15325

بررسي چارچوب هاي توضيح پذيري هوش مصنوعي در راستاي تخصيص پرتفوي مالي مبتني بر تفكيك استدلال در مدل هاي زباني بزرگ

1403

دكتر مرتضي آنالويي

مدل‌هاي زباني بزرگ در سال‌هاي اخير توانايي چشمگيري در تحليل داده‌هاي مالي و پشتيباني از تصميم‌گيري‌هاي سرمايه‌گذاري از خود نشان داده‌اند، با اين حال، نبود شفافيت در فرآيند استدلال آن‌ها، مانعي جدي در مسير اعتمادپذيري، مميزي‌پذيري و انطباق با الزامات نظارتي در نظام‌هاي مالي به‌شمار مي‌آيد. بررسي پيشينه پژوهش در حوزه هوش مصنوعي توضيح‌پذير نشان مي‌دهد كه اغلب مطالعات موجود تنها بر روش‌هاي پساتوضيح تمركز داشته و در آشكارسازي ساختارهاي دروني استدلال مدل‌ها، به‌ويژه در كاربردهاي حساسي همچون تخصيص پرتفوي، ناكارآمد بوده‌اند. اين مسئله ضرورت طراحي چارچوبي را نشان مي‌دهد كه بتواند مسير تصميم‌سازي مدل را به‌صورت گام‌به‌گام تبيين و منطق دروني آن را قابل‌درك كند. در اين پژوهش، چارچوبي توضيح‌پذير براي تخصيص شخصي‌سازي‌شده پرتفوي طراحي و تحليل مي‌شود كه در آن سيگنال‌هاي كمي حاصل از عامل يادگيري تقويتي عميق براي پيش‌بيني روند و نوسان بازار، همراه با شاخص‌هاي احساسات بازار استخراج‌شده از مدل زباني تنظيم‌شده با دستورالعمل، به‌عنوان ورودي مورد استفاده قرار مي‌گيرند. نوآوري اصلي اين رويكرد، تفكيك دو بعد استدلالي مدل‌هاي زباني به بُعد محتوايي مبتني‌بر داده‌هاي عددي و بُعد صوري متكي‌بر توجيهات زباني قابل‌فهم براي انسان است. به‌منظور ارزيابي سهم هر بعد در تصميم نهايي، از خودرمزگذار تنك براي استخراج ويژگي‌هاي تك‌معنايي و تحليل علّي استفاده شده و نمره اعتماد پرتفوي به‌عنوان شاخصي براي سنجش انسجام و اعتبار استدلال مدل محاسبه مي‌شود. نتايج حاصل بيانگر آن است كه اين چارچوب، با فراهم‌سازي امكان رديابي دروني استدلال، موجب ارتقاي شفافيت، اعتمادپذيري و پذيرش سازماني سامانه‌هاي مالي مبتني‌بر مدل‌هاي زباني مي‌گردد.

11/5/2025 12:00:00 AM

88264

1404/08/19

Review of XAI Frameworks for Reasoning-Disentangled Financial Portfolio Allocation in Large Language Models

هوش مصنوعي توضيح‌پذير , مدل‌هاي زباني بزرگ , خودرمزگذار تنك , تفكيك استدلال محتوايي و صوري , تخصيص پرتفوي مالي