NVIDIA NeMo يولّد بيانات مالية اصطناعية لأنظمة الذكاء الاصطناعي

أعلنت NVIDIA عن نهج لتوليد بيانات مالية اصطناعية بهدف تحسين ضبط نماذج LLM (fine-tuning) في القطاع المالي. ويعالج هذا التطوير مشكلة جوهرية: فالبيانات المالية الفعلية تعاني بصورة منهجية من اختلال التوازن بين أنواع الأحداث.

لماذا تعاني البيانات المالية من اختلال التوازن

عندما تدرّب الشركات والباحثون النماذج اللغوية على النصوص المالية، يواجهون توزيعًا منحرفًا للأحداث. فالأخبار المالية تفيض بمعلومات عن النتائج الفصلية (earnings) وتحركات أسعار الأسهم، في حين لا تظهر الأحداث الأقل شيوعًا والأكثر تخصصًا إلا بكميات غير كافية.

• الفائض: التقارير الفصلية وتحركات أسعار الأسهم
• الندرة: تغيّر التصنيفات الائتمانية، والموافقات على المنتجات، والنزاعات العمالية
• النتيجة: تفرط النماذج في التكيّف مع التنبؤ بالأحداث المتكررة، وتستجيب بضعف للأحداث النادرة

وتشكّل هذه الحالة مشكلة خطيرة في التداول الخوارزمي وإدارة المخاطر، إذ قد يؤدي إغفال إشارة نادرة لكنها مهمة إلى خسائر كبيرة.

كيف تسدّ البيانات الاصطناعية هذه الفجوة

تقترح NVIDIA استخدام التوليد الاصطناعي لإنشاء أمثلة التدريب الناقصة. ويتيح هذا النهج إثراء مجموعة البيانات عن قصد بأحداث نادرًا ما تظهر في التدفق الفعلي للأخبار المالية.

ولا يعني ذلك تدريبًا وهميًا بالكامل، بل توليد أمثلة خاضعة للتحكم للفئات الممثَّلة بنسبة ضعيفة. وتُنشأ البيانات الاصطناعية مع التحقق من جودتها ومن مطابقتها للسيناريوهات المالية الفعلية.

أين يُطبَّق هذا النهج

تتحول نماذج LLM المالية سريعًا إلى معيار في القطاع المالي. وتحدد NVIDIA ثلاثة اتجاهات رئيسية لتطبيق البيانات المالية الاصطناعية: أبحاث التداول (نماذج لتحليل الأخبار والتنبؤ بتحركات السوق)، ونمذجة المخاطر (تقييم أثر السيناريوهات على المحفظة أو الميزانية العمومية)، والرقابة (رصد شذوذات السوق وحالات التلاعب المحتملة).

تضخ المصارف وصناديق التحوط استثمارات كبيرة في أنظمة الذكاء الاصطناعي لتحليل بيانات السوق في الوقت الفعلي. غير أن جودة النماذج تعتمد كليًا على بيانات التدريب، فاختلال التوازن في المجموعة يقود إلى تنبؤات متحيزة وإشارات فائتة. ويتيح نهج NVIDIA تفادي الحاجة إلى جمع أرشيفات تمتد سنوات طويلة للأحداث النادرة.

ماذا يعني ذلك

يتجه الذكاء الاصطناعي المالي تدريجيًا نحو البيانات الاصطناعية كأداة للتغلب على القيود العملية للمجموعات الفعلية. ويفتح ذلك الطريق أمام نماذج أكثر موثوقية وتوازنًا في التداول وإدارة المخاطر، وهما مجالان تكلّف فيهما الأخطاء ثمنًا باهظًا.