في ظل التطور السريع في مجال الذكاء الاصطناعي، يعتبر إنشاء تقارير مالية دقيقة ومهنية تحدياً كبيراً. بينما تستطيع النماذج اللغوية الكبيرة (Large Language Models) إنتاج تحليلات مالية سلسة، فإن بساطة السلاسة وحدها لا تكفي لتحديد ما إذا كانت التقارير مناسبة للتسليم المؤسسي.

قدمت الدراسة الجديدة من خلال البحث المعروف باسم FinReportBench، معيارًا قائماً على الخبرة يهدف إلى قياس وتحسين جودة تقارير المؤسسات المالية. وقد أظهر مراجعة الخبراء وجود فجوات متكررة تتعلق بهوية التقرير والمكونات المؤسسية وكذلك تسليم المعلومات بصرياً.

تم استنباط 35 عنصراً من خلال ترتيب الخبراء جزئياً واستخدام أدلة متعددة النماذج، مع إجراء تدقيقات على حدود القرارات، لتغطية جوانب القابلية للتسليم وهوية التقرير والكمال المؤسسي. انطلقت الدراسة من 10,000 سجل بحث مالي متوازن باللغة الصينية والإنجليزية، وتمت مراعاة 244 مهمة ثنائية اللغة على مدى ثلاثة مجالات بحثية ومستويين من المدخلات.

تتضمن كل مهمة فصل الاستفسار العام ومسار البحث المعاد تكوينه والحزمة المصدرية المخفية. لقد أثبتت ثلاث عائلات من الحكام المستقلين قدرتها على إعادة إنتاج ترتيب الخبراء عند معدلات عالية، مما يبرز أن المعايير القابلة للرصد تدعم تقييمًا موثوقًا.

وعبر تسعة نماذج عائلية، كانت القابلية الأساسية للتسليم قريبة من الإشباع، لكن الهوية المؤسسية والكمال المؤسسي لا تزال تمثل العوائق الرئيسية. فيما يتعلق بأكبر الفجوات عبر النماذج المختلفة، كانت تتعلق بالتحكم في تتبع التوليد وكثافة المعلومات، وليس إطار التقرير الأساسي.

توجه البحث أيضًا نحو استخدام مهارات التقطير المستندة إلى المعايير لتحويل الفشل المتكرر إلى قيود توليد وإعادة مراجعة قابلة لإعادة الاستخدام. حيث زادت المهارة المتطورة في خمسة نماذج عائلية بمقدار 33.85 نقطة في الأداء المتوسط و13.83 نقطة في الأداء المقارن.

هذا البحث يحمل في طياته وعودًا هائلة لتحسين جودة التقارير المالية، مما يفتح آفاق جديدة لإنتاج تقارير أكثر كفاءة وفعالية.

ما رأيكم في استخدام الذكاء الاصطناعي لتحسين دقة التقارير المالية؟ شاركونا آرائكم في التعليقات!