في عالم الأسواق المالية المتسارعة، حيث تتزايد كميات البيانات بشكل هائل، أصبحت كفاءة الذكاء الاصطناعي (AI) ضرورة ملحة لضمان نجاح الأنظمة المالية المتقدمة. منذ ازدهار أسواق الأسهم، صناديق الاستثمار المتداولة، العملات الأجنبية، الخيارات، وتداول الأسهم عالية التردد، واجهت أنظمة الذكاء الاصطناعي تحديًا رئيسيًا يتمثل في القدرة على التعلم من كميات أكبر من البيانات التاريخية، بينما تحتاج في الوقت نفسه إلى تلبية قيود زمنية صارمة في التداول وإدارة المخاطر.

تقدم دراسة جديدة تقنية تعلم الجوار الأقرب (Nearest-Neighbor Learning) كحالة دراسية ملموسة تظهر أن الذكاء الاصطناعي القائم على تقنية Mojo يمكنه مواجهة هذا التحدي. تستخدم هذه التقنية هيكل بيانات k-d tree المتقدم مع تقسيم يعتمد على التباين، وتخزين متجاور في ذاكرة مؤقتة، وحساب المسافات بطريقة محسنة أثناء وقت التجميع.

النتائج تشير إلى أن هذه التقنية الجديدة تتفوق على الأساليب التقليدية، حيث أظهرت مقارنة أداء النظام بأنها تحقق تسارعًا يصل إلى 21.6 مرة مقارنةً بـ scikit-learn على خوادم x86 و43.5 مرة على خوادم ARM64. بالإضافة إلى ذلك، تمكنت أنظمة Mojo من تدريب نماذج تسعير التقلب الضمني باستخدام كمية أكبر بعشر مرات من بيانات الخيارات، مما أدى إلى تقليل خطأ الجذر التربيعي لمتوسط ​​الأخطاء (RMSE) بشكل ملحوظ.

تلك النتائج تضع Mojo كمزيج متكامل وقابل للتوسع في الذكاء الاصطناعي المالي، مما يفتح الأبواب أمام تطوير حلول ذكاء اصطناعي الفعالة في مجالات أخرى تعتمد على البيانات بكثافة.