تعتبر نماذج اللغات الضخمة (LLMs) واحدة من التطورات الحديثة في مجالات الذكاء الاصطناعي، حيث يتم اقتراح استخدامها في مجموعة متنوعة من الأغراض مثل كشف الاحتيال، والتحقيق في عمليات الخداع، وإدارة المحتوى. بالرغم من الاهتمام المتزايد بهذه التقنيات، إلا أن الأبحاث الحالية لا تزال تركز بشكل كبير على تقييم النماذج، مع إغفال جوانب سلوكها كأجزاء ضمن أنظمة تشغيلية متكاملة.

هذا يطرح سؤالاً مهماً: ما الذي يبرر إدخال نموذج لغوي ضخم في سير عمل حي يتطلب إدارة قيود مثل الزمن، والتكلفة، والتصعيد، ومراجعة الإنسان، والمخاطر المعادية؟

تناول الباحثون هذا السؤال من خلال إجراء مسح شامل حول الأدلة المرتبطة باستخدام LLMs في مجالات الكشف عن الاحتيال، حيث قاموا بتحليل 49 مصدراً ذا صلة بعمليات النماذج في هذا المجال. تضمنت هذه المراجع نظم وأطر عمل ومراجعات ذات صلة بالانتشار، مما أظهر وجود خلل واضح في الأدلة المجمعة. حيث يوجد في المصادر المتعلقة بعمليات الاحتيال 18 دراسة، بينما تشمل دراسات إدارة المحتوى 14 دراسة، و17 دراسة تتعلق بمجالات متعددة.

الأمر اللافت للنظر هو أن الأدلة المتعلقة بالكشف عن الاحتيال لم تتضمن معلومات دقيقة حول الزمن المستغرق لكل قرار، أو التكلفة المخصصة لكل قرار، أو أدلة التقييم، بل غالباً ما كانت تشير إلى أداء المهمة في سياقات غير مباشرة.

لإضافة للمسيرة، قدم المسح إطار عمل يُعرف بـ FORTE، والذي يساعد في تصنيف نماذج اللغات الضخمة كأجزاء من النظام، سواء كانت تستخدم ك classifiers أو مدخلات استرجاعية أو مولدات تفسيرات. كما تم وضع قائمة فحص لأدلة الانتشار، تتضمن Budget الزمن، وتكلفة كل قرار، وحدود القرارات، ونزاهة الشرح، وضغوط الخصوم.

هذا البحث يُسلط الضوء على الضرورة لدراسات إضافية تدعم المطالبات المتعلقة بنشر نماذج اللغات الضخمة في مجالات الاحتيال وسلامة المحتوى. هل نحن مستعدون لتبني هذه النماذج في العملية الحقيقية؟