سلسلة هندسة الذكاء الاصطناعي – الجزء الثالث

غالبًا ما لا تكمن العقبة في سير عمل الاستثمار في عملية التحليل بحد ذاتها، بل في كل ما يتعين القيام به قبل بدء التحليل: إجراء فحوصات الامتثال، ومقارنة مراكز المحفظة بمعايير التفويض، وتصنيف الصندوق وفقًا للمعايير التنظيمية، وكشف النقاط الخلافية على نطاق واسع، إلى جانب العديد من المهام المماثلة الأخرى.

هذه ليست مهام تحليلية. إنها مهام استرجاع وتنسيق تتخفى وراء مظهر العمل التحليلي. وقد صُممت البنية التي وصفناها في المقال السابق لمعالجة هذه المشكلة بالذات.

في الجزأين الأول والثاني من سلسلة "بنية الذكاء الاصطناعي"، أوضحنا الأسباب التي تجعل خيارات البنية تتراكم بمرور الوقت، وكيف تتكامل الطبقات الأربع (نموذج اللغة الكبير، وبروتوكولات سياق النموذج، والمهارات، والوكلاء) من الناحية النظرية. وفي هذا المقال، ننتقل إلى الجانب العملي، حيث نستكشف مساهمة كل طبقة في سير عمل الاستثمار الفعلي، وما تكشفه حالة الاستخدام الملموسة عن الإمكانيات الحالية، بالإضافة إلى قيود بروتوكولات سياق النموذج.

المشكلة التي تستحق الذكر في تحليل الاستثمارات

كان توفر البيانات في الماضي يمثل عائقًا أمام تحليل الاستثمارات والامتثال للوائح. ومع ذلك، مع تطور ممارسات الإفصاح المؤسسي وتعدد مصادر البيانات، انقلب هذا العائق رأسًا على عقب بالنسبة للعديد من الشركات. فقد تجاوزت كمية البيانات المتاحة لها قدرتها على الاستفادة منها. ونتيجة لذلك، نشأ ما يُعرف بـ«الرؤية العالقة»، والتي تُعرَّف بالفجوة بين المعلومات الموجودة في النظام والقرار الذي يمكن اتخاذه فعليًّا بناءً عليها.

لنتخيل محللاً يقوم بفحص مدى الامتثال للمتطلبات. تتضمن الخطوات التي تسبق تحليله الانتقال إلى مجموعة البيانات أو الملف الصحيح، واختيار المحفظة المناسبة، وتحديد المتطلبات ذات الصلة، وبدء عملية فحص الامتثال، وتفسير النتائج على مستوى المقاييس، وتحديد المخالفات والعوامل المرتبطة بها . ولا تتطلب أي من هذه الخطوات تقديراً عميقاً أو تفكيراً نقدياً، بل تتطلب معرفة أين ينقر المرء والقدرة على تكرار العملية بشكل موثوق.

وهذا ليس انتقادًا للأنظمة الحالية. بل هو وصف لكيفية عمل معظم منتجات البيانات المنظمة منذ الأزل: أنظمة قوية تتطلب من المستخدمين معرفة كيفية تشغيلها.

تتيح لنا الذكاء الاصطناعي، وبالتحديد البنية التي تم بناؤها عبر سلسلة المقالات هذه، إعادة تصور هذا الوضع الراهن. إن الاستدلال العام لنموذج اللغة الكبير (LLM)، مقترناً بالبيانات الخاصة بالمجال ومنهجيات نموذج MCP المتخصص، يقلص المسافة بين السؤال والإجابة. ويختفي العمل " الإضافي " الذي كان يستهلك صباح المحلل (التنقل، والتصفية، والتصدير، والتنسيق). وما يتبقى هو الحكم؛ العمل المتميز الذي تم تعيين المحلل للقيام به.

مراقبة التوكيلات باستخدام الذكاء الاصطناعي: مثال من واقع الحياة

بصفتها شركة تقنية، تتمثل فلسفة Clarity AIفي الذهاب إلى العملاء في أماكن عملهم، بدلاً من مطالبتهم بالقدوم إلينا.

إن نهجنا الذي يضع واجهة برمجة التطبيقات (API) في المقام الأول يجعل طبقة الوكلاء امتدادًا طبيعيًا لهذا المبدأ التوجيهي. وتقوم مجموعة حلول إدارة العمليات (MCP) التي نقدمها، بما في ذلك حل مخصص لمراقبة امتثال المحفظة الاستثمارية لتوجيهات الاستثمار، بدمج بيانات ومنهجية Clarity AIمباشرةً في تطبيقات الذكاء الاصطناعي المفضلة أو الأنظمة الداخلية التي يستخدمها عملاؤنا بالفعل. وتسهل حلول إدارة العمليات هذه سير العمل من البداية إلى النهاية من خلال أوامر بسيطة باللغة الطبيعية مثل "يرجى التحقق من امتثال محفظتي الاستثمارية لتوجيهات الاستثمار الخاصة بي".

جملة واحدة بلغة بسيطة تكفي لبدء سير العمل بالكامل. وفي غياب أي مواصفات إضافية من المستخدم، يقوم «كلود» بتحليل متطلبات المطالبات، ويستدعي استجابةً لذلك سلسلة من الأدوات المختلفة، حيث يستخرج توجيهات المستخدم ومحتويات محفظته الاستثمارية، ويجري عمليات التحقق من الامتثال على مستوى المقاييس، ثم يجمع النتائج.

تُعرض النتائج في شكل جدول منظم وتفاعلي داخل نافذة الدردشة، بما في ذلك نتائج النجاح أو الفشل على مستوى المقاييس، وقائمة بالشركات المخالفة. ويمكن تتبع جميع القيم من خلال أسئلة متابعة أو عبر رابط مباشر إلى تطبيق Clarity AIعلى الويب لإجراء تحقيق أعمق.

ما كان يتطلب في السابق تصفح بوابة البيانات، وتحديد المحفظة والتفويض المناسبين، وتفسير النتائج على مستوى المقاييس، وتنسيق النتائج، وتصفية المخالفين، أصبح الآن يتم حله من خلال عملية تبادل واحدة.

يُعد التطبيق الإلكتروني المصمم جيدًا الأداة المثالية لاستكشاف البيانات، لا سيما في حالة الأسئلة المفتوحة التي تساعد فيها العناصر المرئية الداعمة المستخدم على التنقل في بيئة غنية بالإمكانيات. ففي النهاية، تنشأ العديد من أفضل الأسئلة نتيجة لمجرد استكشاف البيانات. ومع ذلك، فإن سير العمل الموصوف أعلاه ليس استكشافيًا.

يدرك مدير المحفظة طبيعة السؤال والمحفظة والتفويض، ويريد الحصول على الإجابة. وفي هذا النوع من الأعمال التي تتطلب نتائج ملموسة، تضيف حتى أفضل واجهة مصممة خطوة «ترجمة» يتعين على المستخدم خلالها تحويل سؤال مكتوب بلغة بسيطة إلى سلسلة من النقرات. وتقوم بنية MCP بإزالة هذه الخطوة وتقصير المسار من السؤال إلى الإجابة. فيطرح المستخدم السؤال باللغة التي كان سيستخدمها مع محلل، ويقدم النظام الإجابة في غضون ثوانٍ.

يعتمد هذا التكامل على قيام نموذج MCP بأداء مهام لا يستطيع نموذج LLM القيام بها بمفرده. فالموديلات الأساسية مثل «كلود» (Claude) تحتوي على قدر هائل من المعرفة العامة، لكنها تفتقر إلى البيانات المتخصصة والمنسقة والمعلومات القائمة على أسس منهجية التي تعتمد عليها القطاعات الخاضعة للتنظيم.

لنتخيل مدير محفظة يدير محفظة استثمارية تستند إلى قيم دينية.

سيتعين على نموذج اللغة الكبير (LLM) متعدد الأغراض المزود بإمكانية الوصول إلى الإنترنت تحديد مقتنيات كل صندوق (التي نادرًا ما يتم الإفصاح عنها علنًا وعادةً ما تكون قديمة بفارق ربع سنة)، ومواءمة قواعد التسمية عبر ملفات PDF وصحائف البيانات، وتحديد عشرين قيمة قياسية لكل من حوالي مائة حيازة لكل صندوق، وتفكيك المقاييس المركبة التي يتم الإبلاغ عنها بشكل غير متسق عبر الشركات، وتقدير القيم للجهات التي لا تفصح عن بياناتها، وتوحيد الوحدات عبر معايير الإبلاغ والتقويمات المالية، والحفاظ على سجل تدقيق يمكن الدفاع عنه أمام الجهات التنظيمية في كل خطوة. وهذا يمثل 2000 نقطة بيانات لكل صندوق، في محفظة قد تحتوي على العشرات، دون وجود طبقة حوكمة للفصل في التعريفات ودون أي وسيلة لمعرفة أي الأصول تم تخطيها بصمت لأن البيانات لم تكن قابلة للعثور عليها أو لأن الصفحة لم تكن قابلة للاسترداد.

هذه المهمة مستحيلة من الناحية الهيكلية بالنسبة لنموذج يعتمد على الوصول إلى الويب وحده. وبالتالي، فإن نظام MCP المتخصص يعمل بمثابة «مصدر القوة» الذي يزود نظام الاستدلال العام بالقدرة على التعامل مع مجالات محددة، وفي هذه الحالة، تتعلق هذه القدرة بمعلومات محددة عن الأصول المالية التي تم التحقق منها، ومعايير التفويض، والسياق التنظيمي، والبيانات المشفرة وفقًا للمنهجية التي يتطلبها سير العمل. 

هذه مجرد خطوة أولى بسيطة نحو تحقيق قيمة تحويلية حقيقية. ونظرًا لأن هذا العمل يتم تنفيذه الآن ضمن طبقة تطبيقات قوية تزخر بالروابط المحتملة (الجداول الزمنية، وصناديق البريد الوارد، وأنظمة إدارة علاقات العملاء، والتقويمات، وما إلى ذلك)، فإنه يمكن دمجه في سير عمل آلي شامل بالكامل. يمكن لمهمة مجدولة في Claude إجراء نفس الفحص كل صباح من أيام الأسبوع، وتمييز التغييرات ذات الصلة وتوثيقها، وصياغة ملخص وفقًا لإرشاداتك الصوتية، ومواءمة العناصر المرئية للتنبيهات مع أسلوب تصميم شركتك، وإرسالها إلى صندوق الوارد الخاص بمدير المحفظة بحلول الساعة 9 صباحًا.

يمكن تهيئة هذا المسار التشغيلي، الذي كان يتطلب في السابق أدوات مخصصة أو جهدًا يدويًا كبيرًا، في أقل من ثلاثين دقيقة. وهذا ما تتيحه طبقة الوكلاء، التي تمثل دمجًا بين نماذج اللغة الكبيرة (LLM) ونماذج التحكم الآلي (MCP) والمهارات.

تحليل مسار عمل الوكيل: العناصر الأساسية الأربعة

ينقسم سير العمل الموصوف أعلاه إلى أربعة عناصر أساسية. كل عنصر يؤدي مهمة واحدة. ولا يكفي أي منها بمفرده؛ فالتركيب هو ما يجعلها تعمل. وفيما يلي هذه العناصر كما تُطبق على سير عمل مراقبة التفويضات. ويقترن كل عنصر أساسي بشيء ملموس يمكنك تجربته بنفسك.

يُعد «كلود» (Claude)، وهو نظام معالج اللغات الطبيعية (LLM)، محرك الاستدلال. فهو يفسر المطالبة، ويقرر الأدوات التي يجب استدعاؤها، ويرتبها بالتسلسل، ويقرأ النتائج، ويصوغ النص الناتج. ولا يحتاج المستخدم إلى تحديد أي من هذه الخطوات مسبقًا.

تتولى أنظمة إدارة العمليات (MCPs) إدارة عمليات الوصول. على سبيل المثال، تقوم نظام إدارة العمليات الخاص بقاعدة البيانات باسترداد بيانات المحفظة ومقتنيات الصناديق، والبيانات غير المالية والمنهجيات المرتبطة بها، كما تقوم بإجراء فحص الامتثال. ويقوم موصل Gmail أو Outlook بإرسال التنبيه. وتحدد الأدوات الأنظمة التي يمكن لنظام إدارة العمليات (LLM) الوصول إليها.

تحدد المهارات الكيفية التي ينبغي أن ينفذ بها النظام العمل. فهي توجه نموذج اللغة الكبيرة (LLM) للقيام بمهمة ما بطريقة قابلة للتكرار وفقًا لمجموعة محددة من المعايير، بدلاً من التعامل مع كل مهمة على حدة. في مثال يتم فيه تزويد كلود بمهارة صياغة البريد الإلكتروني ومهارة تنسيق التقارير، فإن الأولى تشفر الصوت المفضل للشركة؛ بينما تشفر الثانية كيفية توصيل الشركة للتحليلات، مثل هيكل مذكرة لجنة الاستثمار، والترتيب الذي تظهر به المخاطر، والطريقة التي يتم بها تقديم التوصيات. تسمح المهارات لنماذج اللغة الكبيرة (LLM) بالتنفيذ الفعلي لطرق العمل المؤسسية للشركات.

الجدولة هي العامل المحفز. فهي تحول مسار العمل من نمط رد الفعل (أنت تطلب) إلى نمط المبادرة (يتصرف النظام وفقًا للوتيرة التي حددتها). وبدونها، يظل إعداد التقرير في هذا المثال في حالة جمود، في انتظار أن يتذكره أحدهم.

النتيجة الواردة أدناه هي ما تنتجه تلك العناصر الأساسية عند توحيدها بواسطة المستخدم: تقرير موجز عن الامتثال يحمل هوية العلامة التجارية، يصل إلى صندوق بريد مدير المحفظة بحلول الساعة 9 صباحًا، مكتوب بأسلوب الشركة، ومنسق وفقًا لمعاييرها، باستخدام بيانات محدثة عن المقتنيات والتفويض والبيانات غير المالية المستمدة من النظام المتصل بـ MCP، دون أن يكون أي شخص قد بدأ العملية.

إذا نظرنا إلى كل عنصر أساسي على حدة، فسنجد أنه محدود، ولكن عندما ترتبط هذه العناصر ببعضها، فإن تأثيرها يتضاعف. فإذا استبعدنا الجدول الزمني، سيظل على المحلل أن يتذكر تشغيل سير العمل. وبدون المهارات اللازمة، يصبح التقرير الموجز عامًا وغير قابل للتنفيذ وعشوائيًا. أما إذا تخلصنا من نموذج MCP، فستكون البيانات إما غير متوفرة تمامًا أو غير موثوقة على الإطلاق.

لماذا تُعد جودة البيانات هي العائق الحقيقي في سير العمل المدعوم بالذكاء الاصطناعي

نظم إدارة المحافظ (MCPs) ليست سحرية. فجودة النتائج التي تنتجها هي انعكاس مباشر لجودة البيانات الموجودة في الطرف الآخر. وفي مثال سير العمل المذكور أعلاه، ما يهم هو جودة البيانات غير المالية وبيانات المحافظ. فإذا كانت تلك البيانات مشكوك فيها، فإن سير العمل برمته يصبح عديم القيمة.

يمثل كل عنصر من العناصر الضرورية لجودة البيانات مجالًا متخصصًا بحد ذاته:

• تتطلب تغطية البيانات قدرات حاسوبية هائلة وعمليات بحث أولية، إلى جانب قدرات متطورة في مجال التعلم الآلي لإجراء التقديرات.
• تتطلب دقة البيانات عمليات معالجة بيانات متواصلة ومخصصة تشمل دورات الاستيعاب والتحقق من الصحة والتحديث عبر آلاف المصادر.
• يتطلب الدقة المنهجية مراقبة تنظيمية، وخبرة متعمقة في المجال، وتنظيمًا منضبطًا لإصدارات البيانات عبر آلاف المقاييس.
• تتطلب قابلية التدقيق بنية تحتية تحافظ على أصل البيانات خلال كل عملية تحويل، بحيث يمكن تتبع أي رقم حتى مصدره.

هذه التخصصات لا تنبثق عن نموذج أكثر كفاءة. بل إنها تتطور ببطء وبشكل مدروس، مستعينة بنوع من الخبرة لا يمكن حصره في نافذة سياقية. والنتيجة المترتبة على ذلك هي نتيجة هيكلية. فمع تحويل النماذج لعملية الاستدلال إلى سلعة، يتحول الحاجز الوقائي إلى الركيزة الأساسية: البيانات.

ما وراء الهندسة المعمارية: أربعة أسئلة يجب طرحها على أي مزود لخدمات الذكاء الاصطناعي

تتميز البنية التي تتناولها هذه المقالة بطابعها التوافقي. ومن المتوقع أن يقدم كل مورد جاد نسخة ما منها خلال السنوات القليلة المقبلة. ولذلك، ينبغي أن تركز الأسئلة التي تستحق طرحها خلال المحادثات مع الموردين على العناصر التي تدعم تلك البنية.

تابعنا على LinkedIn أو اشترك في نشرتنا الإخبارية لتتلقى Clarity AI .