پرش به محتوای اصلی
پرش به محتوای مقاله

مدل‌های زبانی چگونه فرآیند تأیید معاملات چاتم فایننشال را تسریع کردند؟

·۱۰ مهر ۱۴۰۵۴ دقیقه مطالعه۱ بازدید
چتم فایننشال با OpenAI Codex ابزارهای بازار سرمایه می‌سازد
چتم فایننشال با OpenAI Codex ابزارهای بازار سرمایه می‌سازد
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

استقرار عملیاتی مدل‌های GPT-5.6 در یک سیستم عملیاتی مالی (Onyx) با استراتژی مسیریابی مدل برای بهینه‌سازی هزینه و دقت؛ فراتر از استفاده‌های متداول از چت‌بات‌ها.

تصور کنید متخصصی باشید که هر روز ساعت‌ها وقتش را صرف تطبیق اعداد و اسناد می‌کند، اما ناگهان ابزاری می‌رسد که ۹۰٪ این حجم از کارهای تکراری را در چند ثانیه انجام می‌دهد. این دقیقاً اتفاقی است که در شرکت چاتم فایننشال (Chatham Financial) افتاده و زمان بررسی هر تراکنش را از ۳۰ دقیقه به کمتر از ۴ دقیقه کاهش داده است.

طبق گزارش منتشر شده توسط OpenAI در ۲ اکتبر ۲۰۲۶، این شرکت توانسته است نظارت بر معاملات حساس مالی را از حالت بررسی دستی به نظارت هوشمند تبدیل کند. این تحول در حالی رخ می‌دهد که مؤسسات مالی برای مقیاس‌پذیری قضاوت‌های انسانی روی حجم عظیمی از داده‌ها در تکاپو هستند. همان‌طور که در تحلیل قبلی ما درباره‌ی میزبانی اپلیکیشن‌های کامل توسط OpenAI اشاره کردیم، شرکت‌ها حالا از چت‌بات‌های ساده عبور کرده‌اند و به سمت سیستم‌های عملیاتی می‌روند که هوش مصنوعی را در قلب خدمات حرفه‌ای خود جای داده‌اند.

چاتم فایننشال یک شرکت آمریکایی در حوزه بازارهای سرمایه است که به مشتریان خود در تصمیمات پیچیده مالی کمک می‌کند. این شرکت برای رسیدن به اهدافش از مجموعه‌ای از ابزارهای OpenAI، شامل ChatGPT، Codex و APIهای این شرکت استفاده می‌کند. مت هنری، مدیرعامل این مجموعه، توضیح می‌دهد که استراتژی آن‌ها با تعریف دقیق نتیجه‌ی مطلوب و شناسایی دقیق نقاطی شروع می‌شود که قضاوت انسانی در آن‌ها حیاتی است. از آن نقطه به بعد، آن‌ها یک سیستم تحویل را با استفاده از قابلیت‌های فعلی هوش مصنوعی طراحی می‌کنند.

این شرکت برای پیاده‌سازی ابزارها از متدولوژی Process Zero استفاده می‌کند؛ رویکردی که گردش‌های کاری را بر اساس نتایج بازطراحی می‌کند. در این چارچوب، شرکت ابتدا حداقل شواهد مورد نیاز برای یک وظیفه را شناسایی کرده و سپس نقاطی را که قضاوت انسانی در آن‌ها ضروری باقی مانده است، ایزوله می‌کند و پس از آن هوش مصنوعی را به کار می‌گیرد.

در این چارچوب، تیم یکپارچگی داده‌ها و کنترل‌ها از OpenAI Codex — ابزاری که کدنویسی را برای مدل‌های زبانی ساده می‌کند — برای ساخت ابزارهایی استفاده کرده است که:

  • شواهد پشتیبان برای هر تراکنش را جمع‌آوری می‌کنند.
  • مفاد کلیدی را با مجوزهای مشتری و اجرای واقعی تطبیق می‌دهند.
  • هرگونه تناقض را برای بررسی انسانی علامت‌گذاری می‌کنند.

الکس نوردلینگر، یکی از مدیران بخش مشاوره AI در چاتم، تأیید می‌کند که آن‌ها در حال حاضر عملکرد این اپلیکیشن را با تراکنش‌های واقعی و نظارت متخصصان باسابقه می‌سنجند. هدف نهایی این است که نتایجی به دست آید که سریع‌تر، دقیق‌تر و به راحتی قابل حسابرسی (Auditable) باشد.

علاوه بر این، شرکت پلتفرم داخلی Chatham Vibes را راه‌اندازی کرده است. در این محیط، کارکنان می‌توانند اپلیکیشن‌های AI خود را برای تحقیق، تحلیل، پیش‌نویس و توسعه نرم‌افزار بسازند. این ابزارها عمدتاً روی مدل GPT-5.6 Terra اجرا می‌شوند و برای کارهای پیچیده‌تر، امکان ارتقا به GPT-5.6 Sol وجود دارد. این ابزارهای ساخته‌شده توسط کارکنان اکنون در چندین جریان کاری مشتری‌محور پشتیبانی می‌کنند، از جمله:

  • بررسی معاملات در حال سررسید (Maturing-cap trades).
  • تهیه دفاتر کاری قیمت‌گذاری (Pricing workbooks) و ارتباطات با مشتریان.
  • تولید برگه‌های نرخ درآمد ثابت (Fixed-income rate sheets).
  • تهیه داشبوردهای پوشش ریسک (Hedging) و بررسی تأییدیه‌های معاملات.

برای مشتریان گسترده‌تر، این شرکت از Chatham Onyx استفاده می‌کند؛ یک سیستم عملیاتی بازارهای سرمایه که دارایی‌ها، بدهی‌ها و مشتقات را در یک محیط واحد مدیریت می‌کند. Onyx از استراتژی مسیریابی مدل (Model Routing) استفاده می‌کند تا تعادلی بین هزینه و دقت ایجاد کند. در این استراتژی، ترکیبی از مدل‌های GPT-5.6 Sol، GPT-5.6 Terra، GPT-5.4 و GPT-4.1 به کار گرفته می‌شود. تحلیل‌های ساده و تست‌های غیرتولیدی به مدل‌های مقرون‌به‌صرفه هدایت می‌شوند، در حالی که GPT-5.6 وظایف پیچیده را بر عهده می‌گیرد. این رویکرد بهینه‌سازی هزینه‌ها با راهکارهای جدیدی مانند گیت‌وی‌های SuperFast AI هم‌سو است که به دنبال کاهش چشم‌گیر هزینه‌های API برای عامل‌های هوشمند هستند.

یکی از ویژگی‌های برجسته این سیستم، ChatFIN است که به کاربران اجازه می‌دهد الگوهای داده‌های تاریخی بازار را استخراج کرده، سبدهای سرمایه‌گذاری (Portfolios) را مشاهده کنند و اسناد قانونی مربوط به شرایط بدهی، مشتقات و اجاره‌ها را به هم لینک کنند. به نقل از جان دگونتِر، مدیر فناوری شرکت، Codex سرعت تبدیل چشم‌انداز محصول به قابلیت عملیاتی را بدون به خطر انداختن استانداردهای امنیتی افزایش داده است.

این استقرار نشان‌دهنده تغییری در مدل کسب‌وکار خدمات حرفه‌ای است. مایک نونان، مدیر عملیات شرکت، اشاره می‌کند که تا پیش از این، بزرگ‌ترین مانع، زمانی بود که متخصصان صرف می‌کردند تا به نقطه‌ای برسند که بتوانند تخصص خود را به کار بگیرند. اکنون ارزش کار دیگر در توانایی جمع‌آوری اطلاعات نیست — کاری که هوش مصنوعی در چند دقیقه انجام می‌دهد — بلکه در توانایی تفسیر آن اطلاعات و مدیریت پرونده‌های دشوار است.

برای شما به عنوان یک متخصص، این یعنی نقش «کارشناس» در حال تبدیل شدن به نقش «ویراستار» است. مزیت رقابتی دیگر در انجام کارهای دستی نیست، بلکه در طراحی گردش کار (مانند رویکرد Process Zero) نهفته است.

چاتم اکنون قصد دارد تأیید معاملات را به انواع بیشتری از محصولات گسترش دهد و اپلیکیشن‌های ساخته‌شده توسط کارکنان را بیشتر اصلاح کند. نقطه عطف بعدی، ادغام قابلیت‌های خودکارسازی بیشتر در پلتفرم Onyx از طریق Codex خواهد بود.

گام بعدی شما

  • بررسی متدولوژی Process Zero برای شناسایی نقاطی در کارتان که جمع‌آوری داده‌ها مانع از اعمال تخصص شماست.
  • مطالعه درباره استراتژی مسیریابی مدل (Model Routing) برای کاهش هزینه‌های استنتاج در پروژه‌های تجاری.
  • تمرین تبدیل نقش شغلی خود از یک «اجراکننده» به یک «ویراستار» و «طراح گردش کار».

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این مورد نشان می‌دهد که مدل‌های استدلالی پیشرفته چگونه می‌توانند در محیط‌های با ریسک بالا (High-Stakes) جایگزین کارهای تکراری شوند. اعتبار این تغییر با نتایج ملموس در یک شرکت مالی تایید شده و الگویی برای سایر مشاغل تخصصی ایجاد می‌کند.

تأثیر برای ایران

به‌دلیل محدودیت‌های API و تحریم‌ها، دسترسی مستقیم به مدل‌های GPT-5.6 برای توسعه‌دهندگان ایرانی دشوار است، اما متدولوژی Process Zero برای بهینه‌سازی فرآیندهای اداری در شرکت‌های داخلی کاملاً قابل اجراست.

·نگاه ما
تحریریه دات‌هوش

جایگزینی جمع‌آوری داده با تفسیر، نقطه عطف جدیدی در مدل‌های کسب‌وکار خدماتی است. در اینجا تخصص دیگر در «دانستن» یا «یافتن» نیست، بلکه در «طراحی سیستم استخراج» است. این یعنی در آینده، گران‌ترین مهارت در بازار کار، توانایی مهندسی فرآیند (Workflow Engineering) خواهد بود، نه تسلط بر ابزارهای خاص.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.