في عالم المال والتداول، تعد حوارات المجموعات متعددة الأطراف أمرًا حيويًا للمتخصصين في المبيعات والتداول، ولكن تعقيد تلك الحوارات يجعل من الصعب استعادة الصفقات المفقودة يدويًا. كل طلب عرض أسعار (Request for Quote - RFQ) يعتبر حدثًا، لكن سعره النهائي ونتيجة الصفقة تظهر بعد عدة رسائل من رسائل التحفيز، مما يزيد من تعقيد استرداد المعلومات.

هنا تأتي تقنية FinDialogLens، التي تقدم حلاً مبتكرًا لاستخراج الأحداث في هذه الحوارات. تعتمد FinDialogLens على نظام هجين لنماذج اللغات الكبيرة (Large Language Models - LLM) والذي يعمل كخط دفاع أول ويدعم قرارات الاستخراج بخوارزميات مدربة مسبقًا.

تقوم هذه التقنية باكتشاف متطلبات RFQ وتحليل البيانات المتعلقة بإخراج الأسعار والصفقات. يتضمن نظام العمل لديها وحدة لفرز نوافذ RFQ لكل حدث، بالإضافة إلى محرك تداول يقوم بتعبئة الأدوار المعنية.

بفضل نموذج GPT-4o، تمكنت FinDialogLens من تحقيق دقة تصل إلى 92.1% لسعر النهائي و94.3% لنتيجة الصفقة. ولم تقتصر هذه النتائج على نماذج لغوية عملاقة؛ فعلى الرغم من استخدام نماذج مفتوحة المصدر تحتوي على 3 مليار بارامتر، حققت الأداء المماثل مع بيانات محدودة.

لضمان التطبيق العملي لنموذج LLM على نطاق واسع، تم تصميم مموجه يدرك مقدار الصعوبة في معالجة طلبات العرض، مما يوازن بين التكلفة والدقة عن طريق تخصيص RFQ بين محرك قائم على القواعد بتكلفة منخفضة ومحرك تداول مدعوم بـ LLM، مما يقلل من الطلبات على نموذج LLM بنسبة 85% مع الحفاظ على نصف الفجوة في الدقة مقارنةً بتقنية FinDialogLens (GPT-4o) ويوفر أكثر من 300 دولار يوميًا، مع التعامل مع 70,000 RFQ يوميًا.

هذه الابتكارات تعكس كيف يمكن لتكنولوجيا الذكاء الاصطناعي أن تسهم في تحسين دقة العمل في مجالات المال والتداول، فهل أنتم مستعدون لاستغلال هذا التطور؟