تبدأ معظم مبادرات الذكاء الاصطناعي في القطاع المالي من الطرف الخطأ. يشاهد فريق عرضًا تجريبيًا مغريًا، فيختار نموذجًا ويشرع في توصيله بأحد مسارات العمل. ثم يكتشف أن البنية التحتية للبيانات المالية الكامنة تحته مجزّأة، ومليئة بأخطاء في القيم اللحظية التاريخية، ويستحيل تتبّعها رجوعًا إلى مصدرها.
في التمويل لا يُعدّ هذا مجرد عيب طفيف، بل هو عقبة حقيقية. فالإجابة التي لا يمكنك تتبّعها هي إجابة لا يمكنك عرضها أمام مدير محفظة أو مدقّق حسابات. كما أن النموذج القائم على بيانات غير موثوقة لا يقدّم إجابات خاطئة فحسب، بل يقدّمها بثقة مطلقة.
تكون هذه الفجوة غير مرئية في البداية عادةً. فالعرض التجريبي يعمل على مستخلص أنيق سحبه أحدهم يدويًا، ربما بضعة آلاف من الصفوف تبدو نظيفة لأن إنسانًا نظّفها. أما بيئة الإنتاج فتعمل على البنية التحتية الحيّة للبيانات المالية، مع تأخّر وصول بعض الأسعار اللحظية، وإعادة تصريح البيانات من جانب المزوّدين، وعدم تطابق المعرّفات، ونصف دزينة من تدفقات البيانات يحمل كل منها تصوّره الخاص لمعنى الربع المالي. لم يتغيّر النموذج. ما تغيّر هو البيانات الكامنة تحته، وهنا بالذات ينهار المشروع بهدوء.
رسّخ البيانات قبل النموذج
نحن نعكس الترتيب المعتاد. فقبل اختيار أي نموذج، يجب أن تكون طبقة البيانات جاهزة للاستعلام وصحيحة. ويعني ذلك التعامل مع البنية التحتية للبيانات المالية الكامنة باعتبارها المنتج الفعلي، والنموذج طبقة رقيقة فوقها. وهذه هي العناصر التي نصرّ على إرسائها أولًا:
- البيانات اللحظية التاريخية، بحيث لا يعمل الاختبار الرجعي إلا انطلاقًا من الأسعار والبيانات الأساسية التي كانت معلومة فعليًا في ذلك اليوم، ولا يستطيع أن يقرأ سرًّا قيمًا لم تكن موجودة بعد
- استيعاب البيانات من مصادر السوق والمعاملات والإيداعات التنظيمية والبيانات البديلة
- تتبّع مصادر البيانات والتحقق منها، بحيث يمكن تعقّب كل قيمة من مخرجات النموذج رجوعًا إلى التدفق والملف والطابع الزمني الدقيق الذي أتت منه
- توحيد الكيانات، بحيث تكون “الشركة نفسها” هي حقًّا الشركة نفسها عبر مختلف التدفقات
- إعداد الاسترجاع: مخازن متجهية ومستودعات بيانات مصمَّمة وفقًا للأسئلة التي ستطرحها فعلًا
لا شيء من هذا براقًا. لكنه أيضًا الفارق بين نظام ينجح في العرض التجريبي وآخر ينجح عند إقفال نهاية الربع.
والبيانات اللحظية التاريخية هي الجانب الذي تخطئ فيه الفرق أكثر من غيره، لأن خطأها يقع بصمت. فأي خط معالجة يعيد تصريح رقم بأثر رجعي، أو يملأ تصحيحًا دون توثيق نسخته الزمنية، سيجعل الاختبار الرجعي يبدو أفضل مما كانت عليه الاستراتيجية في أي وقت. وحين ينتبه أحد إلى ذلك يكون النموذج قد دخل الإنتاج بالفعل، وتكون الأرقام التي أنتجها قد عُرضت على أشخاص اتخذوا قرارات بناءً عليها. إن ضبط البيانات اللحظية التاريخية عمل تأسيسي غير برّاق، وهو في الوقت ذاته أرخص بوليصة تأمين تشتريها على الإطلاق.
ثم أثبت ذلك بالتقييم
لا نشرع في بناء النموذج الأولي إلا بعد أن تصبح البيانات متينة، ويُطرح كل نموذج أولي مصحوبًا بمجموعة تقييم. وهذا ما يحوّل عبارة “يبدو جيدًا” إلى رقم يمكنك الجدال حوله. فإن عجز النظام عن التفوّق على المسار الذي يحلّ محلّه استنادًا إلى ذلك الرقم، فمن الأفضل بكثير أن تعرف هذا في الأسبوع الثالث لا بعد ستة أشهر من البناء.
إن قوة تتبّع مصادر البيانات هي ما يجعل ذلك الرقم قابلًا للدفاع عنه. فحين يسأل أحد المراجعين عن سبب قول النموذج ما قاله، يمكنك تتبّع الإجابة رجوعًا عبر عمليات التحقق وصولًا إلى السجل المصدر، بدلًا من الاكتفاء بهزّ الكتفين. والتتبّع نفسه الذي يُرضي المدقّق هو ما يدلّ فريقك على مصدر أي تراجع حين تنخفض درجة التقييم. فالتتبّع ليس أوراقًا روتينية تضيفها في النهاية، بل هو ما يتيح لك تنقيح النظام من الأساس.
كيف يبدو ذلك في الواقع العملي
عمليًا، يقضي أي تكليف يبدأ من طبقة البيانات أولًا أسابيعه الأولى في أمور لا تظهر أبدًا في عرض تقديمي. نضع خريطة لكل تدفق بيانات ونوثّق خصوصياته: أي الحقول يُعاد تصريحها، وأيها يصل متأخرًا، وكيف يجري توثيق نسخ التصحيحات. ونبني السجلّ الزمني للبيانات بحيث تكون البيانات اللحظية التاريخية قابلة لإعادة البناء لا مجرد قيمة مفترضة. ونوحّد المعرّفات عبر المصادر بحيث يصبح تطابق أي كيان قرارًا يمكننا فحصه، لا مصادفة ناتجة عن طريقة تنسيق النصوص. وعند ذلك فقط يتماسك رسم تتبّع المصادر بما يكفي للثقة به.
إنه أبطأ في البداية وأسرع بكثير بعد ذلك. فالفريق الذي تخطّى هذا العمل يقضي الشهر الرابع باحثًا عن سبب تغيّر رقم ما؛ أما الفريق الذي أنجزه فيقرأ تتبّع المصادر ويصل إلى الإجابة في أصيل يوم واحد. والتكلفة هي العمل نفسه، لكنه يُدفع مبكرًا، حين يكون رخيصًا.
إن كانت خارطة طريقك للذكاء الاصطناعي تبدأ باختيار نموذج، فهي تبدأ من المكان الخطأ. ابدأ من البيانات.