NVIDIA NeMo يولد بيانات مالية اصطناعية لـ AI

أعلنت إن فيديا عن نهج لتوليد البيانات المالية الاصطناعية بهدف تحسين الضبط الدقيق لنماذج اللغة الكبيرة في القطاع المالي. يعالج التطور مشكلة أساسية: البيانات المالية الحقيقية غير متوازنة بشكل منهجي حسب أنواع الأحداث.

لماذا تصبح البيانات المالية غير متوازنة

عندما تقوم الشركات والباحثون بتدريب نماذج اللغة على النصوص المالية، يواجهون توزيعاً منحرفاً للأحداث. الأخبار المالية مليئة بالمعلومات عن النتائج الربع سنوية وحركات أسعار الأسهم، بينما تحدث الأحداث الأكثر ندرة وتحديداً بحجم غير كافٍ.

• الإفراط: التقارير الربع سنوية، حركات أسعار الأسهم
• الندرة: تغييرات التصنيفات الائتمانية، موافقات المنتجات، النزاعات العمالية
• النتيجة: يتم تدريب النماذج بشكل مفرط للتنبؤ بالأحداث المتكررة لكنها تستجيب بشكل سيء للأحداث النادرة

يخلق هذا مشكلة خطيرة للتداول الخوارزمي وإدارة المخاطر، حيث قد يؤدي فقدان إشارة نادرة لكن مهمة إلى خسائر ضخمة.

كيف تسد البيانات الاصطناعية الفجوة

تقترح إن فيديا استخدام التوليد الاصطناعي لإنشاء أمثلة التدريب المفقودة. يسمح النهج بزيادة موجهة لمجموعة البيانات بأحداث تحدث بندرة في التدفق الحقيقي للأخبار المالية.

هذا لا يعني التدريب الخيالي تماماً — يتعلق الأمر بإنشاء أمثلة محكومة للفئات الممثلة بشكل ناقص. يتم إنشاء البيانات الاصطناعية مع فحوصات الجودة والمحاذاة مع السيناريوهات المالية الحقيقية.

حيث يتم تطبيقها

أصبحت نماذج اللغة الكبيرة المالية بسرعة معياراً في القطاع المالي. تسلط إن فيديا الضوء على ثلاثة اتجاهات رئيسية لتطبيق البيانات المالية الاصطناعية: بحوث التداول (نماذج لتحليل الأخبار والتنبؤ بحركات السوق)، وتشكيل المخاطر (تقييم تأثير السيناريوهات على المحفظة أو الميزانية العمومية)، والمراقبة (كشف الحالات الشاذة في السوق والمعالجة المحتملة).

تستثمر البنوك وصناديق التحوط موارد كبيرة في أنظمة الذكاء الاصطناعي لتحليل بيانات السوق في الوقت الفعلي. ومع ذلك، تعتمد جودة النموذج بالكامل على بيانات التدريب. عدم التوازن في مجموعة البيانات يؤدي إلى تنبؤات منحازة وإشارات مفقودة. يلغي نهج إن فيديا الحاجة إلى جمع أرشيفات لسنوات عديدة من الأحداث النادرة.

ماذا يعني هذا

ينتقل الذكاء الاصطناعي المالي تدريجياً إلى البيانات الاصطناعية كأداة للتغلب على القيود العملية لمجموعات البيانات الحقيقية. يفتح هذا الطريق نحو نماذج أكثر موثوقية وتوازناً في التداول وإدارة المخاطر — المجالات التي تكون فيها الأخطاء مكلفة جداً.