في عالم الذكاء الاصطناعي، تبرز الحاجة إلى دقة المعلومات المالية بشكل متزايد، خاصة مع اقتراب الموعد النهائي لتطبيق قانون الذكاء الاصطناعي الأوروبي في أغسطس 2026. تكشف الأبحاث الحديثة عن مشاكل كبيرة في الأنظمة الذكية الحالية؛ حيث تقوم نماذج اللغات الضخمة (Large Language Models) بإنتاج معلومات خاطئة، تشمل اختراع مؤشرات وأرقام غير دقيقة. وفي هذا السياق، تقدم FinGround حلاً مبتكرًا يدعم شفافيتنا المالية.

يعتمد نظام FinGround على منهجية ثلاثية المراحل تعرف بـ“تحقق ثم أرضية” (verify-then-ground) في معالجة أسئلة وثائق المالية. تُجرى المرحلة الأولى البحث الهجين المدرك للمالية، الذي يجمع بين النصوص والجداول، مما يسهل الوصول إلى المعلومات الصحيحة. أما المرحلة الثانية، فتعمل على تقسيم الإجابات إلى مكونات أساسية (atomic claims) مصنفة وفقًا لتصنيف مالي يتضمن ستة أنواع، ويتم التحقق منها عبر استراتيجيات متنوعة تشمل إعادة بناء الصيغ. وفي المرحلة الثالثة، يُعاد صياغة الادعاءات غير المدعومة باستخدام الاقتباسات على مستوى الفقرات والخلايا.

ما يميز هذا النظام هو قدرته الفائقة على تقليل معدل الأخطاء، حيث أظهرت التجارب أن FinGround يقلل من معدلات الأخطاء بنحو 68% مقارنة بأفضل الأنظمة المتاحة حتى الآن. وبفضل تقييم موحد للاسترجاع، تبين أن النظام لا يقدم حلولًا فقط، بل يُحسن من دقة المعلومات المتاحة لكل استعلام، مع تحقيق معدل دقة يبلغ 91.4% باستخدام كاشف سريع.

إن استخدام FinGround في العمليّات اليومية يمكن أن يعوّض بشكل كبير عن الأخطاء الناتجة عن النماذج الحالية، مما يوفر موارد كبيرة ويعزز الثقة في المعلومات المالية. كما أن هذا النظام يُعتبر معلماً جديداً يعكس التوجه نحو نظم ذكاء اصطناعي أكثر دقة وموثوقية في القطاع المالي. هل تعتقد أن مثل هذه الأنظمة ستغير من مستقبل خدمات المالية بشكل جذري؟ شاركونا آرائكم في التعليقات!