الذكاء الاصطناعي ودور الشبكات في التنبؤ بنتائج الاستثمار

في مجال الاستثمار في الذكاء الاصطناعي، الذي يُقدّر بـ891 مليار دولار، اكتشفت دراسة حديثة أن العوامل التقليدية التي تُستخدم لقياس نجاح صناديق رأس المال الاستثماري مثل حجم المحفظة أو سجل الأداء أو توقيت السوق قد تكون غير دقيقة. وبدلاً من ذلك، أظهرت النتائج أن المكان الذي يحتله المستثمر في شبكة علاقات مخفية يلعب دورًا حاسمًا في تحديد نجاح استثماراته. قامت الدراسة بتحليل 1318 مستثمرًا، و899 شركة ذكاء اصطناعي، وأكثر من 3000 علاقة استثمارية، باستخدام نماذج معرفية (Knowledge Graphs) وتقنيات تحليل الشبكات وتعلم الآلة. وخلصت إلى أن مراكز المستثمرين في الشبكة تتنبأ بنتائج استثماراتهم بنسبة 84.7%، مقارنة بنسبة 60% فقط لمؤشرات الميزانية التقليدية. تم تصميم مخطط معرفي متعدد الأنواع يتضمن خمسة أنواع رئيسية من العقد (مثل المستثمرين، الشركات، الأشخاص، الصناعات، والجغرافيا)، وثمانية أنواع من العلاقات (مثل الاستثمارات، الشراكات، والمنافسة). وتم بناء هذا المخطط باستخدام تقنيات متقدمة مثل تحليل العناصر المتطابقة، ونموذج الشبكة الزمنية، وتقنيات التعلم الآلي لاستنتاج العلاقات المفقودة. أظهر تحليل السمة بين (Betweenness Centrality) أن المستثمرين ذوي المراكز الوسيطة في الشبكة، مثل "أندرويسين هورويتز" و"سيكويا كابيتال"، يحققون نتائج أفضل بـ2.3 مرة مقارنة بمن لديهم محفظة مماثلة لكنهم أقل تمركزًا في الشبكة. كما أن تحليل "برينج رانك" (PageRank) أظهر أن المستثمرين ذوي التأثير العالي، مثل "سيكويا كابيتال" و"إنفيديا"، يحققون معدل نجاح بلغ 94.7%، مقارنة بـ87.2% للمستثمرين ذوي التأثير المنخفض. باستخدام خوارزمية "لوفان" (Louvain) لتحديد المجموعات، تم تحديد سبع مجموعات استثمارية متميزة، كل منها يحمل خصائص مميزة في النمط والمخاطر والنتائج. كما أظهر تحليل التماثل الزمني أن معاملات التجميع في الشبكة زادت بنسبة 69% بين عامي 2015 و2024، مما يشير إلى ازدياد أهمية الشبكات التعاونية في الاستثمار. أُجريت تجارب باستخدام "نود2فكت" (node2vec) لإنشاء تمثيلات رياضية (Embeddings) لمستثمري الشبكة، ثم تم تدريب نموذج تعلم آلي (Gradient Boosting Classifier) للتنبؤ بالنتائج. ووجد أن 67% من قدرة النموذج على التنبؤ تعتمد على خصائص الشبكة، بينما تبلغ نسبة المؤشرات المالية التقليدية 23%. أشارت الدراسة إلى أن تحليل الشبكات الزمنية يكشف عن أنماط حيوية لم تُلاحظ في التحليلات الثابتة، وأن النماذج الشبكية مثل "جراوف ساج" (GraphSAGE) تُتيح تنبؤات دقيقة تصل إلى 89.2% في تحديد الشراكات المستقبلية. الخلاصة: النماذج المعرفية تغير طريقة فهمنا وتحليلنا للأنظمة المالية المعقدة، وتحل محل الأدوات التقليدية. وتشير النتائج إلى أن المراكز الشبكية وديناميكيات العلاقات تؤثر بشكل كبير على نجاح الاستثمار، وأن من يتقن هذه التقنيات سيكون لديه ميزة حاسمة في عالم تزداد تعقيداته. شركة "إنفيديا" تُعتبر من الشركات الرائدة في مجال التكنولوجيا، وتمثّل دورًا استراتيجيًا في توصيل الشبكات بين التقنية والمال.