البحث عن ImageNet في المجال المالي | سجل البث المباشر لتكنولوجيا Qifu: كيف يحدد الذكاء الاصطناعي متعدد الأنماط للائتمان المعايير؟

في الآونة الأخيرة، أطلقت شركة奇富科技 بالتعاون مع باحثي جامعة فودان وجامعة جنوب الصين للتكنولوجيا ندوة مباشرة حول موضوع “كيف يتم تحديد معايير الذكاء الاصطناعي متعدد الوسائط في الائتمان”. قدمت الندوة تحليلاً معمقًا لأول معيار تقييم متعدد الوسائط موجه لسيناريوهات الائتمان، وهو FCMBench-V1.0، والذي صُمم حول مهام تقييم تتعلق بالإدراك المتعدد الوسائط، والاستنتاج، واتخاذ القرار، مع إصدار مجموعة البيانات وأدوات التقييم المفتوحة المصدر، في محاولة لبناء “مقياس” مقبول على نطاق واسع للذكاء الاصطناعي المالي. استمرت الندوة ساعة واحدة، ودمجت بين أحدث الأبحاث الأكاديمية والتطبيقات الصناعية، مقدمة مرجعًا مهنيًا وأفكارًا تنموية للمؤسسات المالية، والجامعات، والمهنيين في القطاع. فيما يلي ملخص المحتوى الرئيسي للندوة.

من منظور التطبيق الصناعي: FCMBench يتيح قياسًا موحدًا لقدرات نماذج الذكاء الاصطناعي المالي

بدأ يانغ ييهوي من شركة奇富科技، المسؤول عن نماذج الوسائط المتعددة، بتحليل نقاط الألم في تطوير الذكاء الاصطناعي المالي من منظور صناعي، موضحًا الدوافع الأساسية وراء تطوير FCMBench-V1.0 والمنطق التصميمي الرئيسي. شبه يانغ الذكاء الاصطناعي بأداة “محراث”، في حين أن الصناعات ذات العوائق العالية مثل المالية والرعاية الصحية تمثل “أراضي خصبة” ذات إمكانيات تنموية، حيث تتطلب الأعمال المالية معايير عالية بطبيعتها فيما يخص الخصوصية، والأمان، والامتثال، مما يجعل من الضروري وجود نظام تقييم موضوعي وموحد لاختبار قدرات النماذج بدلاً من الاعتماد على التقييم الذاتي.

وُلد FCMBench-V1.0 لحل الإشكالية الأساسية التي تواجه المؤسسات المالية عند اختيار النماذج. أشار يانغ إلى أن الصناعة المالية تعاني من وجود نماذج مختلفة تدعي تقييمات عالية دون معايير مقارنة موحدة، وأن أداء النماذج قد يتدهور بشكل كبير عند الانتقال من بيئة المختبر إلى البيئة الإنتاجية الحقيقية. تكمن القيمة الأساسية لـ FCMBench في كونه “مقياسًا موحدًا” لقياس قدرات النماذج، بحيث يُوضع جميع النماذج على نفس نقطة البداية، وتُختبر قدراتها في ظروف العمل الحقيقية.

وفيما يخص تصميم هذا “المقياس”، أكد يانغ على ثلاث مبادئ أساسية: العدالة، العلمية، والعملية. العدالة تضمن عدم التحيز، وتؤسس لحد أدنى موحد للتقييم؛ العلمية تعكس توزيع البيانات، وتحديد المهام والصعوبة بشكل معقول، مما يتيح تمييز الاختلافات بين الخوارزميات؛ والعملية، التي تعتبر جوهرية، حيث يهدف إلى أن يكون أداء النماذج الممتاز على المعيار قابلاً للتطبيق مباشرة في سيناريوهات العمل الحقيقية.

ولجعل التقييم أكثر واقعية، قام FCMBench بمحاكاة أكثر من عشرة أنواع من التشويش في التصوير الحقيقي، وتحديد مدى معقولية معلومات الوثائق، ومهام استنتاج مثل مقارنة وثائق متعددة، لمحاكاة مختلف سيناريوهات المخاطر في عمليات الائتمان. على سبيل المثال، إذا قدم المستخدم دخلًا سنويًا يتجاوز 50 ألف يوان مع نسبة ضرائب أقل من 10%، فإن هذه النقاط تعتبر مخاطر واضحة، وتُدرج ضمن مهام الاستنتاج التي يختبر فيها النموذج قدرته على التعرف على المخاطر والاحتيال، لضمان أن تكون مهام التقييم ذات قيمة عملية.

في رأي يانغ، فإن FCMBench ليس مجرد “أداة قياس”، بل يهدف إلى دعم الأعمال والصناعة، ويُعتبر موردًا عامًا للصناعة المالية، يهدف إلى ربط قدرات الذكاء الاصطناعي بقيمة الأعمال من خلال معيار موحد. كما أن FCMBench يمثل جسرًا بين البحث الأكاديمي وتطبيقات الصناعة، حيث ستستمر في توسيع المهام، وأنواع البيانات، واللغات، والوسائط، لتغطية جميع سيناريوهات الذكاء الاصطناعي في الائتمان؛ على الصعيد الصناعي، ستتعاون مع الجامعات لمواجهة التحديات التقنية، وتدعو البنوك والمؤسسات المالية للمشاركة في البناء المشترك، وتوفير بيانات وسيناريوهات حقيقية، بهدف ترقية المعيار ليصبح معيار تقييم معتمد على مستوى الصناعة، وربما معيارًا جماعيًا، ليصبح عتبة عملية لاختيار النماذج والتعاون بين المؤسسات المالية.

من منظور البحث الأكاديمي: لحظة “ImageNet” في الذكاء الاصطناعي المالي تقترب

إذا كانت الصناعة تركز على كيفية استخدام “المقياس”، فإن الأوساط الأكاديمية تهتم أكثر بغياب “المقياس” الحقيقي، وكيفية بناء “مقياس” ذو مصداقية عالية.

بدأ البروفيسور تشن تاو من جامعة فودان حديثه من تاريخ تطور الذكاء الاصطناعي، موضحًا جوهر المشكلة: “تطور نماذج الذكاء الاصطناعي الكبرى يعتمد بشكل كبير على البيئة المفتوحة، بينما يفتقر المجال المالي حاليًا إلى مجموعة بيانات موحدة ومعايير تقييم معترف بها على الصعيدين المحلي والدولي. بدون ‘مقياس’ موحد، يصعب على الشركات والأوساط الأكاديمية التعاون في البحث، مما يعيق تطور بيئة قوية لنماذج الذكاء الاصطناعي المالية، ويقيد بشكل جوهري ظهورها.”

وأشار إلى نقطة تحول في التعلم العميق، وهي مجموعة بيانات ImageNet. قال إن “مجموعة بيانات ImageNet دفعت إلى انفجار في تطور التعلم العميق، وأصبحت معيار تقييم موحد في مجال التعرف على الصور، ومثل هذا المعيار هو مفتاح الاختراق في صناعة الذكاء الاصطناعي.” يرى تشن أن المجال المالي يفتقر حاليًا إلى مجموعة تقييم موحدة وشاملة، ويحتاج إلى إنشاء “ImageNet” خاص به ليتمكن من تطوير بيئة تعاونية قوية.

وفيما يخص إطلاق شركة奇富科技 لمعيار FCMBench-V1.0، قيّمه تشن على أنه أحد أكبر وأهم المعايير التقييمية الموحدة في مجال الائتمان المالي على الصعيدين المحلي والدولي. مقارنةً بمجموعات البيانات التقييمية المتفرقة الأخرى، حقق FCMBench-V1.0 لأول مرة توحيد الوسائط، وغطى مهامًا رئيسية متعددة مثل الائتمان وإدارة المخاطر، وصُمم بالكامل لسيناريوهات العمل الحقيقية، ويمتاز بخصائص إطلاقه من قبل奇富科技 والصناعة، مما يمنحه شمولية وعمليّة، ويجعله استكشافًا مهمًا لبناء “ImageNet” خاص في المجال المالي.

من منظور التفاعل بين الصناعة والأكاديمية والبحث: مزايا تطبيق الذكاء الاصطناعي المالي واضحة، وFCMBench يربط بين احتياجات الصناعة وتطوير المواهب

شرح البروفيسور Xu Yanwu من جامعة جنوب الصين للتكنولوجيا من خلال دمج الصناعة والأكاديمية والبحث، الحالة الحالية لتطبيقات الذكاء الاصطناعي المالي، ومزايا تطبيقه، وأهمية FCMBench في تدريب المواهب.

أوضح أولاً أن هناك سوء فهم شائعًا: “يعتقد الكثيرون بشكل حدسي أن الذكاء الاصطناعي في المجال المالي غير بارز، لكن هذا غير دقيق. فالذكاء الاصطناعي يشارك بعمق في تحديد أسعار التأمين، وتقييم الأصول، والتداول الكمي، وغيرها من السيناريوهات الأساسية، لكن هذه القيم لا تظهر مباشرة في المنتجات الموجهة للمستهلكين، لذلك لا يُرى بشكل واضح.”

وأشار أيضًا إلى أن الذكاء الاصطناعي في التمويل يمتلك ميزة واضحة في سرعة التطبيق، حيث يمكن أن تصل إلى عشرات أو مئات المرات من الكفاءة مقارنةً بالصناعات الأخرى مثل الرعاية الصحية، التي تتطلب عمليات تحقق طويلة ومعقدة، مثل التجارب السريرية، والتي قد تستغرق من ثلاث إلى خمس سنوات. في حين أن المجال المالي يمكنه عبر البيانات التاريخية، واختبار النماذج بشكل متوازي، التحقق بسرعة من فعالية النماذج، وتعديلها في فترات زمنية قصيرة جدًا، مما يقلل التكاليف التشغيلية بشكل كبير. أما في الرعاية الصحية، فإن تغيير خوارزمية يتطلب إعادة إجراء جميع الاختبارات السريرية، مما يطيل العملية لسنوات.

وفيما يخص بناء مجموعات البيانات المالية، اقترح Xu Yanwu ثلاثة عناصر أساسية: القيمة، الشمولية، والعدالة. يرى أن مجموعة البيانات المالية عالية الجودة يجب أن تكون ذات موضوعات ذات قيمة وابتكار، وتساعد على حل مشكلات حقيقية في الصناعة؛ ويجب أن تكون التصميمات شاملة وذكية، وتلبي احتياجات تطبيقات متعددة الأبعاد؛ وأخيرًا، يجب أن تكون طرق التقييم عادلة وشفافة، وتستند إلى القيم العامة للصناعة، بعيدًا عن المصالح الخاصة.

وفيما يخص إطلاق FCMBench-V1.0، أكد أنه يتوافق مع هذه العناصر الثلاثة، ويلعب دورًا هامًا في تدريب المواهب في القطاع المالي. قال إن FCMBench هو حلقة وصل مهمة بين تدريب المواهب واحتياجات الصناعة، ويساعد على بناء فريق مواهب قوي، حيث يمكن للطلاب الذين يدرسون الذكاء الاصطناعي مع تخصصات مالية أن يكتسبوا خبرة عملية حقيقية، مما يعزز فرص توظيفهم، كما يوفر لطلاب تخصص الخوارزميات سيناريوهات تطبيقية واقعية، تساعدهم على التكيف بسرعة مع متطلبات الوظائف في القطاع المالي، وبالتالي يساهم في استدامة إمداد المواهب عالية الجودة وتحسين بنية المواهب في الصناعة.

خلال الندوة، ناقش الضيوف الثلاثة من زوايا مختلفة، وهي التطبيق الصناعي، والبحث الأكاديمي، والتفاعل بين الصناعة والأكاديمية، بناء معايير الذكاء الاصطناعي متعدد الوسائط في الائتمان، مما أتاح فهمًا أعمق لوضع الصناعة، والتحديات، والاتجاهات المستقبلية للذكاء الاصطناعي المالي. ومع استمرار تشغيل وتطوير FCMBench-V1.0، ومشاركة المزيد من المؤسسات المالية والجامعات، من المتوقع أن تتشكل بيئة مفتوحة مماثلة لـ ImageNet، تدمج تقنيات الذكاء الاصطناعي مع الأعمال المالية بشكل أعمق، وتدفع نحو تطوير معايير موحدة ومنظمة، وفي النهاية، تحقيق تقدم تقني وتطبيق صناعي متبادلين، يعززان من مكانة الذكاء الاصطناعي المالي.