في خطوة مهمة نحو تحسين أداء الذكاء الاصطناعي في المجال المالي، تم تقديم إطار عمل CIFQA (الإجابة على الاستفسارات المالية المعقدة) الذي يستند بشكل كبير إلى أدوات حاسوبية دقيقة. هذا الإطار الجديد يمثل نقلة نوعية في كيفية معالجة الأسئلة المعقدة التي تتطلب احتسابات دقيقة.

تعتبر عملية تقديم إجابات مالية معقدة تحديًا حقيقيًا، حيث تحتاج إلى فهم دقيق للبيانات الهيكلية والشروط الزمنية والمعادلات الرقمية. ورغم أن النماذج اللغوية الكبيرة (Large Language Models) قد أثبتت قوتها في معالجة المهام المتعلقة باللغة الطبيعية، إلا أنها كثيرًا ما تنتج إجابات تبدو معقولة ولكنها غير صحيحة من الناحية العددية عند التعامل مع مسائل الحسابات المالية متعددة الخطوات.

للتغلب على هذه العقبة، يتيح إطار CIFQA فصل فهم اللغة عن تنفيذ الحسابات العددية من خلال تخصيص وكلاء متخصصين لمهام متعددة مثل تفسير الاستفسارات وتوجيهها واستخراج المعلمات وتخطيط الحسابات وتوليد الاستجابات. وتُستخدم أدوات قائمة على بايثون (Python) لأداء الحسابات المالية وتطبيق القواعد.

تم تطبيق هذا الإطار على أسئلة حول الودائع الثابتة، حيث أظهر نتائج مذهلة، محققًا دقة بنسبة 95.54% في الاستفسارات المعقدة حول الحسابات، و90.87% دقة عامة، متفوقًا بشكل كبير على الأنماط اللغوية المباشرة حتى عند تزويدها بكل المعادلات وبطاقات الأسعار.

تحليل النتائج أظهر أن المكونات الحاسوبية الدقيقة مثل البحث عن المعدلات الدقيقة، وحساب مدة الوديعة، وتعديل السنوات المتتالية، من الأمور الحاسمة لتحسين الأداء. والأهم من ذلك، أن نموذجًا مفتوح المصدر حجمه 17 مليار يُظهر أداءً متفوقًا بشكل كبير على نماذج أكبر تم تقييمها باستخدام نفس المعلومات المالية، مما يدل على أن تصميم الهيكل هو عنصر أكثر أهمية في موثوقية الأرقام من حجم النموذج.

بينما تم تقييم CIFQA على استفسارات الودائع الثابتة، فإنه يوفر إطار عمل قابل للتعميم لمهام التفكير المالي المعقد، مما يفتح آفاقًا جديدة للبحث والتطوير في هذا المجال.