Mint-Agent: Introducing Finance-Native Agentic Foundation Models
تقدم الورقة البحثية Mint-Agent، وهي عائلة من النماذج التأسيسية الوكيلية المتخصصة في التمويل والمبنية على محرك بيانات متخصص، وحزام تفاعلي، ومسار تدريب متقدم يحقق مستويات رائدة في الموثوقية والقابلية للتنفيذ في المهام المالية المعقدة والقابلة للتدقيق.
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
في عالم التمويل، نادراً ما تكون الإجابة الصحيحة مجرد رقم واحد أو حقيقة بسيطة. إنها نتيجة سلسلة دقيقة من الأحداث: العثور على المستند الصحيح، وتحديد الفترة الزمنية المناسبة، ومقارنة القيم من مصادر مختلفة، وإجراء حسابات يجب أن تصمد أمام التدقيق. عندما يرتكب محلل بشري خطأً في هذه العملية، يمكنه عادةً تتبع خطواته لإيجاد أين انكسر المنطق. ولكن عندما يحاول نظام ذكاء اصطناعي القيام بالمهمة نفسها، فإنه غالباً ما ينتج إجابة تبدو منطقية ولكنها مبنية على خطأ خفي، أو قراءة خاطئة لجدول، أو مصدر كان ذا صلة ولكنه لم يكن موثوقاً. وبدون مسار واضح وقابل للتتبع من الدليل الأصلي إلى الاستنتاج النهائي، لا يمكن الوثوق بالنتيجة أو إصلاحها. هذه الفجوة بين الإجابة الواثقة والحقيقة القابلة للتحقق هي التحدي المركزي الذي يحاول الباحثون حله بينما يعلمون الآلات كيف تعمل كمحققين ماليين مستقلين.
قدم فريق من الباحثين نهجاً جديداً لهذه المشكلة من خلال نظام أطلقوا عليه اسم "Mint-Agent". فبدلاً من مجرد تدريب الكمبيوتر على حفظ الحقائق المالية أو تخمين الإجابة الصحيحة، قاموا ببناء نظام صُمم ليعامل كل استنتاج كادعاء يجب أن يكون مدعوماً بأدلة يمكن استردادها. يعمل النظام بناءً على ثلاثة مبادئ رئيسية: فهو يتعلم من الوثائق المالية الواقعية لفهم القواعد المحددة للتجارة؛ ويستخدم بيئة متخصصة تحتفظ بسجل دائم وقابل للتدقيق لكل عملية بحث وحساب يقوم بها؛ ويتعلم من خلال عملية لا تكافئ الإجابة النهائية فحسب، بل تكافئ أيضاً صحة الرحلة الكاملة التي سلكها للوصال إليها. والنتيجة هي عائلة من نماذج الذكاء الاصطناعي التي يمكنها إجراء أبحاث مالية طويلة ومعقدة مع الحفاظ على مسار واضح من الأدلة يثبت كيفية وصولها إلى استنتاجاتها.
قام الباحثون ببناء نظامهم أولاً عبر إنشاء مكتبة ضخمة من المهام المالية المستمدة من التقار تقارير الشركات الحقيقية، وبيانات السوق، والسجلات المحاسبية. وقد فصلوا هذه المهام إلى نوعين: النوع الأول يتضمن مهارات ذرية، مثل استخراج رقم محدد من جدول أو إجراء عملية حسابية قياسية، حيث يكون الدليل موجوداً بالفعل. أما النوع الثاني فيتضمن التنفيذ طويل الأمد، حيث يجب على النظام العثور على الدليل بنفسه، وغالباً ما يتطلب الأمر البحث عبر وثائق متعددة على فترة زمنية ممتدة لتجميع إجابة معقدة. وللتعامل مع النوع الثاني، أنشأوا بيئة رقمية تسمى "MintHarness". تعمل هذه البيئة كفضاء عمل آمن حيث يمكن للذكاء الاصطناعي التفاعل مع الأدوات، والبحث عن المعلومات، وإجراء الحسابات. والأهم من ذلك، أن هذه البيئة تحتفظ بسجل دائم لكل إجراء تم اتخاذه، وكل وثيقة تمت مراجعتها، وكل رقم تم حسابه. يضمن هذا السجل أنه حتى لو نسي الذكاء الاصطناعي تفصيلاً ما، فإن سجل كيفية العثور على الإجابة يظل سليماً ويمكن مراجعته من قبل البشر.
لتعليم الذكاء الاصطناعي كيفية استخدام هذه البيئة بفعالية، استخدم الباحثون طريقة تدريب تفصل بين مهارات الاستدلال المالي ومهارات إدارة مشروع بحثي طويل الأمد. فقد قاموا أولاً بتدريب نسخة من النموذج لتكون خبيرة في الاستدلال المالي البحت، مع التركيز على ضبط الرياضيات والمنطق عندما تكون البيانات أمامه بالفعل. ثم دربوا نسخة ثانية لتكون خبيرة في التنفيذ، مع التركيز على كيفية البحث، ومتى يتوقف، وكيف ينظم المعلومات عبر خطوات عديدة. وأخيراً، دمجوا هذين الخبيرين في نظام واحد موحد. تم اختبار هذا النموذج المدمج، الذي يأتي بحجمين، مقابل مجموعة واسعة من المعايير المالية الاحترافية. حقق النموذج الأكبر، المسمى "Mint-Ag"، درجة 98.33 في اختبار الاستدلال المالي، متفوقاً على العديد من الأنظمة التجارية الرائدة. وفي الاختبارات التي تتطلب بحثاً معقداً ومتعدد الخطوات، حقق أيضاً أعلى الدرجات، حيث وصل إلى 76.00 في أحد المعايير الرئيسية و60.49 في نسخة أحدث وأكثر صعوبة. أما النموذج الأصغر، "Mint-Cu"، وهو أكثر إيجازاً بكثير، فقد أدى أيضاً بشكل استثنائي، حيث سجل 69.86 في مهمة تعتمد بكثافة على البحث، مما يثبت أنه يمكن الحفاظ على قدرات بحث مالي قوية حتى في نظام أصغر.
إن ما يجعل هذه النتائج مهمة ليس فقط الدرجات العالية، بل طبيعة الأداء. فقد وجد الباحثون أن نماذجهم لا تنتج إجابات فحسب، بل تنتج إجابات يمكن تدقيقها. في أحد الأمثلة التفصيلية، نجح النظام في تتبع توقعات لشركة أشباه موصلات عبر سبع وثلاثين خطوة من التحقيق. وطوال الطريق، واجه وثائق محظورة، وفترات زمنية غير صحيحة، وبيانات متضاربة. ولأن النظام حافظ على سجل مستمر لنتائجه، فقد تمكن من استبعاد المسارات المسدودة، وتصحيح أخطائه، وإعادة حساب الأرقام النهائية باستخدام الأدلة الصحيحة التي أمّنها فقط. وفي حالة أخرى تتعلق باستحواذ شركة، انتظر النظام قبل اعتماد سعر نهائي حتى وجد الوثيقة القانونية الحاسمة، متجاهلاً المصادر الغامضة السابقة. إن القدرة على التمييز بين "الخيط" و"الحقيقة"، والاحتفاظ بسجل واضح للفرق بينهما، هي ما يسمح بالوثوق بالنظام.
ويرى الباحثون أنه لكي يكون الذكاء الاصطناعي مفيداً في المجالات عالية المخاطر مثل التمويل، يجب أن يتجاوز مجرد توليد نصوص تبدو صحيحة. فالوكيل الموثوق به يجب أن يكون قادراً على إظهار عمله، واحترام الحدود الزمنية للبيانات التي يستخدمها، وأن يكون مستعداً لمراجعة استنتاجه إذا كانت الأدلة لا تدعمه. ومن خلال بناء نظام ترتبط فيه عمليات إنشاء البيانات والتنفيذ والتعلم بمعيار واحد من الأدلة القابلة للتحقق، أثبت فريق "Mint-Agent" أنه من الممكن إنشاء ذكاء مالي ليس فقط قادراً، بل أيضاً مسؤولاً. وتشير النتائج إلى أن مستقبل الذكاء الاصطناعي الموثوق في التمويل لا يكمن في جعل النماذج أكبر أو أسرع، بل في هندستها لتترك مساراً واضحاً وقابلاً للاختبار لكيفية الوصول إلى كل قرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.