في عالم يتسم بالتنافسية الشديدة، يُعتبر التنبؤ الدقيق أحد الأعمدة الأساسية في تقديم الخدمات المالية الحديثة. تقليديًا، تم التعامل مع مجموعة واسعة من المهام المالية باستخدام نماذج منفصلة تم تدريبها على ميزات جدولة يدوية المعالجة. هذه المقاربة الخاصة بالمهام تقيّد إمكانية إعادة الاستخدام وتعيق الاستفادة الكاملة من مصادر البيانات المتنوعة مثل سجلات المعاملات وإشارات التفاعل الرقمي.

في ورقة بحثية جديدة، تم تقديم مقاربة مبتكرة تعتمد على تدريب نموذج تحويلي أساسي (Foundation Model) لتوقع تسلسل الأحداث المتعددة الأنماط. هذا النموذج يجمع الأحداث من عدة مصادر بيانات في تسلسل زمني موحد، مما يتيح دمجًا مبكرًا للأنماط المتنوعة وتعلّم تمثيلات عامة من خلال هدف التنبؤ بالحدث التالي.

ما يميز هذا البحث هو القدرة على دمج التمثيلات المستخرجة من النموذج مع ميزات المستخدمين المعالجة مسبقًا، مما يسمح بتدريب نماذج عصبية خفيفة لأداء مهام متعددة في أسفل السلسلة. وتظهر النتائج أن النظام المقترح يتفوق على النماذج التقليدية الخاصة بالمهام، فضلاً عن تقليل الجهد المطلوب من قبل المطورين.

الأكثر إلهامًا، تم نشر هذا النموذج في الإنتاج في أحد أكبر البنوك في شرق أوروبا، مما حقق تحسينات ملحوظة في مؤشرات الأداء التجاري. يبدو أن دمج البيانات المتنوعة في نموذج واحد يمثل خطوة كبيرة نحو تحسين الخدمات المالية وتحقيق دقة أعلى في التنبؤات.