Beyond Semantic Similarity: A Two-Phase Non-Parametric Retrieval Workflow for Corporate Credit Underwriting

ملخص تقني: ما وراء التشابه الدلالي في الاكتتاب الائتماني للشركات

بيان المشكلة
يعتمد الاكتتاب الائتماني للشركات على تحليل وثائق مالية طويلة وغير متجانسة، بما في ذلك التقارما السنوية والتحليلات القطاعية. يتعين على المحللين استخراج مؤشرات مالية محددة، وتقييم الإفصاحات عن المخاطر، وتوليف الرؤى من وثائق تمتد لمئات الصفحات وبلغات متعددة. وبينما ظهرت أنظمة التوليد المعزز بالاسترجاع (RAG) للمساعدة في مثل هذه سير العمل، فإن مسارات العمل القياسية تعطي الأولوية للتشابه الدلالي بين الاستعلامات ومقاطع الوثائق. وفي السياقات المالية، غالبًا ما يفشل هذا النهج في التوافق مع احتياجات المحللين؛ حيث تحتوي الوثائق كثيرًا على أوصاف سردية، وإفصاحات تنظيمية، ولغة نمطية مكررة. وبناءً على ذلك، قد يسترجع الاسترجاع القائم على التشابه مقاطع تشترك في المصطلحات مع الاستعلام ولكنها تفتقر إلى القيمة التحليلية القابلة للتنفيذ. يحدد المؤلفون هذا التباين بوصفه "فجوة التشابه والمنفعة"، حيث لا يؤدي المحتوى المرتبط موضوعيًا بالضرورة إلى دعم اتخاذ القرار.

المنهجية
لسد هذه الفجوة، يقترح المؤلفون سير عمل استرجاع غير معلمي (non-parametric) يتكون من مرحلتين، مصمم خصيصًا لدعم اتخاذ القرار في المؤسسات. يعمل النظام بالكامل داخل المنشأة (on-premise) باستخدام نماذج مفتوحة المصدر مستضافة ذاتيًا لضمان الامتثال لسياسات حوكمة البيانات الصارمة. تتكون البنية من خمسة مكونات أساسية:

1. إدخال الوثائق: يتم تقسيم الوثائق المالية إلى أقسام مهيكلة باستخدام إشارات التخطيط (layout cues). ويتم فهرسة كل قسم مع بيانات وصفية (metadata)، بما في ذلك المصدر، وعنوان القسم، ومراجع الصفحات، للحفاظ على المعلومات الهيكلية من أجل عمليات المعالجة اللاحقة.
2. المرحلة الأولى: الاسترجاع الهجين للمرشحين: تهدف هذه المرحلة إلى تحقيق استدعاء عالٍ عبر الوثائق متعددة اللغات. وهي تستخدم استراتيجية هجينة تجمع بين استرجاع الكلمات المفتاحية (للحفاظ على الدقة للمصطلحات المالية) والاسترجاع الدلالي الكثيف باستخدام تضمينات (embeddings) متعددة اللغات. تُستخدم قيمة TopK تبلغ 50 لتوليد مجموعة مرشحة أولية عالية الاستدعاء ($C_0$).
3. المرحلة الثانية: وحدة التحكم في الاسترجاع التكيفي وإعادة التصنيف القائمة على المنفعة:
   • وحدة التحكم التكيفية: يقوم نموذج لغوي خفيف الوزن بتقييم المرشحين بناءً على قصد الاستعلام وهيكل الوثيقة. ويتنبأ بثلاثة مقاييس لكل مقطع: الصلة ($Rel_i$)، ودعم الأدلة ($S_i$)، ودرجة المنفعة ($U_i$). تقوم وحدة التحكم بتصفية مجموعة المرشحين ($C_1$) من خلال تطبيق شرط منطقي حيث لا يُنظر في دعم الأدلة إلا إذا تم إثبات الصلة، مما يؤدي فعليًا إلى تنقية النصوص النمطية المرتبطة دلاليًا ولكنها غير ذات صلة تحليليًا.
   • إعادة التصنيف القائمة على المنفعة: يتم تصنيف المرشحين المتبقين باستخدام إطار عمل "النموذج اللغوي كحكم" (LLM-as-a-Judge). فبدلاً من قياس التشابه مع الاستعلام، يقيم النموذج المقاطع بناءً على منفعتها في اتخاذ القرار للاكتتاب. وتعمل عتبة قابلة للضبط ($U_{threshold}$) على موازنة الدقة والاستدعاء، مما يضمن تصفية المقاطع التي تحتوي على أدلة مالية قابلة للتنفيذ.
4. استخراج الأدلة الواعي بالسياق: لمنع تشويه المعنى أو فقدان الإسناد، يستخدم النظام استراتيجيات استخراج متميزة بناءً على هيكل المحتوى:
   • الأقسام السردية: تستخدم تقسيمًا مدركًا لـ "مارك داون" (markdown-aware) للحفاظ على العناوين، والقوائم النقطية، وحدود الفقرات.
   • البيانات الجدولية: تميز بين الجداول غير المعقدة (التي يتم تحليلها لاستخراج صفوف/خلايا محددة) والجداول المعقدة (ذات العناوين متعددة المستويات والخلايا المدمجة). بالنسبة للجداول المعقدة، يحافظ النظام على سياق الجدول الكامل مع البيانات الوصفية للمصدر (اسم الوثيقة، مرجع الصفحة) لدعم التحقق اليدوي والإسناد الدقيق.

المساهمات الرئيسية
تحدد الورقة أربع مساهمات رئيسية:

• إطار عمل استرجاع قائم على المنفعة يربط ترتيب المقاطع بجدوى اتخاذ القرار في الاكتتاب الائتماني، متجاوزًا مجرد التشابه الدلالي.
• وحدة تحكم استرجاع تكيفية تقوم بتصفية مقاطع المرشحين باستخدام إشارات قصد الاستعلام وهيكل الوثيقة.
• وحدة استخراج واعية بالسياق تحافظ على المعلومات الهيكلية في كل من المحتوى السردي والمالي الجدولي.
• نشر مؤسسي يظهر مكاسب إنتاجية كبيرة، حيث يعمل بالكامل ضمن بيئة محلية منظمة.

النتائج
تم تقييم النظام على مجموعة بيانات متعددة اللغات من وثائق الائتمان المؤسسي الداخلية، مع تسميات صلة تم تنسيقها من قبل كبار محللي الائتمان. ونظرًا للطبيعة السرية للبيانات، لم يتم إصدار مجموعات البيانات ودراسات الحالة التفصيلية علنًا. ومع ذلك، في عملية نشر حقيقية شملت أكثر من 800 محلل، أظهر النظام مكاسب كفاءة كبيرة، حيث قلل وقت مراجعة الوثائق من عدة ساعات إلى ثلاث دقائق تقريبًا. وتشير التقييمات إلى أن النهج المقترح يحسن أداء الاسترجاع بشكل كبير مقارنة بأنظمة الاسترجاع التقليدية الساذجة من خلال إظهار المقاطع التي تحتوي على أدلة مالية قابلة للتحقق.

الأهمية والادعاءات
يزعم المؤلفون أن أهمية النظام تكمن في قدرته على التحسين من أجل المنفعة التحليلية بدلاً من مجرد التشابه الدلالي، مما يعالج مباشرة احتياجات سير العمل في المؤسسات في البيئات الخاضعة للتنظيم. ومن خلال الجمع بين الاسترجاع الهجين، والتحكم التكيفي في المرشحين، والتصنيف القائم على المنفعة، يعطي النظام الأولوية للأدلة المالية القابلة للتنفيذ. كما يضمن النشر داخل المنشأة بقاء البيانات المالية الحساسة محلية، مما يلبي متطلبات الحوكمة والتدقيق الصارمة.

العمل المستقبلي
تشير الورقة إلى أن العمل المستقبلي سيستكشف استخراج البيانات المهيكلة المحسنة من الجداول المالية. وتحديدًا، يقترح المؤلفون دمج خطوط معالجة متخصصة للتعرف الضوئي على الحروف (OCR) ونماذج اللغة الرؤية (VLM) لاستخراج المعلومات الرقمية المهيكلة مباشرة من مناطق الجداول. وسيتيح ذلك للنظام التقاط مقاييس مالية إضافية مدمجة في التخطيطات المعقدة ودمجها في عمليات الاستدلال اللاحقة.