NVIDIA تشرح كيفية بناء نموذج أساسي للمعاملات المالية لأغراض التحليل المالي

نشرت NVIDIA في يونيو 2026 على مدونة NVIDIA Developer Blog مادة توضح كيف يمكن لشركات القطاع المالي بناء نموذج أساسي خاص بها للمعاملات (transaction foundation model)، وهو نموذج يتدرّب على تدفقات المعاملات المصرفية لرصد الاحتيال وتحليل سلوك العملاء.

ما هو النموذج الأساسي للمعاملات

وفق منطق NVIDIA، تُشفّر كل عملية دفع وتحويل وخصم في الشبكة المالية الحديثة نمطًا من السلوك البشري، وهي من أغنى الإشارات تفصيلًا المتاحة للأعمال. وتشبه فكرة النموذج الأساسي للمعاملات فكرة نماذج اللغة الكبيرة: فبدل النص، يتدرّب النموذج على تسلسلات من المعاملات، ويتعلّم التنبؤ بالخطوة التالية في السلسلة، ويلتقط خلال التدريب أنماطًا خفية، أي أنماط الإنفاق المعتادة وغير المعتادة لدى عميل بعينه.

• نُشرت المادة على NVIDIA Developer Blog في يونيو 2026
• موضوعها بناء نموذج أساسي مباشرة على بيانات المعاملات لدى مصرف أو نظام دفع
• الهدف المعلن هو رصد الاحتيال المالي بدقة أكبر وفهم سلوك العملاء
• المادة موجّهة إلى مهندسي البيانات وفرق تعلّم الآلة (ML) في الشركات المالية

لماذا تحتاج المصارف إلى نموذج آخر

ظلّت أنظمة مراقبة الاحتيال التقليدية في المصارف لسنوات قائمة على قواعد يدوية ومصنِّفات ضيقة النطاق مدرَّبة على نوع محدد من الاحتيال. أما نهج النماذج الأساسية، الذي جُرّب أولًا على النصوص والصور ثم على البيانات الجينومية والمتعددة الوسائط، فيقدّم منطقًا مختلفًا: نموذج واحد كبير يُدرَّب مسبقًا على كمّ هائل من المعاملات دون وسم، ثم يُعاد تدريبه لمهام محددة، مثل التقييم الائتماني وكشف غسل الأموال وتخصيص العروض. وبالنسبة إلى المصارف، قد يتيح ذلك تقليص عدد النماذج المتخصصة الضيقة التي يتعيّن عليها صيانتها بالتوازي.

كيف يرتبط ذلك بنماذج LLM المألوفة

أثبت منطق النماذج الأساسية جدواه في النصوص والصور والشيفرة البرمجية: نموذج واحد يُدرَّب على حجم هائل من البيانات دون وسم يدوي، ثم يُعاد تدريبه لعشرات المهام الضيقة، بدل حل كل مهمة بنموذج منفصل يُبنى من الصفر. وظلّت البيانات المالية زمنًا طويلًا بعيدة عن هذا النهج، جزئيًا بسبب المتطلبات الصارمة للسرية، وجزئيًا لأن تسلسلات المعاملات لا تنسجم بسهولة مع صيغ التدريب المعتادة لنماذج النصوص. وتصف مادة NVIDIA تحديدًا كيفية تجاوز هذا القيد: تتحول المعاملة إلى ما يشبه «رمزًا» (token)، ويتحول سجل عمليات العميل إلى تسلسل يتعلّم النموذج تحليله بطريقة تشبه إلى حد كبير تحليل نموذج اللغة لتسلسل الكلمات.

ومن الأسئلة العملية الخاصة بالمصارف مكان تدريب هذا النموذج وتشغيله فعليًا. فبما أن بيانات المعاملات تنتمي إلى أكثر فئات المعلومات حساسية، وهي الفئة التي تحرص عليها كل جهة تنظيمية، فإن مادة NVIDIA تركّز على سيناريو يُدرَّب فيه النموذج ويعمل داخل البنية التحتية الخاصة بالمصرف، ولا يُنقل إلى خدمة سحابية خارجية.

ماذا يعني ذلك

تصل النماذج الأساسية، التي ارتبطت سابقًا في الغالب بالنصوص والصور، إلى بيانات المعاملات، وهي من أكثر فئات المعلومات انغلاقًا وحساسية في عالم الأعمال. وإذا ترسّخ نهج NVIDIA، فلن تضطر المصارف إلى تدريب نموذج منفصل من الصفر لكل مهمة جديدة، سواء الاحتيال أو التقييم الائتماني أو التخصيص، ولن تكون سرّية البيانات عائقًا، لأن النموذج يمكن تدريبه ونشره داخل البنية التحتية للمصرف نفسه.