CLAIR-Fin: An Adversarial Multi-Agent Framework for Claim-Level Verification and Adaptive Debate in Cross-Modal Financial QA
تقدم الورقة البحثية CLAIR-Fin، وهو إطار عمل تنافسي مكون من تسعة وكلاء يعزز الإجابة على الأسئلة المالية متعددة الوسائط من خلال تفكيك الاستعلامات إلى ادعاءات ذرية للتحقق الصارم والمدرك للنوع والتكيف مع المناظرة، مما يحسن بشكل كبير من الموثوقية ويقلل من الهلوسة مقارنة بالنماذج المرجعية الحالية.
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 محقق يحاول حل لغز، لكن أدلتك مبعثرة عبر ثلاثة أنواع مختلفة تمامًا من الدفاتر: مذكرات مكتوبة بخط اليد مليئة بالقصص، وجدول بيانات مليء بالأرقام، وكراسة رسم مليئة بالرسوم البيانية الملونة. في عالم الذكاء الاصطناعي، هذا هو ما يحدث عندما يحاول كمبيوتر الإجابة على أسئلة حول تقارير مالية معقدة. هذه التقارير ضخمة، وغالبًا ما تمتد لمئات الصفحات، وتخلط بين النصوص والجداول والرسوم البيانية معًا. المشكلة هي أن نماذج الذكاء الاصطناعي، التي تشبه طلابًا أذكياء جدًا ولكنهم يميلون أحيانًا إلى أحلام اليقظة، غالبًا ما يرتبكون عندما يتعين عليهم قراءة جميع هذه التنسيقات المختلفة في وقت واحد. قد يخلطون بين رقم من جدول وقصة من النص، أو قد "يهلوسون" — أي يخترعون حقائق تبدو حقيقية ولكنها ليست موجودة فعليًا في المستند. وهذا أمر بالغ الأهمية لأن الخطأ في التمويل، سواء كان رقمًا خاطئًا أو قصة مختلقة، يمكن أن يؤدي إلى قرارات سيئة. لقد حاول العلماء بناء طرق أفضل للكمبيوترات لتدقيق عملها الخاص، لكن معظم الطرق إما تثق في جميع الأدلة بالتساوي (حتى عندما يكون الرسم البيائي دليلًا سيئًا لرقم معين) أو تنتظر حتى النهاية تمامًا للتحقق مما إذا كانت القصة منطقية، وبحلول ذلك الوقت يكون الأوان قد فات لإصلاح الأخطاء.
إليك نظام CLAIR-Fin، وهو نظام جديد وذكي مصمم ليعمل مثل فريق منظم للغاية من تسعة محققين يعملون معًا للتحقق من صحة تقرير مالي. بدلًا من ترك ذكاء اصطناعي واحد يحاول ابتلاع المستند بالكامل دفعة واحدة، يقوم CLAIR-Fin بتفكيك كل سؤال إلى "ادعاءات" ذرية صغيرة — مثل قطع أحجية فردية. على سبيل المثال، إذا كان السؤال هو "كم ربح البنك العام الماضي؟"، فإن النظام لا يكتفي بالتخمين فحך؛ بل يقسم هذا إلى ادعاءات أصغر مثل "العام كان 2025" و"الربح كان 139 مليون دولار". ثم يرسل هذه الادعاءات الصغيرة إلى وكلاء متخصصين. بعض الوكلاء خبراء في قراءة النصوص، والبعض الآخر في معالجة الأرقام من الجداول، والبعض الآخر في تفسير الرسوم البيانية.
هنا يكمن السحر: يدرك CLAIR-Fin أن ليس كل الأدلة متساوية في القيمة. فهو يستخدم قاعدة تسمى "سلطة الدليل غير المتماثلة" (Asymmetric Evidence Authority). فكر في الأمر كقاضٍ في قاعة المحكمة يعرف أنه إذا كنت بحاجة إلى رقم دقيق، فإن خلية في جدول البيانات هي المعيار الذهق، ولكن إذا كنت تريد معرفة لماذا حدث شيء ما، فإن القصة المكتوبة هي أفضل دليل. النظام يثق في الجدول للارقام وفي القصة للأسباب، بدلاً من معاملتها جميعًا كأنها نوع واحد. وإذا كان الدليل مهزوزًا أو مفقودًا، فإن النظام لا يجبر نفسه على التخمين؛ بل يعترف ببساطة بأنه لا يعرف ويرفض الإجابة، وهو تحسن كبير مقارنة بالذكاء الاصطناعي الذي يختلق الأشياء فحسب.
إذا كان الادعاء صعبًا أو كان الدليل متضاربًا، يقوم النظام بإلقائه في "دورة رد استباقي تكيفية" (Adaptive Rebuttal Cycle). هذا يشبه نادي المناظرة حيث يتجادل محاميان من الذكاء الاصطناعي — أحدهما يدافع عن الادعاء والآخر يحاول إيجاد ثغرات فيه — ويتناظران ذهابًا وإيابًا. لكن الجزء الذكي هو أنهم يتجادلون فقط بقدر الضرورة. إذا كان الادعاء سهلاً، فهم يتجاوزون المناظرة. وإذا كان صعبًا، فهم يتجادلون أكثر. هذا يوفر الوقت والطاقة. وقبل كتابة الإجابة النهائية، هناك فحص "سلسلة الحيازة" (Chain-of-Custody)، وهو يشبه حارس الأمن الذي يتأكد من أن الأدلة لم يتم استبدالها أو التلاعب بها أثناء التسليم بين الباحثين والمناظرين. وأخيرًا، يصدر "القاضي المدقق" حكمًا نهائيًا ويحسب "مؤشر خطر الهلوسة" (Hallucination Risk Index)، وهو يشبه توقعات الطقس لمدى احتمالية أن تكون الإجابة حقيقة مشمسة أو كذبة عاصفة.
اختبر الباحثون هذا النظام الجديد على مجموعة من 500 سؤال بناءً على تقارير مالية حقيقية من بنك بنغلاديش. ووجدوا أن CLAIR-Fin كان أفضل بكثير في قول الحقيقة من الطرق القديمة. بينما كان نظام الذكاء الاصطناعي القياسي يصيب الحقائق بنسبة 78% من الوقت تقريبًا، رفع CLAIR-Fin هذه النسبة إلى ما يقرب من 89%. والأكثر إثارة للإعجاب هو أنه عندما لم يكن الدليل كافيًا للإجابة على سؤال ما، اختار النظام الصمت في 5.4% من الحالات بدلاً من فرض إجابة خاطئة. يشير هذا إلى أنه من خلال تفكيك الأسئلة، والثقة في نوع الدليل الصحيح للمهمة الصحيحة، والسماح لوكلاء الذكاء الاصطناعي بالمناظرة فقط عند الضرورة، يمكننا بناء ذكاء اصطناعي أكثر موثوقية وأمانة عند التعامل مع البيانات المالية المعقدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.