تتزايد شعبية نماذج اللغات الضخمة (Large Language Models) في دعم العمليات المالية، ولكن أداءها في الاستدلال قد يعتمد بشكل كبير على مدى توافر الأدلة الصحيحة. في سياق التوفيق المالي، تتوزع الأدلة اللازمة للتشخيص عبر الفواتير وأوامر الشراء والموافقات والمدفوعات وغيرها، والتي ترتبط بعلاقات معاملة بدلاً من التشابه النصي.
لهذا، قد يتداخل دقة المعالجة النهائية مع جودة الاستدلال.

أعلن الباحثون عن إطلاق FinRCA-Bench، وهو معيار اصطناعي حاسم يتألف من 2250 حالة للتوفيق بين الحسابات والعمل المصرفي، ويشمل 14 جدولاً تشغيليًا، ضمنها 1500 خطأ مُحقن عبر 15 فئة سببية و750 حالة صحيحة أو سلبية صعبة. تتم حماية تسميات الأسباب الجذرية وعقود الأدلة على مستوى السجل، مما يسمح بتقييم الاسترجاع بشكل مستقل عن دقة الإجابات.

تمت المقارنة بين تقنيات متعددة مثل قواعد البيانات (Rules/SQL) وتعليم الآلة التقليدية، وكذلك الاسترجاع الدلالي الكثيف. وقد أظهرت النتائج أن التقنيات المختلفة تستعيد دقة متفاوتة، بينما تؤكد أن أخطاء الاسترجاع البنائية تفوق أخطاء الاستدلال حيث كانت النتائج 95 مقابل 15.

أكدت الدراسة أن بنية الاسترجاع تلعب دوراً محورياً في تشكيل أداء أنظمة الذكاء الاصطناعي، وتوفير عقود الأدلة الصحيحة يظل تحديًا قائمًا يحتاج إلى تحسينات.

في ظل هذه التطورات، ما رأيكم في تأثير هذه التقنية على مستقبل الأنظمة المالية؟ شاركونا آرائكم في التعليقات.