تعزيز الثقة في التحليل المالي باستخدام نموذج المعرفة المدفوع: إطار مبتكر لزيادة موثوقية التحليلات

يشكل اعتماد المؤسسات على نماذج اللغة الكبيرة (Large Language Models) في القطاع المالي تحدياً، حيث يعتمد نجاح هذه النماذج ليس فقط على دقتها، بل وأيضاً على موثوقيتها. يقدم البحث الجديد إطاراً مبتكراً يدعى "إطار التحليلات المعتمد على المعرفة" (Knowledge-Driven Analytics Framework - KDAF) الذي يسعى لتقديم حلقة وصل بين المعلومات المالية وموثوقيتها عبر تعزيز إمكانية المراجعة والتتبع للبيانات.

يقوم إطار KDAF بتطوير أنظمة معرفة مدفوعة بالمصطلحات عبر ست مراحل تكرارية، حيث يعتمد على ما يعرف بـ "انتشار الصلة السياقية" (Context-Aware Relevance Propagation - CARP) لاسترجاع الأدلة اللازمة. وفي كل مرة يتم فيها استرجاع معلومة، تحمل هذه الأخيرة نوع العلاقة، درجات الثقة، وسلسلة المصادر.

لقد أجريت تقييمات على 145 سؤالاً في FinanceBench لتحديد أداء KDAF مقارنةً بالطرق التقليدية مثل الاستدلال بدون سياق (Zero-context inference) وBM25 وطرق استرجاع مدفوعة بالمفاهيم. وكشفت النتائج أن الاسترجاع يُعد عنصراً أساسياً، حيث حقق الاستدلال بدون سياق نسبة دقة تصل إلى 4.1% مقابل 10-12% في ظروف معززة بالاسترجاع.

وعند مقارنة دقة الإجابات، أثبتت النتائج أنه لا يوجد فرق كبير إحصائياً بين KDAF وBM25، مما يشير إلى أن الدقة وحدها لا تبرر الحاجة للاسترجاع المهيكل. لكن عند تقييم إمكانية التدقيق، حصل KDAF على أكبر درجة تتبع استشهاد (Citation Traceability) بين جميع الطرق. حيث بلغت F1 0.515، مما يزيد عن طرق الاسترجاع الأخرى.

بناء على ذلك، يبرز أهمية إمكانية المراجعة كعنصر حاسم تبرر التكلفة المرتبطة باسترجاع المعرفة المعتمد على المصطلحات، مما يعزز من الثقة في التحليلات المالية واستخدام نماذج اللغة الكبيرة بشكل عام. هل تتوقع أن يكون لهذا الإطار تأثير كبير على كيفية استخدام الذكاء الاصطناعي في الماليات؟ شاركونا آرائكم في التعليقات!