يستكشف الباحثون دمج النماذج اللغوية الكبيرة (LLMs) مع الرسوم البيانية المعرفية والأونطولوجيات لتعزيز أدائها في المهام المالية المتخصصة. على الرغم من القدرات اللغوية العامة للنماذج المدربة مسبقًا مثل GPT، فإنها غالبًا ما تقصر في مجالات متخصصة مثل التمويل. تقترح هذه الدراسة نهجًا جديدًا من خلال الجمع بين النماذج اللغوية الكبيرة والتفكير الأونطولوجي، باستخدام الرسم البياني المعرفي المؤسسي (EKG) لإدخال المعرفة المالية المنظمة في عملية التخصيص الدقيق. تتضمن المنهجية إنشاء “مساحة تفكير” شاملة باستخدام محرك Vadalog، الذي يحول الاستنتاجات المنطقية إلى بيانات بلغة طبيعية لتدريب النموذج اللغوي الكبير.
تسلط الدراسة الضوء على عدة مساهمات، بما في ذلك إنشاء مجموعة بيانات اصطناعية غنية بالمعرفة لتخصيص النموذج اللغوي الكبير بهدف تحسين الأداء في مهام مثل الإجابة على الأسئلة، الشرح، الترجمة، والوصف في المجال المالي. تم تنفيذ النموذج المعزز بالأونطولوجيا باستخدام نموذج T5-large من جوجل في بيئة تداول، وأظهر دقة وشفافية محسنة مقارنة بالنموذج الأساسي.
ومع ذلك، يشير البحث إلى بعض القيود مثل الحاجة إلى معرفة عالية الجودة في المجال والتحديات المتعلقة بالحفاظ على الأونطولوجيات محدثة. كما أن الكثافة الحسابية للتفكير الأونطولوجي والتحيز المحتمل نحو محتوى الأونطولوجيا في النموذج اللغوي الكبير تشكلان مصدر قلق. ينبغي أن يركز البحث المستقبلي على التقييم الدقيق، القابلية للتوسع، والحفاظ على القدرات اللغوية العامة للنموذج.
على الرغم من هذه التحديات، يمثل هذا النهج خطوة هامة نحو أنظمة ذكاء اصطناعي أكثر موثوقية في القطاع المالي، متماشية مع الاتجاهات الصناعية التي تقدر الذكاء الاصطناعي القائم على المعرفة والقابل للتفسير. يمكن أن يقلل دمج التفكير الرمزي مع التعلم القائم على البيانات من طبيعة “الصندوق الأسود” للنماذج اللغوية الكبيرة، مما يجعلها أكثر قدرة على تفسير سلوك السوق.
