that this is kind of

7:53

a work in progress in terms of this is

7:56

how we plan on making it but if you look

7:58

for how can I for example scrape all

8:01

this data in their GitHub repository

8:03

they don't actually provide all of that

8:05

code at least yet because I would assume

8:08

that if you are trying to scrape let's

8:11

say Twitter data Reddit data weibo data

8:13

weibo is a Chinese social media platform

8:16

as far as I understand or I think it

8:17

might be like Google

8:19

um and you know you're trying to scrape

8:20

all this filing data Trend data it takes

8:23

a lot of resources

8:25

um so they're not entirely solving this

8:27

issue of you need tens of millions of

8:29

dollars to to to get a highly

8:32

intelligent Financial llm but they are

8:34

giving people a starting point and

8:36

actually if you look at their GitHub and

8:39

the fin gbt repo uh which is also public

8:43

and open source

8:44

um you can see that they're currently

8:46

working on some models so they have some

8:48

fin gbt demos where they're training it

8:51

on some Chinese Chinese Financial Market

8:53

data as well as American Market

8:56

financial data with different llm models

8:59

so the Llama model is an open source

9:02

llm chat glm is also an open source llm

9:07

and they're feeding in this financial

9:09

data to fine-tune it and eventually

9:12

create these models

9:13

um

9:14

if you actually look at their repos you

9:17

will also notice that they are going to

9:20

soon be releasing a trained model on

9:24

this data themselves so that's really

9:26

interesting because then you see

9:28

um the ideas of what I was saying before

9:30

where if you're taking this open source

9:32

model you can not only use it for the

9:35

applications that they suggest but you

9:37

can also further fine tune it based on

9:39

how they did it initially and make it

9:43

even more specialized for your use case

9:44

so if I'm trying to make a model based

9:48

on alternative data for example then I

9:50

can just feed in a ton of alternative

9:52

data into this model and train it

9:54

specifically for my use case whereas

9:55

someone else might want to feed in a ton

9:58

of financial news data and financial

10:00

filings for a company and train it

10:03

really well for that

10:05

um I think that the applications for

10:07

something like fin gbt are really

10:09

exciting and I think that a lot of the

10:12

work that they're doing at AI for

10:14

finance even if it's not maybe at a

10:16

level of Bloomberg gbt

10:20

um it's still open sourcing a lot of

10:23

research and development for things that

10:25

could have massive impact on the

10:27

financial industry so if you're

10:29

interested in a lot of the things that

10:30

I'm interested in in the stock market

10:32

and programming and obviously AI I think

10:35

everyone's interested in AI right now

10:37

then I highly recommend you check out AI

10:40

for finance their research paper all of

10:43

which I will leave linked down the

10:44

description down below also be sure to

10:47

check out ticker Trends if you're

10:49

interested in alternative data or any

10:51

Financial market research and our

10:53

Twitter but I will see you in the next

10:56

one

What is Artificial Intelligence and how does it work? What are the 3 types of AI? The 3 types of AI are: General AI: AI that can perform all of the intellectual tasks a human can. Currently, no form of AI can think abstractly or develop creative ideas in the same ways as humans.  Narrow AI: Narrow AI commonly includes visual recognition and natural language processing (NLP) technologies. It is a powerful tool for completing routine jobs based on common knowledge, such as playing music on demand via a voice-enabled device.  Broad AI: Broad AI typically relies on exclusive data sets associated with the business in question. It is generally considered the most useful AI category for a business. Business leaders will integrate a broad AI solution with a specific business process where enterprise-specific knowledge is required.  How can artificial intelligence be used in business? AI is providing new ways for humans to engage with machines, transitioning personnel from pure digital experiences to human-like natural interactions. This is called cognitive engagement.  AI is augmenting and improving how humans absorb and process information, often in real-time. This is called cognitive insights and knowledge management. Beyond process automation, AI is facilitating knowledge-intensive business decisions, mimicking complex human intelligence. This is called cognitive automation.  What are the different artificial intelligence technologies in business? Machine learning, deep learning, robotics, computer vision, cognitive computing, artificial general intelligence, natural language processing, and knowledge reasoning are some of the most common business applications of AI.  What is the difference between artificial intelligence and machine learning and deep learning? Artificial intelligence (AI) applies advanced analysis and logic-based techniques, including machine learning, to interpret events, support and automate decisions, and take actions.  Machine learning is an application of artificial intelligence (AI) that provides systems the ability to automatically learn and improve from experience without being explicitly programmed.  Deep learning is a subset of machine learning in artificial intelligence (AI) that has networks capable of learning unsupervised from data that is unstructured or unlabeled.  What are the current and future capabilities of artificial intelligence? Current capabilities of AI include examples such as personal assistants (Siri, Alexa, Google Home), smart cars (Tesla), behavioral adaptation to improve the emotional intelligence of customer support representatives, using machine learning and predictive algorithms to improve the customer’s experience, transactional AI like that of Amazon, personalized content recommendations (Netflix), voice control, and learning thermostats.  Future capabilities of AI might probably include fully autonomous cars, precision farming, future air traffic controllers, future classrooms with ambient informatics, urban systems, smart cities and so on.  To know more about the scope of artificial intelligence in your business, please connect with our expert.

מהי בינה מלאכותית וכיצד היא פועלת? מהם 3 סוגי הבינה המלאכותית? שלושת סוגי הבינה המלאכותית הם: בינה מלאכותית כללית: בינה מלאכותית שיכולה לבצע את כל המשימות האינטלקטואליות שאדם יכול. נכון לעכשיו, שום צורה של AI לא יכולה לחשוב בצורה מופשטת או לפתח רעיונות יצירתיים באותן דרכים כמו בני אדם. בינה מלאכותית צרה: בינה מלאכותית צרה כוללת בדרך כלל טכנולוגיות זיהוי חזותי ועיבוד שפה טבעית (NLP). זהו כלי רב עוצמה להשלמת עבודות שגרתיות המבוססות על ידע נפוץ, כגון השמעת מוזיקה לפי דרישה באמצעות מכשיר התומך בקול. בינה מלאכותית רחבה: בינה מלאכותית רחבה מסתמכת בדרך כלל על מערכי נתונים בלעדיים הקשורים לעסק המדובר. זה נחשב בדרך כלל לקטגוריית הבינה המלאכותית השימושית ביותר עבור עסק. מנהיגים עסקיים ישלבו פתרון AI רחב עם תהליך עסקי ספציפי שבו נדרש ידע ספציפי לארגון. כיצד ניתן להשתמש בבינה מלאכותית בעסק? AI מספקת דרכים חדשות לבני אדם לעסוק במכונות, ומעבירה את הצוות מחוויות דיגיטליות טהורות לאינטראקציות טבעיות דמויות אדם. זה נקרא מעורבות קוגניטיבית. בינה מלאכותית מגדילה ומשפרת את האופן שבו בני אדם קולטים ומעבדים מידע, לעתים קרובות בזמן אמת. זה נקרא תובנות קוגניטיביות וניהול ידע. מעבר לאוטומציה של תהליכים, AI מאפשר החלטות עסקיות עתירות ידע, תוך חיקוי אינטליגנציה אנושית מורכבת. זה נקרא אוטומציה קוגניטיבית. מהן טכנולוגיות הבינה המלאכותית השונות בעסק? למידת מכונה, למידה עמוקה, רובוטיקה, ראייה ממוחשבת, מחשוב קוגניטיבי, בינה כללית מלאכותית, עיבוד שפה טבעית וחשיבת ידע הם חלק מהיישומים העסקיים הנפוצים ביותר של AI. מה ההבדל בין בינה מלאכותית ולמידת מכונה ולמידה עמוקה? בינה מלאכותית (AI) מיישמת ניתוח מתקדמות וטכניקות מבוססות לוגיקה, כולל למידת מכונה, כדי לפרש אירועים, לתמוך ולהפוך החלטות לאוטומטיות ולנקוט פעולות. למידת מכונה היא יישום של בינה מלאכותית (AI) המספק למערכות את היכולת ללמוד ולהשתפר מניסיון באופן אוטומטי מבלי להיות מתוכנתים במפורש. למידה עמוקה היא תת-קבוצה של למידת מכונה בבינה מלאכותית (AI) שיש לה רשתות המסוגלות ללמוד ללא פיקוח מנתונים שאינם מובנים או ללא תווית. מהן היכולות הנוכחיות והעתידיות של בינה מלאכותית? היכולות הנוכחיות של AI כוללות דוגמאות כמו עוזרים אישיים (Siri, Alexa, Google Home), מכוניות חכמות (Tesla), התאמה התנהגותית לשיפור האינטליגנציה הרגשית של נציגי תמיכת לקוחות, שימוש בלמידת מכונה ואלגוריתמים חזויים כדי לשפר את חווית הלקוח, עסקאות בינה מלאכותית כמו זו של אמזון, המלצות תוכן מותאמות אישית (Netflix), שליטה קולית ותרמוסטטים ללמידה. יכולות עתידיות של AI עשויות לכלול כנראה מכוניות אוטונומיות מלאות, חקלאות מדויקת, בקרי תעבורה אוויריים עתידיים, כיתות עתידיות עם אינפורמטיקה סביבתית, מערכות עירוניות, ערים חכמות וכן הלאה. כדי לדעת יותר על היקף הבינה המלאכותית בעסק שלך, אנא צור קשר עם המומחה שלנו.

Google Colab: Google Colab היא פלטפורמה מקוונת המאפשרת למשתמשים לשתף ולהריץ סקריפטים של Python בענן Graphics Processing Unit(GPU): GPU, או יחידת עיבוד גרפית, הוא סוג מיוחד של שבב מחשב שנועד להתמודד עם המורכבות חישובים הדרושים להצגת תמונות ווידאו במחשב או במכשיר אחר. זה כמו המוח של המערכת הגרפית של המחשב שלך, והוא ממש טוב לעשות הרבה מתמטיקה ממש מהר. GPUs משמשים סוגים רבים ושונים של מכשירים, כולל מחשבים, טלפונים וקונסולות משחקים. הם שימושיים במיוחד למשימות הדורשות כוח עיבוד רב, כמו משחקי וידאו, עיבוד גרפיקה תלת-ממדית או הפעלת אלגוריתמים של למידת מכונה. מודל שפה גדול (LLM): סוג של מודל למידת מכונה שאומן על כמות גדולה מאוד של נתוני טקסט ומסוגל ליצור טקסט בעל צליל טבעי. Machine Learning (ML): שיטה ללמד מחשבים ללמוד מנתונים, מבלי להיות מתוכנתים במפורש. עיבוד שפה טבעית (NLP): תת-תחום של AI המתמקד בהוראת מכונות להבין, לעבד וליצור שפה אנושית רשתות עצביות: סוג של אלגוריתם למידת מכונה המבוססת על המבנה והתפקוד של המוח. שדות קרינה עצביים (NeRF): שדות קרינה עצביים הם סוג של מודל למידה עמוקה שיכול לשמש למגוון משימות, כולל יצירת תמונה, זיהוי אובייקטים ופילוח. NeRFs שואבים השראה מהרעיון של שימוש ברשת עצבית למודל של זוהר תמונה, שהוא מדד לכמות האור שנפלט או מוחזר על ידי אובייקט. OpenAI: OpenAI הוא מכון מחקר המתמקד בפיתוח וקידום טכנולוגיות בינה מלאכותית שהן בטוחות, שקופות ומועילות לחברה. Overfitting: בעיה נפוצה בלמידת מכונה, שבה המודל מתפקד היטב בנתוני האימון אך גרועים בחדשים, בלתי נראים. נתונים. זה מתרחש כאשר המודל מורכב מדי ולמד יותר מדי פרטים מנתוני האימון, כך שהוא לא מכליל היטב. הנחיה: הנחיה היא פיסת טקסט המשמשת לתכנון מודל שפה גדול ולהנחות את הדור שלו Python: Python היא שפת תכנות פופולרית ברמה גבוהה הידועה בפשטות, בקריאות ובגמישות שלה (כלי AI רבים משתמשים בה) למידת חיזוק: סוג של למידת מכונה שבה המודל לומד על ידי ניסוי וטעייה, מקבל תגמולים או עונשים על מעשיו ומתאים את התנהגותו בהתאם. מחשוב מרחבי: מחשוב מרחבי הוא השימוש בטכנולוגיה כדי להוסיף מידע וחוויות דיגיטליות לעולם הפיזי. זה יכול לכלול דברים כמו מציאות רבודה, שבה מידע דיגיטלי מתווסף למה שאתה רואה בעולם האמיתי, או מציאות מדומה, שבה אתה יכול לשקוע במלואו בסביבה דיגיטלית. יש לו שימושים רבים ושונים, כמו בחינוך, בידור ועיצוב, והוא יכול לשנות את האופן שבו אנו מתקשרים עם העולם ואחד עם השני. דיפוזיה יציבה: דיפוזיה יציבה מייצרת תמונות אמנותיות מורכבות המבוססות על הנחיות טקסט. זהו מודל AI של סינתזת תמונות בקוד פתוח הזמין לכולם. ניתן להתקין את ה-Stable Diffusion באופן מקומי באמצעות קוד שנמצא ב-GitHub או שישנם מספר ממשקי משתמש מקוונים הממנפים גם מודלים של Stable Diffusion. למידה מפוקחת: סוג של למידת מכונה שבה נתוני האימון מסומנים והמודל מאומן לבצע תחזיות על סמך היחסים בין נתוני הקלט והתוויות המתאימות. למידה ללא פיקוח: סוג של למידת מכונה שבה נתוני האימון אינם מסומנים, והמודל מאומן למצוא דפוסים ויחסים בנתונים בעצמו. Webhook: Webhook הוא דרך של תוכנת מחשב אחת לשלוח הודעה או נתונים לתוכנית אחרת דרך האינטרנט בזמן אמת. זה עובד על ידי שליחת ההודעה או הנתונים לכתובת URL ספציפית, השייכת לתוכנית האחרת. Webhooks משמשים לעתים קרובות כדי להפוך תהליכים לאוטומטיים ולהקל על תוכניות שונות לתקשר ולעבוד יחד. הם כלי שימושי למפתחים שרוצים לבנות יישומים מותאמים אישית או ליצור אינטגרציות בין מערכות תוכנה שונות.