في عالم التمويل الحديث، يمثّل الذكاء الاصطناعي (AI) دوراً محورياً في معالجة العديد من القضايا المعقدة، مثل مخاطر الائتمان، وكشف الاحتيال، ومكافحة غسل الأموال. ولكن، مع تقدم تقنيات التعلم الآلي، ظهرت تحديات كبيرة تتعلق بقابلية التكرار (reproducibility) ودقتها.

تسلط دراسة جديدة الضوء على هذه القضايا المتزايدة، حيث تشدد على أن النماذج المالية الأولى كانت تواجه تحديات إحصائية مثل انحرافات الاختبار السابق (backtest overfitting)، إلا أن استخدام الشبكات العصبية العميقة (Deep Neural Networks) والذكاء الاصطناعي التوليدي (Generative AI) قد أدخل عدم حتمية ميكانيكية ناتجة عن مكونات الأجهزة والهياكل المستخدمة.

تشمل هذه الدراسة استعراضاً شاملاً للفشل في قابلية التكرار عبر ثلاثة مجالات رئيسية الآن تهيمن على الذكاء الاصطناعي المالي: النماذج الجدولية، الشبكات الرسومية، وتدفقات العمل المعتمدة على نماذج اللغات الضخمة (LLMs). كما يتم تحليل تجارب أولية على مجموعات بيانات مالية عامة لقياس عدم استقرار ترتيب التفسيرات في تقنيات تصنيف الائتمان، ومعدلات انزلاق التنبؤ في كشف الاحتيال، واختلاف المخرجات الناتج عن تقنية التوازي بالتنسور في استخراج الكيانات باستخدام نماذج اللغات الضخمة.

تقدم الدراسة إطار تقييم متعدد الطبقات يربط بين مقاييس خاصة بكل مجال مثل RBO وD_cos وTDI وPSD للاستعداد للتدقيق. ومن خلال التجارب، يتم التحقق من تكامل مستويات الحتمية على مستوى اللوغيت والسمات.

إن مثل هذه الدراسات تعكس مدى أهمية تقييم دقة وموثوقية أنظمة الذكاء الاصطناعي في المجالات المالية، حيث لا تقتصر المخاطر فقط على النتائج المالية، بل تمتد أيضاً إلى مولودات صنع القرار.

ما رأيكم في هذه التطورات المثيرة في الذكاء الاصطناعي المالي؟ شاركونا آرائكم في التعليقات.