Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
تُظهر هذه الدراسة الصادرة عن جامعة جورج واشنطن في خريف ٢٠٢٣ أن مسار معالجة يستخدم نموذج Falcon-7B مع سلاسل التلخيص (Summarize Chains) يعمل بفعالية على أتمتة تلخيص الأخبار المالية لعشر شركات كبرى، متفوقاً بذلك على كل من نهج التوليد المعزز بالاسترداد (RAG) ومعيار Lead-3، مع تسليط الضوء في الوقت ذاته على التحديات المستمرة مثل الهلوسة في النماذج الأصغر حجماً.
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 كل يوم، يولد العالم المالي فيضاً من المعلومات. تظهر آلاف المقالات عبر الإنترنت، كل منها يفصل تحركات الشركات، وقرارات التنفيذيين، والتقلبات في سوق الأسهم. بالنسبة لمستثمر أو محلل يحاول تتبع حتى عدد قليل من هذه الشركات، فإن قراءة كل قصة أمر مستح المستطاع. فقد يعني تفويت تفصيل حاسم الفرق بين استثمار ذكي وخطأ مكلف. وهنا يأتي دور مجال معالجة اللغات الطبيعية، وتحديداً الفرع المعروف باسم تلخيص النصوص. لعقود من الزمن، تم تعليم الحواسيب قراءة الوثائق الطويلة واستخراج الجمل الأكثر أهمية. ومؤخراً، ظهر جيل جديد من الذكاء الاصطناعي، يُسمى النماذج اللغوية الكبيرة. هذه الأنظمة مدربة على كميات هائلة من الكتابة البشرية التي لا يمكنها فقط اختيار الجمل الرئيسية، بل يمكنها أيضاً إعادة كتابة المعلومات بكلماتها الخاصة، مما يخلق سرداً جديداً وموجزاً من جبل من النصوص. وأصبح السؤال الذي يواجه الباحثين هو ما إذا كان يمكن الوثوق بهذه الأدوات القوية للقيام بهذا العمل في عالم التمويل عالي المخاطر، حيث الدقة أمر غير قابل للتفاوض، وتأتي البيانات في شكلين مختلفين تماماً: القصص المتدفقة للمقالات الإخبارية، والجداول الرقمية الصارمة لأسعار الأسهم.
في خريف عام 2023، شرع باحث في جامعة جورج واشنطن في اختبار هذه الفكرة. كان الهدف هو بناء نظام يمكنه جمع الأخبار، وخلفيات الشركات، وبيانات سوق الأسهم لعشر شركات كبرى بشكل تلقائي، ثم إنتاج موجز يومي واحد سهل القراءة. كان التحدي مزدوجاً؛ أولاً، كان على النظام التعامل مع الحجم الهائل للنصوص. ثانياً، وهو الأكثر صعوبة، كان عليه فهم الأرقام. فالنماذج اللغوية الكبيرة ممتازة في فهم اللغة، لكنها غالباً ما تتعثر عندما تُعرض عليها جداول بيانات خام لأسعار الأسهم وأحجام التداول. قد تخطئ في قراءة عمود، أو تحسب نسبة مئوية بشكل غير صحيح، أو ببساطة تتجاهل الأرقام تماماً. ولحل هذه المشكلة، طور الباحث جسراً بسيطاً ولكن ذكياً. فقبل تغذية البيانات للذكاء الاصطناعي، قام برنامج حاسوبي بتحويل الأرقام الخام إلى جمل باللغة الإنجليزية العادية. فبدلاً من إظهار جدول للنموذج يحتوي على تاريخ وسعر، كتب النظام جملة مثل: "في 4 أكتوبر، أغلق السهم عند 261.16، بزيادة قدرها 5.93 بالمائة مع زيادة بنسبة 27.20 بالمائة في حجم التداول". سمح هذا للنموذج اللغوي بالتركيز على تلخيص القصة دون الحاجة للقيام بعمليات حسابية، وهي مهمة لا يجيدها النموذج بطبيعته.
ثم اختبر الباحث طريقتين مختلفتين لتنظيم هذه المعلومات ليقرأها الحاسوب. الطريقة الأولى، المسماة نهج "سلاسل التلخيص" (Summarize Chains)، تعمل مثل سباق التتابع؛ حيث يقوم النظام بتقسيم المجموعة الطويلة من الأخبار والمعلومات الخلفية إلى قطع أصغر. يطلب من الحاسوب تلخيص القطعة الأولى، ثم الثانية، وهكذا. وفي النهاية، يأخذ كل تلك الملخصات الصغيرة ويجمعها في ملخص رئيسي واحد. أما الطريقة الثانية، المعروفة باسم "التوليد المعزز بالاسترجاع" (retrieval-augmented generation)، فهي تشبه أمين المكتبة؛ فعندما يحتاج النظام إلى كتابة ملخص، فإنه يبحث عبر المجموعة الكاملة من الوثائق للعثور على الجمل المحددة الأكثر صلة بالسؤال الحالي، ثم يعطي تلك الجمل المختارة فقط للحاسوب ليعمل بها. وقد قيمت الدراسة ثلاثة نماذج مختلفة من الذكاء الاصطناٍ مفتوح المصدر باستخدام هذه الطرق، جنباً إلى جنب مع نموذج مملوك وأكثر تكلفة لملخصات بيانات الأسهم.
قدمت النتائج صورة واضحة لما ينجح وما لا ينجح. تبين أن النهج الأكثر نجاحاً هو طريقة "سلاسل التلخيص" باستخدام نموذج محدد مفتوح المصدر يسمى "Falcon-7B". تمكن هذا المزيج من تغطية كل حدث إخباري رئيسي بدقة، مع الحفاظ على التفاصيل المهمة مثل العدد الدقيق للموظفين الذين تم تسريحهم من قبل شركة تقنية كبرى، وفعل ذلك دون تكرار نفسه أو اختلاق أشياء. في المقابل، تسببت طريقة الاسترجاع التي تشبه أسلوب أمين المكتبة في مشاكل كبيرة. فعندما حاول النظام استرجاع الكثير من الجمل ذات الصلة في وقت واحد، ارتبك الحاسوب، مكرراً نفس الأخبار الثلاثة عشرات المرات في ملخص واحد. وفي حالات أخرى، أدت طريقة الاسترجاع إلى خلط الحقائق، مثل نسب غرامة دفعتها شركة ما إلى شركة أخرى تماماً. هذه الأخطاء، المعروفة باسم "الهلوسة"، حدثت بشكل متكرر عندما كان يُعطى الحاسوب الكثير من المعلومات لفرزها في وقت واحد.
كما أكدت الدراسة أن استراتيجية تحويل الأرقام إلى جمل قد نجحت تماماً. فعندما أُعطي الحاسوب الجمل المكتوبة مسبقاً حول أسعار الأسهم، أنتج ملخصات دقيقة واقعياً عبر جميع الشركات الست التي تم اختبارها، دون أرقام مخترعة أو حسابات خاطئة. أثبت هذا أن نقل الرياضيات من يد الذكاء الاصطناعي إلى نص برمجي بسيط كان هو الخطوة الصحيحة. وبينما أظهرت طريقة الاسترجاع وعوداً من الناحية النظرية، وجدت الدراسة أنها في الممارسة العملية تسببت في الكثير من الأخطاء والتكرارات لتكون موثوقة للتقارير المالية دون تغييرات جوهرية. وقد بنى الباحث لوحة تحكم عاملة تسمح للمستخدمين برؤية مخططات الأسهم وقراءة هذه الملخصات المؤتمتة، مما يثبت أن النظام عملي بما يكفي لاستخدامه كأداة حقيقية. ويشير العمل إلى أنه بينما يمكن للذكاء الاصطناعي بالفعل أتمتة قراءة الأخبار المالية، فإن الطريقة التي تُغذى بها المعلومات للآلة لا تقل أهمية عن الآلة نفسها. إن المسار الأكثر موثوقية، في الوقت الحالي، هو ترك الحاسوب يفعل ما يجيده -وهو فهم اللغة- بينما يتولى نص برمجي بسيط التعامل مع الأرقام وتنظيم المعلومات بطريقة تمنع الآلة من الشعور بالإرهاق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.