نظام RAG في التمويل لا يكفي من دون طبقة حساب

يستطيع نظام الاسترجاع أن يسلّم الذكاء الاصطناعي الصفحة الدقيقة من نموذج 10-Q التي وردت فيها الإيرادات، والخلية الدقيقة في ملف التصدير، والسطر الدقيق في دفتر الأستاذ العام. ومع ذلك قد يخبرك الذكاء الاصطناعي بهامش ربح إجمالي خاطئ.

هذه الفجوة هي جوهر المشكلة حين نتعامل مع RAG باعتباره الحل الكامل للتمويل.

اكتسب الاسترجاع المعزز بالتوليد سمعته عن جدارة. تربط بحثًا متّجهيًا بنموذج لغوي، وتغذّيه بمستنداتك، فيتوقف عن اختلاق الحقائق من العدم. ولأسئلة مثل “ماذا تنص سياسة استرداد الأموال لدينا؟” أو “لخّص قسم مناقشة الإدارة وتحليلها”، يؤدي عمله. يستند النموذج في إجابته إلى شيء حقيقي، وغالبًا ما يمكنك الرجوع إلى المصدر بنقرة واحدة. وبالنسبة لكثير من أعمال المعرفة، هذا كافٍ.

لكن التمويل ليس من قبيل أعمال المعرفة. التمويل عمليات حسابية يجب أن تتطابق وتتوازن.

الاسترجاع يجيب عن “أين”، لا عن “هل هو صحيح”

هنا يضيع الفرق الجوهري. RAG بارع جدًا في إثبات المصدر؛ يستطيع أن يخبرك من أين جاء الرقم. لكنه ليس بارعًا في الحساب، لأن العملية الحسابية ما زالت تمر عبر النموذج اللغوي، والنموذج اللغوي متنبّئ بالنص، لا جدول بيانات.

فينتج عن ذلك نمط فشل غريب. يسترجع الذكاء الاصطناعي رقم الإيرادات الصحيح. ويسترجع تكلفة البضاعة المباعة الصحيحة. ثم يحسب هامش الربح الإجمالي عبر التنبؤ بالرموز التالية الأرجح، فيستقر على رقم يبدو معقولًا لكنه منحرف بما يكفي ليُحدث فرقًا. كل المدخلات كانت صحيحة، والمخرَج خاطئ. ولأن المدخلات استُرجعت فعليًا من بياناتك، تأتي الإجابة مغلّفة باستشهادات تُكسبها مظهرًا جديرًا بالثقة.

وهذا أسوأ من خطأ ظاهر. الخطأ الظاهر يُكتشف، أما الرقم الخاطئ المستشهَد به بثقة فينتهي به المطاف منسوخًا في عرض تقديمي لمجلس الإدارة.

الباحثون الذين يدرسون هذا الأمر يصطدمون دائمًا بالجدار نفسه. تضمين النص سهل لأن الكلمات تحمل معنى تستطيع المتّجهات التقاطه. أما البيانات المالية الجدولية فصعبة، لأن الأرقام نفسها لا تكاد تحمل أي إشارة دلالية. عمود من الأرقام ليس سوى عمود من الأرقام بالنسبة لنموذج التضمين. وقد وجد بحث حديث حول معايير الاسترجاع من النصوص والجداول أنه حتى حين يُظهر النظام الصفوف الصحيحة تمامًا، تظل النماذج عاجزة عن تحليل الجدول بموثوقية لاستخلاص الاتجاه، وخلص الباحثون إلى أن المهمة تتطلب خطوة حسابية فعلية، لا استرجاعًا أفضل. (يطرح T²-RAGBench هذه النقطة مباشرةً.)

اقرأ ذلك مرتين. الاسترجاع الأفضل لا يصحّح الحساب. الاسترجاع كان صحيحًا أصلًا.

سقف الدقة الذي لا يعلن عنه أحد

يميل نظام RAG البسيط فوق المستندات المالية إلى الثبات في مكان ما ضمن نطاق 85 إلى 92 بالمئة في الإجابة عن الأسئلة الرقمية، تبعًا لطريقة القياس. يبدو ذلك محترمًا حتى تتأمل في معناه.

في التمويل، الدقة بنسبة 92 بالمئة ليست تقديرًا “جيدًا جدًا”. صاغت إحدى الأوراق البحثية التي تتناول التدقيق المالي الأمر بحدّة: نسبة دقة 99 بالمئة تنتج ثقة تشغيلية صفرية إذا كان الخطأ في النسبة الواحدة عبارة عن انقلاب في إشارة الرقم على الميزانية العمومية. هامش يُفترض أن يكون موجبًا يعود سالبًا. التزام يُقرأ على أنه أصل. الدرجة الإجمالية تبدو ممتازة، لكن الإجابة المحددة غير قابلة للاستخدام، وليس لديك أي وسيلة لمعرفة أي الإجابات وقع في الشريحة السيئة.

لهذا السقف أسباب بنيوية، لا أسباب يمكن حلها بصياغة أفضل للأوامر:

• الأرقام لا تُضمَّن جيدًا. البحث الدلالي يسترجع ما يتشابه في القراءة، لا ما يصح في الحساب.
• الاستدلال متعدد الخطوات ينحرف. كل قفزة حسابية عبر النموذج فرصة إضافية للتقريب أو التبديل أو هلوسة خطوة.
• لا تسوية. الاسترجاع يسحب رقمًا من مصدر واحد من دون أي تحقق من توافقه مع الرقم نفسه في موضع آخر من دفتر الأستاذ.
• غموض المحلّية والتنسيق. هل 1,250 تعني ألفًا ومئتين وخمسين، أم واحدًا وربعًا تقريبًا؟ النموذج يخمّن.

لا شيء من ذلك يُحل بفهرسة مزيد من المستندات أو شراء نموذج أساس أذكى. هذه خصائص متأصلة في مطالبة متنبّئ بالنص أن يمسك الدفاتر.

ما الذي يُحرّك الرقم فعليًا

البحث الذي يتجاوز السقف يشترك في شيء واحد: يكفّ عن مطالبة النموذج اللغوي بإجراء الحساب.

ثمة خطوتان مهمتان. أولًا، اجعل الاسترجاع واعيًا بالبيانات الوصفية وبعدم اليقين، بحيث يعرف النظام لا ما عثر عليه فحسب، بل ومدى ما ينبغي أن يكون عليه من ثقة. وقد قلّل الاسترجاع البيزي الواعي بعدم اليقين، المطبّق على الأسئلة المالية، الهلوسة بنحو 28 بالمئة مقارنةً بالطرق القياسية، مع سحب أرقام دقيقة حيث فشل الاسترجاع التقليدي. (يفيد Bayesian RAG بانخفاض قدره 27.8 بالمئة.) كما تدفع أساليب التحقق المفروض بالاستشهاد والدقيق الحبيبات الموثوقية إلى أبعد من ذلك، عبر تفكيك الإجابة إلى ادعاءات ذرّية والتحقق من كل واحد منها مقابل المصدر، بدلًا من تقييم الاستجابة كاملةً ككتلة واحدة.

ثانيًا، وهذا هو الجزء الذي تتجاوزه معظم الفرق: وجّه العملية الحسابية الفعلية إلى محرّك حتمي. يقرر النموذج أي الأرقام يحتاجها وأي عملية يجب تشغيلها، بينما يُشغّل محرّك منفصل قابل للتدقيق العملية، على مدخلات متحقَّق منها، بالطريقة نفسها في كل مرة. النموذج لا يجمع الأرقام أبدًا؛ هو ينسّق، ولا يحسب.

اجمع بين هذين الأمرين فتتغير الصورة. الاسترجاع الواعي بالبيانات الوصفية مضافًا إليه طبقة حساب حتمية يدفع الموثوقية إلى ما يتجاوز 93 بالمئة، والأهم أنه يجعل الإجابات الخاطئة مرئية بدلًا من مخفية. حين يحسب المحرّك حتميًا فوق مدخلات مسوّاة، يمكنك تتبّع أي مخرَج رجوعًا عبر الحساب إلى الرقم المصدر إلى دفتر الأستاذ. الرقم لم يعد مستشهَدًا به فحسب، بل أصبح قابلًا لإعادة الإنتاج.

لماذا يجب أن يأتي النموذج المسوّى أولًا

ثمة خطوة تكمن تحت كل هذا لا يقدر الاسترجاع على إنجازها وحده. الاسترجاع يسحب رقمًا، لكنه لا يتحقق من توافق هذا الرقم مع نفسه عبر أنظمتك. منصة الفوترة لديك، وملف التصدير المحاسبي، ومستودع البيانات، قد تُبلّغ كلها برقم إيرادات مختلف اختلافًا طفيفًا للشهر نفسه، وسيسلّم الاسترجاع الذكاء الاصطناعي بكل رحابة صدر أيًّا منها أظهره أولًا.

لهذا السبب لا تؤتي طبقة الحساب الحتمية ثمارها إلا إذا عملت فوق نموذج مسوّى، مصدر واحد للحقيقة يتطابق مع دفتر الأستاذ قبل أن يلمسه أي ذكاء اصطناعي. وقد عرضنا الحجة لهذا الأساس في مصدر واحد للحقيقة: لماذا البيانات المسوّاة هي المفتاح الحقيقي للذكاء الاصطناعي في التمويل. وهو يقترن بالمسألة الأكثر جوهريةً المتعلقة بـسبب أخطاء الذكاء الاصطناعي في الحسابات المالية من الأساس، وهي خاصية متأصلة في كيفية قراءة هذه النماذج للأرقام أصلًا.

هذه هي البنية التي يعمل عليها Rexfin. اربط مصادرك المحاسبية والمالية، وابنِ نموذجًا مسوّى واحدًا، ثم دع الذكاء الاصطناعي يسترجع الأرقام منه ويحسب مقابل محرّك حتمي بدلًا من إجراء الحساب بنفسه. الاسترجاع لإثبات المصدر. التسوية للثقة. الحساب الحتمي لعمليات حسابية تتطابق وتتوازن. تجد الحجة الأوفى في الركيزة حول طبقة الموثوقية للذكاء الاصطناعي في التمويل.

الخلاصة

حلّ RAG المشكلة الصحيحة لكن في الطبقة الخاطئة. جعل إجابات الذكاء الاصطناعي قابلة للتتبّع، وهو ما احتاجه التمويل احتياجًا ماسًا. لكن القابلية للتتبّع والصحة ليستا الشيء نفسه، والاسترجاع وحده يبلغ سقفه عند النقطة التي لا يستطيع التمويل تحمّلها بالذات. الاستشهاد بالرقم لا يجعل الحساب صحيحًا؛ المحرّك الحتمي العامل فوق بيانات مسوّاة هو ما يجعله صحيحًا.

إذا كان الذكاء الاصطناعي لديك يستشهد بالمصادر لكنك ما زلت عاجزًا عن الوثوق بالأرقام التي يحسبها، فطبقة الحساب هي القطعة الناقصة لديك. احجز عرضًا توضيحيًا ونُريك الفرق بين رقم مستشهَد به ورقم يتطابق ويتوازن.