تخطّ إلى المحتوى
كل الرؤى النمذجة المالية والأتمتة بالذكاء الاصطناعي

قراءة مكالمات الأرباح باستخدام نماذج LLM دون خداع النفس

نصوص مكالمات الأرباح مليئة بإشارات يمكن لنموذج LLM أن يستخلصها. الصعوبة الحقيقية في جعل هذه الإشارات قابلة للتتبع، وصحيحة زمنياً عند نقطة القرار، وجديرة بالتصرف بناءً عليها.

3 دقائق قراءة #النمذجة#معالجة اللغة الطبيعية#البحث
متخصصون في القطاع المالي يعملون على مبادرة للذكاء الاصطناعي

مكالمة الأرباح من اللحظات النادرة التي تتحدث فيها الإدارة باستفاضة، وتحت قدر من الضغط، وبصورة مُسجَّلة رسمياً. يلتقط النص التوجيهات المستقبلية، والتحفظات في الصياغة، والموضوعات التي تختار الإدارة الإسهاب فيها وتلك التي تمر عليها مرور الكرام. وما يجعل تحليل مكالمات الأرباح بنموذج لغوي مغرياً هو أن النموذج يقرأ كل نص بالعمق نفسه، في كل ربع سنة، دون أن يصيبه الإرهاق عند الصفحة الأربعين من قسم الأسئلة والأجوبة.

تحليل النصوص ليس أمراً جديداً. فالجمع بين بيانات السوق ومعالجة اللغة الطبيعية لاستخلاص إشارات النبرة والموضوع من لغة الإدارة منهج راسخ، وقد بنت جهات مثل LSEG MarketPsych منتجاتها حول هذا الأمر بالتحديد. وقد وظّفت أبحاث أحدث نماذج LLM لرصد اتجاهات ESG وغيرها عبر نصوص المكالمات. فالسؤال إذن ليس عمّا إذا كانت هناك إشارة، بل عمّا إذا كان بإمكانك استخلاصها بطريقة تصمد أمام اختبار رجعي وأمام مراجع متشكّك.

استخلص إشارات منظمة، مع إبقاء الاقتباس مرفقاً

المُخرَج المفيد لمعالجة اللغة الطبيعية المالية على مكالمة ما ليس درجة مشاعر طافية منفصلة عن مصدرها، بل مجموعة من الحقول المنظمة، كل حقل منها مثبَّت إلى الكلمات الدقيقة التي أنتجته. نميل عادة إلى استخلاص ثلاثة أنواع من الأشياء:

  • تغيّرات التوجيهات: رُفعت أو خُفضت أو أُعيد تأكيدها أو سُحبت، مع المقياس والاتجاه، والجملة التي قيلت فيها
  • تحوّلات النبرة: كيف تتحدث الإدارة عن الطلب أو الهوامش أو قطاع بعينه مقارنة بحديثها في الربع السابق، لا في المطلق
  • التركيز الموضوعي: أي الموضوعات اكتسبت مساحة في الحديث أو فقدتها، وما إذا كان موضوع ما قد ظهر في التصريحات المُعَدَّة سلفاً أم لم يظهر إلا حين ألحّ أحد المحللين عليه

كل واحد من هذه يحمل مؤشراً يعود إلى النص: المتحدث، والطابع الزمني، والاقتباس الحرفي. فمن دون هذا التسلسل المصدري تكون بين يديك مجرد رأي لا يستطيع النموذج الدفاع عنه. أما معه، فيستطيع المراجع أن يقرأ الجملة فيوافق أو يختلف، ويكون الخلاف عندئذ حول النص لا حول مزاج النموذج. وهذا الأثر التدقيقي نفسه هو ما يتيح لك لاحقاً تتبّع خطأ في الاستخلاص، إذ يمكنك أن ترى ما إذا كان النموذج قد أساء قراءة الكلمات أم قرأها على وجهها الصحيح ثم خلص إلى استنتاج غريب.

فخّ السردية

نمط الفشل الحقيقي في تحليل النصوص ليس مصنّفاً مشوّشاً، بل المبالغة في تطويع رواية لتناسب الواقعة. تقرأ ربعاً هبط فيه السهم، فتعود إلى المكالمة، فيلتقط لك النموذج بكل خدمة اللغة المتحفظة والموضوع الذي تجنّبه الرئيس التنفيذي. يبدو الأمر كأن المكالمة قد تنبأت بالحركة، لكنها لم تفعل. أنت كنت تعرف النتيجة فذهبت تبحث عن السبب، ونماذج LLM بارعة جداً في تقديم سبب معقول عند الطلب.

هذا تسرّب للمعلومة المستقبلية متنكراً في ثوب السردية. احترس منه كما تحترس من أي تسرّب آخر. ابنِ الإشارة عند نقطة القرار: لا يرى النموذج إلا ما كان معلوماً في تاريخ المكالمة، ويُقيَّم الاستخلاص في مقابل ما حدث بعدها، لا العكس أبداً. شغّله عبر مكالمات كثيرة، بما فيها الأرباع الباهتة التي لم يتحرك فيها شيء، حتى تقيس علاقة لا أن تنتقي حكايات بعينها. والإشارة التي لا تبدو جيدة إلا في المكالمات التي تتذكرها ليست إشارة.

والاختبار الرجعي هنا يعني عناية بالطوابع الزمنية أكبر من المعتاد. فللنص ذاته وقت إصدار، وهو نادراً ما يكون لحظة النطق بالكلمات. وإذا أُعيد تقديم بياناتك الأساسية أو بيانات الأسعار بأثر رجعي، فإن الانضباط نفسه المتعلق بنهاية الربع ينطبق هنا كما ينطبق في أي مكان آخر: استخدم القيم وقت رصدها لا أحدث القيم المعروفة. فإشارة نبرة تقترض في صمت مراجعة الأسبوع القادم ستبدو ممتازة وستتداول بشكل مزرٍ.

أبقِ محللاً ضمن الحلقة

استخلاص الإشارات من اللغة جيد بما يكفي ليكون مفيداً، وغير جيد بما يكفي ليُترك وحده. سيقرأ النموذج السخرية على أنها تفاؤل، أو يفوته أن رقماً أُعيد تأكيده هو في الواقع خفض هادئ متى أخذت في الحسبان قطاعاً جرى التخلي عنه، أو يرصد تحوّلاً في النبرة لا يعدو كونه مديراً مالياً جديداً بأسلوب حديث مختلف. والمحلل يلتقط هذه الأمور لأنه يحمل سياقاً لا يحتويه النص.

لذلك نتعامل مع النموذج بوصفه قراءة أولى لا تنام، ومع المحلل بوصفه القارئ الذي يقرر ما هو حقيقي. يقترح النموذج تغيّر التوجيهات ويعرض اقتباسه. والمحلل يؤكد أو يرفض أو يضيف ملاحظة، وهذا الحكم يعود ليغذّي مجموعة التقييم. ومع الوقت تصبح مواضع الخلاف أثمن سجل بين يديك، لأنها تكشف لك أين تضعف معالجة اللغة الطبيعية المالية على أسمائك وقطاعاتك تحديداً.

لا شيء من هذا ينتج رقماً سحرياً، ولن نثق بمن يزعم أنه يفعل. ما يمنحك إياه تحليل مكالمات الأرباح بعناية هو قراءة أسرع وأكثر اتساقاً، مع إمكان تتبّع كل استنتاج إلى الجملة التي صدر عنها. النموذج يتولى القراءة، والانضباط من حوله هو ما يجعل القراءة جديرة بالثقة.

قراءات ذات صلة

#رأس-المال-العامل

تحسين رأس المال العامل باستخدام تعلّم الآلة (ML)

النقد المحتجز في الذمم المدينة والمخزون مكلِف. إليك كيف نمذجة أيام تحصيل الذمم (DSO) وأيام سداد الذمم (DPO) والمخزون لتحرير رأس المال العامل.

#النمذجة

أتمتة التخطيط القائم على المحرّكات باستخدام الذكاء الاصطناعي

الخطة مجموعة من المحرّكات، لا جدول بيانات مليء بالقيم المُدخلة يدويًا. إليك كيف نؤتمت التخطيط القائم على المحرّكات (driver-based planning) لتتحدّث التوقّعات مع تغيّر الواقع.

#فقدان العملاء

التنبؤ بفقدان العملاء بطريقة يمكن للفينتك التصرّف بناءً عليها

درجة فقدان (churn score) لا يتصرّف أحد بناءً عليها هي مجرّد لوحة بيانات. إليك كيف نبني نماذج فقدان العملاء مرتبطة بتدخّلات فعلية ومقيسة مقابل احتفاظ حقيقي.

#القيمة الدائمة

نمذجة القيمة الدائمة للعميل في التقنية المالية

القيمة الدائمة للعميل (LTV) تحكم إنفاق الاستحواذ وحدود الائتمان معًا. إليك كيف نبني نماذج LTV تصمد عندما تتغيّر الفئة الزمنية (cohort) ويتحرّك الاقتصاد.

تعمل على شيء مشابه؟

أخبِرنا عن بياناتك وسير العمل المحيط بها، وسنعطيك رأياً صريحاً.

احجز مكالمة تعريفية مدتها 30 دقيقة