PyFi: Toward Pyramid-like Financial Image Understanding for VLMs via Adversarial Agents

تخيل أنك تحاول تعليم روبوت كيف يكون خبيراً مالياً. تعرض عليه رسماً بيانياً لاقتصاد دولة ما وتسأله: "ماذا يجب أن نفعل لإصلاح هذا؟"

معظم الروبوتات اليوم تشبه السياح الأذكياء ولكن غير الصبورين. يمكنهم قراءة اللافتات على الخريطة (الرسم البياني)، ولكن إذا طلبت منهم التنقل في مدينة معقدة تعج بالازدحامات المرورية والمنعطفات (قرار مالي معقد)، فغالباً ما يضيعون، أو يخمنون بشكل عشوائي، أو يتوهمون حلاً يبدو جيداً ولكنه خاطئ.

يقدم هذا البحث PyFi، وهي طريقة جديدة لتدريب هذه الروبات حتى لا تكتفي بالتخمين فحسب، بل تفكر.

إليك تفصيل لكيفية عمل ذلك، باستخدام تشبيهات بسيطة:

1. المشكلة: "القفزة" كبيرة جداً

حالياً، إذا سألت روبوتاً سؤالاً مالياً صعباً، فإنه يحاول القفز مباشرة إلى الإجابة. الأمر يشبه مطالبة طفل بحل مسألة في التفاضل والتكامل دون تعليمه كيفية الجمع أو الطرح أولاً. قد يحالفه الحظ مرة واحدة، لكنه سيفشل في معظم الأحيان لأنه يفتقر إلى الأساس المتدرج.

2. الحل: "الهرم المالي"

بنى المؤلفون مجموعة بيانات ضخمة للتدريب تسمى PyFi-600K. لا تنظر إليها كمجموعة من الأسئلة العشوائية، بل كـ هرم مكون من 6 طوابق.

• المستوى 1 (القاعدة): "ما هو لون هذا الخط؟" (الإدراك الأساسي).
• المستوى 2: "ما هو الرقم المكتوب هناك؟" (استخراج البيانات).
• المستوى 3: "إذا طرحت هذين الرقمين، فما هي النتيجة؟" (الحساب).
• المستوى 4: "هل هذا الخط يصعد أم يهبط بمرور الوقت؟" (التعرف على الأنماط).
• المستوى 5: "لماذا انخفض؟ وماذا يعني ذلك؟" (الاستنتاج المنطقي).
• المستوى 6 (القمة): "بناءً على كل ذلك، ما هي السياسة التي يجب أن تتبناها الحكومة؟" (اتخاذ القرار).

السر يكمكمن في أن الروبوت لا يمكنه الإجابة على المستوى 6 حتى يجيب بشكل صحيح على المستويات من 1 إلى 5. هذا يجبر الروبوت على بناء سلم من المنطق قبل أن يتمكن من تسلقه.

3. المعلم: "برنامج المسابقات التنافسي"

كيف استطاعوا إنشاء 600,000 من أسئلة الهرم هذه دون توظيف آلاف الخبراء البشريين؟ لقد ابتكروا PyFi-adv، وهو نظام متعدد الوكلاء يعمل مثل برنامج مسابقات.

تخيل وكيلين من الذكاء الاصطناعي يلعبان لعبة:

• المُحلِّل (The Solver): يحاول الإجابة على سؤال.
• المتحدي (The Challenger): يحاول خداع المُحلِّل.

إليك الدورة:

1. يطرح "المتحدي" سؤالاً بسيطاً (المستوى 1).
2. يقوم "المُحلِّل" بالإجابة عليه.
3. إذا أجاب "المُحلِّل" بشكل صحيح، يغضب "المتحدي" ويطرح سؤالاً متابعاً أكثر صعوبة (المستوى 2) بناءً على تلك الإجابة.
4. يستمرون في اللعب، وتزداد الصعوبة تدريجياً، حتى يصلوا إلى قرار معقد (المستوى 6).
5. إذا فشل "المُحلِّل"، تعاد اللعبة من البداية. وإذا نجحوا، يتم حفظ سلسلة الأسئلة كاملة كـ "درس مثالي".

إنه يشبه مباراة ملاكمة حيث يرفع الخصم سقف التوقعات باستمرار حتى يثبت المقاتل أنه بارع. يحدث هذا تلقائياً، مما يؤدي إلى إنشاء مكتبة ضخمة من "التفكير المالي خطوة بخطوة".

4. النتائج: من "التخمين" إلى "الاستنتاج"

اختبر المؤلفون هذا على 15 نموذجاً مختلفاً من الذكاء الاصطناعي.

• قبل التدريب: عندما واجهت الروبوتات سؤالاً من المستوى 6، كانت مثل طالب حفظ نموذج الإجابة لكنه لم يفهم الرياضيات. كانت نسبة إجاباتهم الصحيحة حوالي 33%.
• بعد التدريب: عندما تم تعليمهم تقسيم المشكلة إلى خطوات الهرم (باستاستخدام "سلاسل الأسئلة")، ارتفحت دقة إجاباتهم بشكل كبير. أحد النماذج الصغيرة تحسن بنسبة تقارب 20%.

5. لماذا هذا مهم: "الصندوق الأسود" أصبح مفتوحاً

أفضل ما في PyFi هو الشفافية.

• الطريقة القديمة: يعطيك الروبوت إجابة. إذا كانت خاطئة، فلا تعرف لماذا. هل أخطأ في قراءة الرسم البياني؟ هل أخطأ في الحساب؟ أم أساء فهم المنطق؟
• طريقة PyFi: لأن الروبوت مُجبر على الإجابة على الخطوات الصغيرة أولاً، يمكننا تتبع مساره. إذا فشل في القرار النهائي، يمكننا العودة والقول: "آه، لقد فشل في المستوى 3 (الحساب)". إنه يشبه امتلاك جهاز GPS يخبرك بالضبط أين أخطأت في الطريق، بدلاً من مجرد قول "أنت تائه".

ملخص

PyFi هو طريقة تدريب جديدة تعلم الذكاء الاصطناعي المالي التوقف عن التخمين والبدء في تسلق السلم. بدلاً من القفز إلى الاستنتاج، يتعلم الروبوت القيام بما يلي:

1. رؤية البيانات.
2. استخراج الأرقام.
3. إجراء العمليات الحسابية.
4. رصد الاتجاهات.
5. فهم المنطق.
6. اتخاذ القرار.

من خلال استخدام "برنامج مسابقات" من وكلاء الذكاء الاصطناعي لتوليد هذه الدروس تلقائياً، أنشأوا كتاباً تعليمياً ضخماً وعالي الجودة يجعل الذكاء الاصطناعي المالي أكثر ذكاءً، وأكثر موثوقية، وأسهل في الثقة به.