في عالم المال والاستثمار، يعتمد صناع القرار على النماذج الزمنية (Time Series Models) التي تتوقع الأرقام، لكن ماذا عن الحاجة إلى استشارات دقيقة وصحيحة؟ هنا يأتي دور تحسين التفضيل الرجعي (Hindsight Preference Optimization)؛ وهو مفهوم مبتكر يعد بمثابة الجسر بين الذكاء الاصطناعي ومتطلبات اتخاذ القرار.

تتسم هذه الطريقة بالتحدي، حيث أن جودة التوقعات تعتمد على نتائج غير معروفة في وقت التنبؤ. ولكن القائمين على الدراسة قاموا بجمع أفكار من التعلم التعزيزي (Reinforcement Learning)، حيث استخدموا معلومات لم تكن متاحة أثناء التنفيذ لإنتاج إشارات تدريبية رجعية.

مفهوم القطع الأفقي هنا يعتمد على اتخاذ القرارات بناءً على النتائج الفعلية، مما يمكّن نماذج اللغة الكبيرة (Large Language Models) من تقييم وإعطاء تفضيلات دقيقة استنادًا إلى متغيرات غير قابلة للقياس. وفي تجربة جديدة، تم تطبيق هذا المفهوم على استشارات تعتمد على نموذج الرؤية-اللغة (Vision-Language Model) حول بيانات مؤشرات الأسهم مثل S&P 500، حيث أظهر نموذج يتكون من 4 مليارات معلمة تفوقًا على نموذج آخر يتكون من 235 مليار معلمة في الدقة وجودة الاستشارات.

في النهاية، يمكن أن تكون هذه الابتكارات خطوة مهمة نحو تحسين دقة الاستشارات المالية، مما يؤدي إلى اتخاذ قرارات استثمارية أكثر ذكاءً. هل أنتم متحمسون لرؤية كيف ستغير هذه التقنية المشهد المالي؟ شاركونا آراءكم في التعليقات!