تحويل الأخبار المالية إلى ملخصات ذكية: دراسة رائدة باستخدام نماذج اللغات الضخمة

يواجه المحللون والمستثمرون في سوق الأسهم تحدياً يومياً يتمثل في تدفق هائل من الأخبار المالية، بينما لا يملكون الوقت الكافي لمراجعتها. فكيف يمكن لنماذج الذكاء الاصطناعي أن تساعد في هذا السياق؟ في خريف 2023، قامت جامعة جورج واشنطن بإجراء دراسة رائدة استهدفت استخدام نماذج اللغات الضخمة (Large Language Models) لأتمتة عملية تلخيص الأخبار المالية.

في هذه الدراسة، قام الباحثون بتطوير نظام يجمع الأخبار المالية من واجهة برمجة التطبيقات News API، بالإضافة إلى معلومات عن الشركات من ويكيبيديا وبيانات أسعار الأسهم من Yahoo Finance لأكثر من 10 شركات كبرى مثل (AAPL, MSFT, GOOGL, AMZN, META, TSLA, JPM, NVDA, WMT, DIS). وقد طُورت قالب بسيط وفعال لتحويل بيانات الأسهم إلى سرد نصي طبيعي، وذلك لأن نماذج اللغات الضخمة لا تستطيع معالجة الجداول العددية مباشرة.

كما تم اختبار طريقتين للتلخيص - الأولى تعتمد على تقنية Summarize Chains والثانية على توليد مُعزز للاسترجاع (Retrieval-Augmented Generation) باستخدام FAISS، تم ذلك عبر ثلاثة نماذج مفتوحة المصدر (Falcon-7B-Instruct، DistilBART-CNN-12-6، BART-Large-XSum) لتلخيص الأخبار، ونموذج GPT (text-davinci-003) لتلخيص الأسهم.

نتائج الدراسة صدمت الكثيرين؛ حيث أظهرت أن نموذج Falcon-7B باستخدام تقنية Summarize Chains حقق أفضل النتائج، حيث غطت جميع الأحداث الأخبارية بدقة ووضوح. في حين كان الأسلوب RAG واعدًا من الناحية النظرية، إلا أنه أدى إلى تكرار شديد في نموذج Falcon وابتكار حقائق غير دقيقة في نموذج BART-Large عند زيادة قيمة k.

ومن الجدير بالذكر أن كل من الأسلوبين المستندين إلى نماذج اللغات الضخمة تفوقا على الأسلوب التقليدي Lead-3 في تقييم ROUGE-1. كما قام الباحثون بتطوير لوحة تحكم عبر Streamlit لتصور البيانات المالية بطريقة تفاعلية. وجدير بالذكر أن هذه العمل تم قبل أن تصبح الأدوات المالية المرتكزة على RAG شائعة، مما يجعل النتائج التي تم توثيقها، خصوصًا فيما يتعلق بالهلاوس في طُرق RAG، لا تزال ذات صلة حتى اليوم.

ما رأيكم في إمكانية أتمتة تلخيص الأخبار المالية باستخدام الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!