From Numbers to Judgment: Specialist LLM Agents and Reinforcement Learning for European Listed Real Estate
تُثبت هذه الورقة أنه في حين أن تفكيك تحليل العقارات الأوروبية المدرجة إلى وكلاء نماذج لغوية كبيرة متخصصين يحسن بشكل كبير من أداء المهام الرقمية، فإن تعزيز الحكم المالي التكاملي يتطلب تكييفاً مستهدفاً للمعلمات عبر التعلم المعزز (GRPO) بدلاً من الاكتفاء بالتفكيك على مستوى الأوامر النصية وحدها.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت فائق الذكاء كيف يصبح محللاً مالياً. في عالم الذكاء الاصطناعي، تُسمى هذه الروبوتات "نماذج اللغات الكبيرة" (LLMs). فكر فيها كطلاب مطلعين للغاية قرأوا كل كتاب تقريباً في المكتبة، لكنهم قد يرتبكون أحياناً عندما يُطلب منهم القيام بعمليات حسابية محددة ومعقدة، أو اتخاذ قرار معقد بناءً على مزيج من القواعد المختلفة. تعيش هذه الورقة البحثية في زاوية من العلوم يحاول فيها الباحثون اكتشاف أفضل طريقة لـ "تدريب" هذه الرومات للتعامل مع المال وقواعد الأعمال. السؤال الكبير الذي يطرحونه هو: هل من الأفضل أن نطلب من الروبوت القيام بكل شيء دفعة واحدة، أم يجب أن نقسم المهمة ونطلب منه أن يعمل كفريق من المتخصصين المختلفين؟ الأمر يشبه التساؤل: "هل من الأفضل وجود شيف عبقري واحد يحاول طهي المأدبة بأكملة بمفرده، أم مطبخ يحتوي على خباز مخصص، وشيف مشويات مخصص، وخبير صلصات مخصص؟"
قرر الباحثان، بارديس طاغافي وسانتوش بهافاني، اختبار هذه الفكرة باستخدام موضوع محدد ومعقد للغاية: شركات العقارات الأوروبية. هذه الشركات تشبه مجموعة من الجيران الذين يعيشون جميعاً في نفس المبنى ولكنهم يتبعون قواعد مختلفة اعتماداً على الدولة التي يتواجدون فيها. فبعضها ملزم بدفع معظم أرباحها كأرباح موزعة، بينما لا يلتزم البعض الآخر بدفع أي شيء على الإطلاق. إذا استخدمت القاعدة الخاطئة للشركة الخاططة، فسيكون الحساب خاطئاً، وستكون النصيحة الاستثمارية خطيرة. أراد الفريق معرفة ما إذا كان تقسيم التحليل إلى أدوار "متخصصة" سيساعد الروبوت في ضبط الأرقام بشكل صحيح، وهل سيساعده ذلك في اتخاذ الأحكام المعقدة حول ما إذا كانت الشركة آمنة للاستثمار أم لا.
فريق المتخصصين مقابل العرض الفردي
لاختبار فكرتهم، بنى الباحثون نظاماً يسمى "لاريكس" (Larix). تخيل "لاريكس" كمدير لديه قائمة مراجعة ضخمة مكونة من 16 خطوة لتحليل شركة عقارية. بدلاً من تسليم القائمة الكاملة لروبوت واحد وقول: "افعل هذا بمفردك"، يحاول "لاريكس" اتباع نهج مختلف. فهو يقسم القائمة إلى ثمانية فرق أصغر، أو "متخصصين". هناك فريق واحد هو خبير "البيانات المالية"، وفريق آخر هو خبير "جودة الأصول"، وفريق ثالث هو خبير "التغطية الكلية" (Macro Overlay).
أجرى الباحثون سباقاً مع روبوت قوي جداً (نموذج رائد) لمعرفة من سيفوز. في السباق الأول، كان على الروبوت القيام بكل شيء بمفرده (النهج الموحد/Monolithic). وفي السباق الثاني، حصل الروبوت على قائمة المراجعة المكونة من 16 خطوة كاملة ومع ذلك كان عليه القيام بكل شيء بمفرده. أما في السباق الثالث، فقد تم تعيين الروبوت في دور متخصص معين، مثل خبير "البيانات المالية"، ولم يُعطَ سوى الجزء المحدد من قائمة المراجعة المتعلق بهذا العمل.
كانت النتائج مفاجئة وواضحة جداً. عندما تعلق الأمر بالرياضيات الآلية المملة — مثل إيجاد رقم محدد في تقرير أو إجراء عملية حسابية بسيطة — كان نهج المتخصص هو الفائز الساحق. فقد نجح الروبوت الذي يعمل كمتخصص في المهام الرقمية أكثر بـ 15.8 نقطة مئوية من الروبوت الذي حاول القيام بكل شيء في وقت واحد. يبدو الأمر كما لو أن الروبوت المتخصص وضع سماعات عازلة للضوضاء، وتجاهل جميع التعليمات الإضافية المربكة، وركز فقط على الرياضيات.
ومع ذلك، عندما تعلق الأمر بمهام "الحكم والتقدير" — حيث يتعين على الروبوت النظر في قطع مختلفة من الأدلة لتقرير ما إذا كانت الشركة محفوفة بالمخاطر أم آمنة — لم يساعد نهج المتخصص على الإطلاق. في الواقع، جعل الأمر أحياناً أسوأ؛ حيث سجل الروبوت الذي يعمل كمتخصص نفس درجة الروبوت الذي يقوم بكل شيء بمفرده في مهام الحكم هذه. اتضح أنه لاتخاذ حكم جيد، أنت تحتاج فعلياً لرؤية الصورة الكاملة، وليس مجرد شريحة ضيقة منها. فمن خلال تقسيم العمل، فات الروبوت الروابط بين قطع المعلومات المختلفة.
سحر "تدريب" الدماغ
ثم طرح الباحثون سؤالاً ثانياً: إذا كان تقسيم المهمة إلى أجزاء لا يساعد في مهام الحكم الصعبة، فهل يمكننا فقط "تدريب" دماغ الروبوت ليصبح أفضل فيها؟ لقد أخذوا روبوتاً أصغر وأرخص (نموذج Qwen3.5-9B بـ 9 مليارات معلمة) ومنحوه نوعاً خاصاً من التدريب يسمى "التعلم المعزز باستخدام تحسين السياسة النسبية الجماعية" (GRPO).
فكر في هذا التدريب كأنه لعبة فيديو يحصل فيها الروبوت على درجة عالية في كل مرة يجيب فيها بشكل صحيح، ودرجة منخفضة عندما يخطئ. بمرور الوقت، يتعلم الروبوت تعديل "إعدادات دماغه الداخلية" للحصول على المزيد من الدرجات العالية. لم يكتفوا بطلب حفظ الإجابات منه، بل علموه فهم قواعد اللعبة.
عمل هذا التدريب مثل السحر في مهام الحكم. فبعد التدريب، قفزت درجة الروبوت الأصغر في مهام الحكم بمقدار 14.2 نقطة. لم يصبح أفضل فقط في الشركات التي تدرب عليها، بل أصبح أفضل في الشركات التي لم يرها من قبل. وعند اختباره على شركات جديدة تماماً، ارتفعت درجته الإجمالية بمقدار 15.2 نقطة، وفي اختبار "إجهاد التعهدات" (Covenant Stress) المحدد (الذي يتحقق مما إذا كانت الشركة تستطيع التعامل مع المشاكل المالية)، تحسن بمقدار هائل قدره 40.4 نقطة.
الخلاصة الكبرى
إذاً، ماذا وجدت الورقة البحثية بالفعل؟ تشير الورقة إلى أنه لا توجد طريقة واحدة "مثلى" لاستخدام الذكاء الاصطناعي في التحليل المالي. الأمر يعتمد كلياً على ما تطلبه من الروبوت.
- للأرقام والرياضيات: تقسيم المهمة إلى متخصصين هو الطريق الصحيح. فهذا يساعد الروبوت على التركيز وتجاهل المشتتات، مما يؤدي إلى حسابات أكثر دقة بكثير.
- لأحكام الصورة الكبيرة: تقسيم المهمة لا يساعد. بدلاً من ذلك، تحتاج إلى "تدريب" دماغ الروبوت مباشرة بحيث يتعلم كيفية ربط النقاط ببعضها البعض.
لقد كان الباحثون حذرين في قولهم إن هذا ليس حلاً سحرياً يحل كل شيء. فقد أظهروا أن مجرد إعطاء الروبوت قائمة أطول من القواعد (إطار العمل ذو الـ 16 عدسة) لم يحل المشكلة؛ بل كان "التخصص" المحدد هو ما ساعد في الرياضيات، و"التدريب" المحدد هو ما ساعد في الحكم. كما أشاروا أيضاً إلى أن نتائجهم تستند إلى مجموعة محددة من 19 شركة ونوع محدد من العقارات، لذا لا يمكننا التأكد بنسبة 100% من أنها ستعمل بنفس الطريقة لكل أنواع الأعمال في العالم. ولكن بالنسبة لعالم العقارات الأوروبية، فإن الدرس واضح: استخدم فريقاً من المتخصصين للرياضيات، واستخدم متخصصاً عاماً مدرباً جيداً للقرارات الكبيرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.