పెరుగుతున్న మార్కెట్ డేటా భారంతో Bloomberg తన Terminal ను chatbot యుగంలోకి తీసుకెళ్తోంది

Bloomberg నిపుణులు market data ను విచారించే విధానాన్ని మళ్లీ డిజైన్ చేస్తోంది

Bloomberg తన ప్రధాన Terminal పై పెద్ద AI-driven మార్పును పరీక్షిస్తోంది, అందులో ASKB అనే chatbot-శైలి ఇంటర్‌ఫేస్‌ను జోడిస్తోంది. కారణం, financial professionals ఎదుర్కొంటున్న పెరుగుతున్న సమస్యను సంస్థ పరిష్కరించడానికి ప్రయత్నిస్తోంది: ఇప్పుడు product లో ఉన్న data, అనేక users నిజంగా వేగంగా search, synthesize, మరియు act చేయగలిగే దానికంటే ఎక్కువగా ఉంది.

Bloomberg chief technology officer Shawn Edwards ప్రకారం, సమస్య information కొరత కాదు, దానికి విరుద్ధం. Terminal earnings reports మరియు market prices దాటి weather forecasts, shipping logs, factory locations, consumer spending patterns, private-loan information వంటి విస్తరిస్తున్న inputs ను absorb చేస్తూనే ఉంది. ఆ broader data picture విలువైనదే, కానీ conventional navigation ను కూడా కష్టతరం చేస్తుంది. పరిస్థితి increasingly untenable అవుతోందని Edwards వివరించారు, సంబంధిత signals ను users miss చేయవచ్చని లేదా వాటిని చేరుకోవడానికి ఎక్కువ సమయం తీసుకోవచ్చని ఆయన వాదించారు.

Bloomberg సమాధానం ASKB. ఇది విభిన్న language models సముదాయం మీద నిర్మితమైన natural-language layer. function codes మరియు manually selected datasets ల శ్రేణి కంటే, investment thesis లేదా macro question తో ప్రారంభించే అవకాశం users కు ఇవ్వడం దీని ఆలోచన. ప్రాక్టికల్‌గా, broad portfolio question ను అడిగి, system సంబంధిత evidence, relationships, risk factors ను long manual workflow లేకుండా నిమిషాల్లో సమీకరించేలా చేయవచ్చు.

ఇది ఇప్పుడు ఎందుకు ముఖ్యం

Terminal దీర్ఘకాలంగా దాని density మరియు learned complexity ద్వారా నిర్వచించబడింది. దానిలో mastery సాంప్రదాయంగా ఒక professional advantage. అనుభవజ్ఞులైన users ప్రత్యేక screens ద్వారా ఎలా కదలాలో, obscure datapoints ను ఎలా isolate చేయాలో, మరియు scattered information ను తక్కువ అనుభవం ఉన్న rivals కంటే వేగంగా ఎలా కలపాలో తెలుసుకుంటారు. Bloomberg ఈ identity ను వదులుకోవడం లేదు, కానీ data growth పాత interaction model పై ఒత్తిడి పెడుతోందని స్పష్టంగా అంగీకరిస్తోంది.

ఇది ఒక ముఖ్యమైన క్షణం, ఎందుకంటే generative AI experimental side tools నుండి high-value industries యొక్క core workflow software లోకి ఎలా మారుతోందో ఇది చూపిస్తుంది. consumer applications లో chatbot interfaces తరచూ convenience features గా పరిగణించబడతాయి. Terminal లో stakes వేరే విధంగా ఉంటాయి. ఇక్కడ వాగ్దానం ఏమిటంటే, ఒక ఆలోచన చుట్టూ ప్రపంచం గురించి traders, analysts, portfolio managers ఎంత వేగంగా దృక్పథం ఏర్పరచుకుంటారో AI మార్చగలదు.

Bloomberg framing ప్రత్యేకంగా గమనించదగ్గది, ఎందుకంటే ఇది expertise ను భర్తీ చేయడం కంటే, ఒక ప్రశ్న మరియు దాన్ని పరిశీలించడానికి అవసరమైన evidence మధ్య ఉన్న మార్గాన్ని సంక్షిప్తం చేయడంపైనే ఎక్కువగా దృష్టి పెడుతోంది. natural-language prompt judgment అవసరాన్ని తొలగించదు, కానీ ఆ judgment కోసం raw material ను కనుగొని, ఏర్పాటు చేసే mechanical burden ను తగ్గించవచ్చు.

విస్తృత beta, కానీ full launch కాదు

ప్రచురణ సమయానికి, ASKB beta Terminal యొక్క 375,000 users లో సుమారు మూడొంతులలో ఒకరికి అందుబాటులో ఉందని Bloomberg చెబుతోంది. full release కు తేదీని company ఇవ్వలేదు. ఈ partial rollout, financial workflows యొక్క sensitivity మరియు తప్పు లేదా తప్పుదారి పట్టించే AI-generated outputs తో కూడిన reputational risk ను పరిగణనలోకి తీసుకుంటే, Bloomberg జాగ్రత్తగా ముందుకు సాగుతోందని సూచిస్తుంది.

ఆ caution ముఖ్యమైనది. ఒక consumer chatbot occasional sloppiness ను, వేగం, విశ్వసనీయత, మరియు traceable information మీద ఆధారపడే professional financial platform కంటే సులభంగా తట్టుకోగలదు. ఆ వాతావరణంలో AI కేవలం plausible గా వినిపించడమే కాకుండా మరిన్ని చేయాలి. users సరైన data ను కనుగొనడంలో, దాని synthesis వెనుక logic ను బయటపెట్టడంలో, మరియు analysis ను వక్రీకరించే hallucinations ను నివారించడంలో సహాయం చేయాలి.

ASKB ను multiple models పై నిర్మించాలనే Bloomberg నిర్ణయం, serious AI deployments లో ఇప్పుడు సాధారణంగా కనిపిస్తున్న pragmatic enterprise approach ను కూడా ప్రతిబింబిస్తోంది. అనుభవాన్ని single model identity కు కట్టిపెట్టే బదులు, పెద్ద language models ను information ను responsibly retrieve, organize, summarize చేసే system యొక్క components గా company చూస్తున్నట్టు తెలుస్తోంది.

Finance software లో deeper shift

ముఖ్యమైన కథ Bloomberg ఒక chatbot ను జోడించింది అన్నది కాదు. finance యొక్క అత్యంత iconic మరియు tradition-bound interfaces లో ఒకటి structured మరియు unstructured data కు conversational access చుట్టూ మళ్లీ రూపుదిద్దుకుంటోంది అన్నదే. ఇది professional software నుండి ఏమి ఆశించబడుతుందో మార్చుతుంది.

చరిత్రపరంగా, Terminal complexity లో navigate చేయగల users ను reward చేసేది. emerging model nuance ను flatten చేయకుండా complexity ను వేగవంతమైన insight గా మార్చగల platforms ను reward చేస్తుంది. Bloomberg విజయవంతమైతే, AI layer ఒక కొత్త రకమైన professional infrastructure గా మారవచ్చు: merely search shortcut కాదు, కానీ అనేక classes of data తో ఒకేసారి hypotheses ను పరీక్షించడంలో users కు సహాయపడే synthesis engine.

Edwards చెప్పిన ఉదాహరణ గమనించదగ్గది. Iran లోని war మరియు oil prices లో మార్పు ఒక portfolio పై ఎలా ప్రభావం చూపుతాయో అడగడం సులభమైన ప్రశ్న కాదు. అది geopolitics, commodities, sector exposures, supply chains, మరియు time horizons ను కలిగి ఉంటుంది. అటువంటి ప్రశ్నను meaningful గా support చేయగల system autocomplete కంటే ఎక్కువ చేయాలి. అది professionals కు పెద్ద information graph అంతటా causality ను map చేయడంలో సహాయపడాలి.

దీని అర్థం పాత Terminal skill set మాయమవుతుందని కాదు. power users ఇప్పటికీ exact data provenance, bespoke screens, మరియు ఏ AI system ఏమి చేస్తోందో verify చేసే సామర్థ్యాన్ని కోరుకుంటారు. కానీ Bloomberg చర్య, financial software లో తదుపరి competitive layer trusted proprietary data ను natural-language reasoning మరియు workflow compression తో ఎవరు అత్యుత్తమంగా కలపగలరో దానిపై కేంద్రీకృతమవుతుందనే సూచన ఇస్తోంది.

గమనించాల్సింది

• Bloomberg ASKB ను synthesis నుండి వేగవంతమైన screening, scenario analysis, లేదా document generation వంటి deeper workflow actions కు విస్తరిస్తుందా అనే విషయం.
• beta మరింత professionals కు చేరేకొద్దీ hallucination risk మరియు user trust ను company ఎలా నిర్వహిస్తుందో.
• సాంప్రదాయ Terminal users system ను accelerator గా స్వీకరిస్తారా లేదా precision ను కప్పివేయగల layer గా ప్రతిఘటిస్తారా అనేది.
• Conversational interfaces enterprise data stack లో భాగమవుతున్నప్పుడు rival financial-information platforms ఎలా స్పందిస్తాయో.

Bloomberg అనుసంధానంగా market intelligence భవిష్యత్తు ఇతరులకన్నా ఎక్కువ information కలిగి ఉండడమే కాదు, ఆ information ను thought speed తోనే interrogate చేయగలిగేలా చేయడమనే దానిపై bet చేస్తోంది. ఆ bet పనిచేస్తే, Terminal యొక్క సంవత్సరాల లో అత్యంత ముఖ్యమైన redesign visual గా ఉండకపోవచ్చు. అది commands memorize చేయడం నుండి better questions అడగడంపై మార్పు కావచ్చు.

ఈ article Wired నివేదికపై ఆధారపడింది. మూల article చదవండి.