في عالم الأسواق المالية المتغير، تُعتبر نماذج اللغات الضخمة (Large Language Models) أدوات فعّالة لإدارة المحافظ المالية. ومع ذلك، تواجه هذه النماذج العديد من التحديات، مثل اعتمادها في تقييم ذكريات التجارب السابقة بناءً على نتائج القرارات، مما قد يؤدي إلى تقييم خاطئ. لذا، قام الباحثون بتطوير نهج مبتكر يُعرف بـ 'MemTrial'.

يهدف نموذج MemTrial إلى تحقيق ثقة أكبر في الذاكرة من خلال تحليل ما يُغيّره كل قرار، حيث يقوم بتجربة قرارات مختلفة مع ومن دون تجربة معينة ليتمكن من إلغاء تأثير السوق على التقييم. هذا النموذج يعتمد على تصميم عامل كسري لاختيار مزيجٍ من التجارب المسترجعة، ويُقيّم كل تجربة باستخدام قيمة Banzhaf، والتي تُعتبر مقياسًا لمنفعة التجربة.

تظهر النتائج أن MemTrial ليس فقط يُساعد على الاستفادة من التجارب الأكثر أهمية، بل يُعزّز أيضًا الأداء بتقليل الخسائر في الظروف غير المؤاتية. حيث تم تقييمه على أربعة معايير مختلفة، ويظهر تحسنًا بلغ 21.2% مقارنة بأفضل نماذج التعلم القائم على التجارب. ومع استخدام ثمانية نماذج لغوية، يُظهر MemTrial أداءً يفوق كل القواعد المستندة إلى نماذج اللغات الضخمة على منصة InvestorBench.

تُعد هذه التطورات خطوة هامة نحو تحسين كيفية اعتماد وكلاء الذكاء الاصطناعي على الذكريات في اتخاذ قرارات مالية استراتيجية. فهل سيكون MemTrial الجيل الجديد من وكلاء إدارة المحافظ؟