يمكن أن يكون لتجربة الذكاء الاصطناعي التي تتضمن "صلاحية زمنية" آثارًا كبيرة على التكنولوجيا المالية

قام باحثان من جامعة إنسبروك في النمسا بتطوير طريقة لتحديد مدى جودة نظام الذكاء الاصطناعي (AI) في فهم “الصلاحية الزمنية”، وهو معيار يمكن أن يكون له آثار كبيرة على استخدام منتجات الذكاء الاصطناعي التوليدية مثل ChatGPT في قطاع التكنولوجيا المالية.

تشير الصلاحية الزمنية إلى مدى صلة عبارة معينة ببيان آخر مع مرور الوقت. في الأساس، يشير إلى القيمة المستندة إلى الوقت للبيانات المقترنة. سيتم إعطاء الذكاء الاصطناعي الذي يتم تقييمه بناءً على قدرته على التنبؤ بالصلاحية الزمنية مجموعة من العبارات ويطلب منه اختيار العبارة الأكثر ارتباطًا عبر الزمن.

في ورقتهم البحثية التي تم نشرها مؤخرًا بعنوان “التنبؤ بتغير الصلاحية الزمنية”، استخدم جورج وينزل وآدم جاتوت مثال عبارة يُعلن فيها أن الشخص يقرأ كتابًا على متن الحافلة.

في المثال أعلاه، عبارة السياق الأكثر صحة هي “لم يتبق لدي سوى بضع صفحات أخرى، ثم انتهيت”. بما أن بيان الهدف يشير إلى أن راكب الحافلة يقرأ حاليًا كتابًا، فإن الاثنين الآخرين ليس لهما صلة بالموضوع بالمقارنة. مصدر الصورة: وينزل، جاتوت 2024.

أنشأ الباحثون مجموعة بيانات مصنفة لأمثلة التدريب التي استخدموها بعد ذلك لبناء مهمة قياس الأداء لنماذج اللغات الكبيرة (LLMs). لقد اختاروا ChatGPT كنموذج أساسي للاختبار نظرًا لشعبيته لدى المستخدمين النهائيين ووجدوا أن أداءه كان ضعيفًا بهوامش كبيرة مقارنة بالنماذج الأقل عمومية.

يُصنف CHTGPT ضمن النماذج ذات الأداء المنخفض، وهو ما يتوافق مع دراسات أخرى حول فهم TCS. قد تكون عيوبها ناجمة عن نهج التعلم القليل ونقص المعرفة حول السمات المحددة لمجموعة البيانات.”

يشير هذا إلى أن المواقف التي تلعب فيها الصلاحية الزمنية دورًا في تحديد مدى الفائدة أو الدقة – كما هو الحال في إنشاء مقالات إخبارية أو تقييم الأسواق المالية – من المرجح أن يتم التعامل معها بشكل أفضل من خلال نماذج الذكاء الاصطناعي المستهدفة مقارنة بالخدمات الأكثر عمومية مثل ChatGPT.

أظهر الباحثون أيضًا أن تجربة التنبؤ بتغير القيمة الزمنية خلال دورة التدريب في LLM لديها القدرة على أن تؤدي إلى درجات أعلى في مهمة قياس التغير الزمني.

متعلق ب: التطلع إلى المستقبل: يتوقع المطلعون على الصناعة التحديات القانونية للذكاء الاصطناعي في عام 2024

في حين أن الورقة لا تناقش على وجه التحديد الآثار المترتبة خارج التجربة نفسها، فإن أحد القيود الحالية لأنظمة الذكاء الاصطناعي التوليدي هو افتقارها إلى القدرة على التمييز بين الأحداث الماضية والحاضرة ضمن مجموعة من الأدبيات.

إن تعليم هذه الأنظمة كيفية تحديد البيانات الأكثر صلة عبر المجموعة، مع كون التوقيت المناسب عاملاً حاسماً، يمكن أن يحدث ثورة في قدرة نماذج الذكاء الاصطناعي على تقديم تنبؤات قوية في الوقت الفعلي في قطاعات واسعة النطاق مثل العملات المشفرة وأسواق الأوراق المالية.