آخر الأخبار: «أسك مابس» يتحول إلى مساعد للرحلات والمواعيد في موسم الأعياد

٢٢ نوفمبر ٢٠٢٦
الذكاء الاصطناعي والأعمال

اختبارات مالية تبرز قدرات جديدة لنموذج GPT-6 Astra

أظهرت اختبارات أجرتها Hebbia تحسنًا في قدرة GPT-6 Astra على العثور على المصادر المالية المناسبة، وربط الإجابات بالأدلة، وتحويل التحليل إلى عروض تقديمية قابلة للاستخدام.

محلل مالي يراجع جداول ووثائق مترابطة على شاشات متعددة لإعداد عرض بحثي
محلل مالي يراجع جداول ووثائق مترابطة على شاشات متعددة لإعداد عرض بحثي

صورة تعبيرية مولّدة بالذكاء الاصطناعي

شارك الخبر

كشفت شركة Hebbia عن نتائج تقييم أولية لاستخدام نموذج GPT-6 Astra في أبحاث الاستثمار والتمويل، في اختبار ركّز على مشكلتين أساسيتين تواجهان العاملين في هذا المجال: الوصول إلى الوثائق التي تحمل الإجابة فعلًا، ثم تحويل النتائج إلى مادة واضحة يمكن تقديمها للعملاء أو لجان الاستثمار.

تفاصيل الخبر

أجريت الاختبارات على نسخة ما قبل الإطلاق خلال أغسطس وسبتمبر 2026، مع استخدام الحالات المالية نفسها ومعايير التقييم ذاتها عند مقارنة النماذج. وذكرت الشركة أن خبراء في المجال المالي أعدوا معايير القياس أو راجعوها بالاستناد إلى الوثائق الأصلية، بهدف فحص دقة النتائج وليس الاكتفاء بجودة الصياغة.

في جانب استرجاع المعلومات، تفوق GPT-6 Astra بفارق 13.6 نقطة مئوية على أفضل بديل اختبرته Hebbia في تحديد أنواع المصادر المطلوبة للإجابة. كما بلغت نسبة المقاطع المستشهد بها والمرتبطة مباشرة بالسؤال 99.5%، وهي نتيجة تكتسب أهمية خاصة في الأبحاث التي تعتمد على ملفات كثيرة ومتنوعة.

توضح الشركة أن هذا النوع من العمل قد يبدأ بقاعدة بيانات تضم نحو ألفي ملف في صفقة استحواذ افتراضية، تشمل قوائم مالية وعقود عملاء وعروضًا للإدارة وملفات أخرى. ويمكن للنظام البحث عن مؤشرات مثل تركّز العملاء وشروط العقود ومعدلات مغادرة العملاء، ثم إسناد كل استنتاج إلى خلية أو فقرة محددة داخل الوثائق.

أما الجانب الثاني من التقييم فتعلق بإنتاج العروض التقديمية. حقق النموذج نسبة 97.9% في تلبية متطلبات العرض المنطبقة، متقدمًا بفارق 14.4 نقطة مئوية على أقوى نموذج بديل في هذا القياس. ويشمل ذلك الالتزام ببنية الطلب، وتنظيم المحتوى، وإخراج التحليل في شرائح قابلة للتعديل بدل الاكتفاء بنص طويل.

وتعتمد منصة Matrix في هذا المسار على ربط الإجابات بالمستندات والمقاطع التي بنيت عليها، مع إمكانية فتح الاستشهادات ومراجعة النص الأصلي. كما يمكن للحواشي الموجودة في الشرائح أن تقود إلى المصادر، ما يتيح للمحلل التحقق من أرقام مثل نسب العملاء أو الفترات المالية قبل إرسال العرض إلى العميل أو عرضه على لجنة الاستثمار.

تسلط هذه النتائج الضوء على فارق مهم بين نموذج يستطيع تلخيص المعلومات ونظام يمكن إدخاله في سير عمل مهني حساس. فالمؤسسات المالية لا تحتاج إلى إجابة مقنعة فحسب، بل إلى نتيجة قابلة للتتبع والمراجعة، لأن الأخطاء الصغيرة في فترة التقرير أو تعريف المؤشر قد تؤثر في تقييم صفقة كاملة.

مع ذلك، تبقى الأرقام المعلنة نتائج لاختبارات أجرتها الشركة نفسها على حالات ومعايير محددة، ولا تعني أن النموذج سيقدم المستوى ذاته في كل قاعدة بيانات أو قطاع أو نوع من الصفقات. كما أن المراجعة البشرية تظل ضرورية للتحقق من اكتمال الوثائق، وصحة الافتراضات، وملاءمة الاستنتاجات للسياق التجاري والقانوني.

تتجه Hebbia بعد هذه الاختبارات إلى توسيع دور الوكلاء القادرين على مراقبة المعلومات في الخلفية والتنبيه إلى إشارات قد تهم المحللين والمصرفيين. وإذا نجح هذا الاستخدام، فقد ينتقل الذكاء الاصطناعي في الخدمات المالية من أداة للبحث عند الطلب إلى طبقة متابعة مستمرة تساعد الفرق على اكتشاف الفرص والمخاطر في وقت أبكر.

هل ستثق في عرض مالي أنشأه الذكاء الاصطناعي إذا أمكنك تتبع كل رقم فيه إلى مصدره الأصلي؟

هل ستثق في عرض مالي أنشأه الذكاء الاصطناعي إذا أمكنك تتبع كل رقم فيه إلى مصدره الأصلي؟

شاركنا رأيك في التعليقات
العودة إلى جميع الأخبار

التعليقات

٠

كن أول من يشارك رأيه في هذا الخبر.