درجات الثقة وحدها لا تكفي: كيف يبدو الإسناد الحقيقي في الذكاء الاصطناعي المالي

يخبرك النموذج بأنه واثق بنسبة 94% من أن هامش الربح الإجمالي للربع الثالث بلغ 41.2%. أما الرقم الحقيقي، القابع في دفتر الأستاذ، فهو 38.7%. لم تكن نسبة الثقة مقياسًا للصواب، بل مقياسًا لمدى انسيابية الإجابة الخاطئة وحُسن صياغتها.

هذا هو الفخ الذي تقع فيه معظم الفرق المالية حين تبدأ بالوثوق بالذكاء الاصطناعي في الأرقام. تأتي المخرجات مغلَّفة بنسبة مئوية تبدو وكأنها احتمال، والنسبة المئوية التي تبدو احتمالًا تُشعرك بأنك تملك زمام الرقابة. لكنها ليست كذلك. درجة الثقة تخبرك بمدى تأكُّد النموذج من تخمينه هو، ولا تقول لك شيئًا عما إذا كان هذا التخمين يتطابق مع دفاترك.

ماذا تقيس درجة الثقة فعليًا

النماذج اللغوية الكبيرة سيئة المعايرة على نحو ثابت، والنمط الغالب لإخفاقها هو الإفراط في الثقة. ويصمد هذا النمط عبر مجموعة واسعة من المهام والنماذج ومجموعات البيانات. وبينما قد يبدو النموذج جيد المعايرة أمام مُدخل نظيف ومتوافق مع توزيع تدريبه، فإن هذه المعايرة هشّة وتنهار في اللحظة التي ينحرف فيها المُدخل عما رآه أثناء التدريب. والجداول المالية تنحرف باستمرار: خلايا مدمجة، ومجاميع فرعية مُعدَّلة بالحواشي، ووحدات قياس مختلطة، وأرقام مقارنة مُعاد بيانها.

وتحت هذا كله نتيجة أكثر إثارة للقلق. تُظهر الأبحاث الحديثة حول كشف الهلوسة في المجال المالي أن ارتفاع ثقة النموذج على مستوى الرمز (token) قد يتنبأ، بصورة متناقضة، باحتمال هلوسة أعلى لا أدنى. فالنموذج يكون أكثر جزمًا في أكثر اللحظات خطأً. ومن ثَمّ فإن الغريزة القائلة بتصفية الإجابات بمنطق “أرِني فقط الأرقام التي تتجاوز ثقتها 90%” قد تدفع بالأرقام المُلفَّقة إلى الواجهة دون غيرها.

تلك هي المشكلة الجوهرية في التعامل مع اليقين الذاتي كبوابة رقابية. فأنت تطلب من النظام الذي أنتج الخطأ أن يتولى أيضًا تقييم الخطأ. ولن يقبل مدير مالي متشكّك هذا الترتيب من محلل بشري قط، ولا داعي لقبوله من نموذج.

تقنية RAG الواعية بعدم اليقين أفضل، لكنها ما زالت غير كافية

الخطوة التالية البديهية هي التوقف عن سؤال النموذج عن رأيه والبدء بإسناده إلى مستندات مُسترجَعة. فالتوليد المعزَّز بالاسترجاع (RAG) يقلّل الهلوسة بالفعل مقارنةً بالاعتماد على الذاكرة البارامترية للنموذج، وتُمثّل النُّسخ الأحدث الواعية بعدم اليقين خطوة تقدُّمية حقيقية. فقد بنت دراسة صدرت عام 2026 حول Bayesian RAG عدم اليقين المعرفي مباشرةً داخل عملية الاسترجاع باستخدام Monte Carlo dropout، وأفادت بدقة إجابات بلغت نحو 93% ومعايرة لعدم اليقين أفضل بنحو 27% من خطوط الأساس على إيداعات 10-K لشركتَي Apple وMicrosoft. وهذا تقدُّم حقيقي يستحق أن يُؤخذ على محمل الجد.

لكن تأمَّل ما الذي يقيسه فعليًا. إنه يقيس مدى عدم اليقين في الاسترجاع، أي ما إذا كان النظام قد سحب المقطع الصحيح. لكنه لا يضمن أن الرقم الموجود داخل ذلك المقطع قد قُرئ على نحو صحيح، ولا أن البند الصحيح قد انتُقي من جدول يضم أربعين صفًا، ولا أن العملية الحسابية التي أُجريت بعد ذلك سليمة. ومعظم تطبيقات RAG، حتى الجيدة منها، ما زالت تُنتج إجابات تبدو واثقة حين تكون البيانات الأساسية ناقصة أو غير ذات صلة أو ببساطة قُرئت قراءة خاطئة من جدول. إسناد الاسترجاع يجيب عن سؤال “من أين جاء هذا”، لكنه لا يجيب عن “هل الحساب صحيح” ولا عن “هل يتطابق هذا مع دفتر الأستاذ”.

وفي الجداول تحديدًا تكمن مكمن الضرر. فإيداع 10-K في معظمه جداول. يستطيع النموذج استرجاع الصفحة الصحيحة، والاستشهاد بها بدقة، ثم يناولك مع ذلك إيرادات من القطاع الخطأ لأن عمودين تشاركا ترويسة واحدة. ستكون الثقة عالية، وسيكون الاستشهاد صحيحًا، وسيكون الرقم خاطئًا.

الإسناد الحقيقي يرتبط بالدفاتر، لا بالموجِّه

ها هو الفارق الذي يهم. هناك نوعان من الإسناد، ولا تكفّ الصناعة عن الخلط بينهما.

الأول هو الإسناد النصي: تشير الإجابة إلى مستند مصدر. وهو مفيد، لكن ملف PDF ليس مصدر الحقيقة، بل هو تجسيد لمصدر الحقيقة، وغالبًا تجسيد مشوَّه.

الثاني هو الإسناد إلى دفتر الأستاذ: كل رقم يُعيده الذكاء الاصطناعي يُحَل إلى قيمة محددة داخل نموذج مالي مُسوّى يتطابق مع دفتر الأستاذ العام. ليس مقطعًا يذكر الرقم، بل الرقم نفسه، مع تسلسل نسب يعود إلى المعاملات التي أنتجته.

الإسناد الحقيقي هو النوع الثاني. وهو يغيّر معنى كلمة “تحقُّق”. فبدلًا من النقر للوصول إلى مستند مصدر وإعادة قراءة جدول سبق أن أخطأ النموذج في قراءته، يتتبّع المراقب المالي الرقم نزولًا عبر الحساب الذي أنتجه وصولًا إلى الأرصدة المُسوّاة التي يستند إليها. الثقة هنا ليست احتمالية، بل بنيوية.

هذا هو نهج الأرقام المُسوّاة الذي بُني عليه Rexfin. نربط أنظمتك المحاسبية وأنظمة بياناتك المالية (QuickBooks وXero وNetSuite وSage ومستودع البيانات لديك) أو القوائم التي ترفعها، ونبني نموذجًا واحدًا مُسوّى يتطابق مع دفتر الأستاذ. لا يحسب الذكاء الاصطناعي الهامش بنفسه، بل يسترجع الأرقام من ذلك النموذج ويُجري الحساب عبر محرك حتمي، تمامًا كما تفعل صيغة في جدول بيانات مُحكَم. وتعود الإجابة مصحوبة بمسار تتبُّع: أي أرصدة، وأي فترات، وأي تسويات. لا حاجة إلى درجة ثقة، لأن المسار قابل للفحص.

لماذا يسدّ الحساب الحتمي الثغرة الأخيرة

إسناد المُدخلات ضروري لكنه غير كافٍ. النصف الآخر هو الحساب نفسه. فحتى حين يسترجع النموذج اللغوي الأرقام الصحيحة، فقد يقلب نسبةً، أو يخلط بين التغيُّر المطلق والتغيُّر النسبي، أو يعكس إشارة تدفق نقدي خارج، وهو صنف من الأخطاء نتناوله في مقال الذكاء الاصطناعي أصاب في الأرقام وأخطأ في الحساب. ولن تلتقط درجة الثقة ذلك. فقد بدا الحساب معقولًا للنموذج، ومن ثَمّ كان جازمًا.

تمرير كل عملية حسابية عبر محرك حتمي يزيل هذا الإخفاق تمامًا. فالمُدخلات نفسها تُنتج دائمًا المخرَج نفسه، والنتيجة قابلة لإعادة التشغيل. وهذا ما يجعل الرقم قابلًا للدفاع عنه أمام مجلس إدارة أو مدقق حسابات: ليس لأن النموذج كان واثقًا، بل لأن الحساب يمكن إعادة إنتاجه وتتبُّعه. وللمنطق نفسه، فإن أرقام الذكاء الاصطناعي لا مكان لها في عرض مجلس الإدارة إلا بعد التحقُّق منها، ولهذا يجب أن يكون التحقُّق فحصًا بنيويًا، لا حُكمًا انطباعيًا على نسبة مئوية.

الخلاصة

درجات الثقة والاسترجاع الواعي بعدم اليقين كلاهما حقيقي، وكلاهما يتحسّن، وكلاهما غير كافٍ بمفرده. فهما يخبرانك بما يشعر به النموذج تجاه إجابته وأين بحث، لكن أيًّا منهما لا يخبرك بأن الإجابة تتطابق مع دفاترك. وبالنسبة للمالية، فهذا هو السؤال الوحيد الذي يهم.

كُفّ عن تقييم مخرجات الذكاء الاصطناعي بمدى يقين النموذج في صوته. قيّمها بما إذا كان كل رقم يُحَل إلى نموذج مُسوّى، محسوب بصورة حتمية، قابل للتتبُّع إلى مصدره. هذا هو الإسناد الذي يمكنك الدفاع عنه.

إن أردت أن ترى كيف يبدو الرقم حين يتطابق نزولًا حتى دفتر الأستاذ، احجز عرضًا توضيحيًا ومعك رقم أخطأت فيه أداة الذكاء الاصطناعي الأخيرة التي استخدمتها.