اگر شما یک پژوهشگر کمّی هستید، می‌دانید که تبدیل یک ایده ریاضی در یک مقاله به کدی که واقعاً در بازار کار کند، اغلب ساعت‌ها یا حتی روزها زمان می‌برد. اما طبق اعلام DolphinDB در ۲۹ جولای ۲۰۲۶، این گلوگاه اکنون برطرف شده و تبدیل یک PDF به یک فاکتور مالی آماده‌ی تولید، تنها چند دقیقه زمان می‌برد. این ماژول جدید که Starfish نام دارد، به پژوهشگران اجازه می‌دهد تا یک مقاله پژوهشی PDF را تقریباً به‌طور آنی به یک فاکتور مالی قابل اجرا در محیط عملیاتی تبدیل کنند.
دنیای تحلیل‌های مالی مدت‌هاست با یک «شکاف ترجمانی» دست‌وپنجه نرم می‌کند. مطالعه‌ی یک گزارش ساده است، اما پیاده‌سازی واقعی آن نیازمند نگاشت دستی متغیرها به فیلدهای پایگاه‌داده و رفع خطاهای اجرای کد است. این مهندسی تکراری اغلب بر فرآیند واقعی پژوهش سایه می‌اندازد و تحلیلگران را مجبور می‌کند هر بار که نتیجه‌ای در مرحله اعتبارسنجی شکست می‌خورد، کل خط لوله‌ی تولید (Pipeline) را از ابتدا بازسازی کنند.
پیاده‌سازی یک فاکتور به‌طور سنتی شامل سه مانع اصلی است: نوشتن کد پیاده‌سازی، رفع خطاهای اجرایی و اجرای ارزیابی فاکتور. این فرآیند اغلب مستلزم خواندن و یادداشت‌برداری دستی از مستندات است که می‌تواند بسیار زمان‌بر باشد. همان‌طور که در تحلیل قبلی ما درباره‌ی اتوماسیون جریان‌های کاری اشاره کردیم، حذف این لایه‌های تکراری، ارزش افزوده را از «کدنویسی» به «تفکر اقتصادی» منتقل می‌کند.
برای درک بهتر، تصور کنید مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در اینجا نقش یک مترجم فوق‌سریع را دارد که زبان ریاضیات را به زبان برنامه‌نویسی تبدیل می‌کند. با این حال، اتکای کامل به این مدل‌ها چالش‌های خاص خود را دارد؛ برای نمونه، برخی مدل‌های پیشرو هوش مصنوعی حتی مقالات باطل‌شده را به‌عنوان سند معتبر می‌شناسند که اهمیت بازبینی انسانی را دوچندان می‌کند. طبق مستندات این شرکت، Starfish این کار را در قالب یک گردش کار خودکار سه مرحله‌ای انجام می‌دهد:
- گام اول: بارگذاری گزارش پژوهشی؛ کاربران یک فایل PDF را آپلود می‌کنند. هوش مصنوعی به‌طور خودکار نام فاکتور، فرمول ریاضی، متغیرها و شهود اقتصادی (Economic Intuition) را استخراج می‌کند. با این حال، کاربران همچنان می‌توانند محتوای استخراج‌شده را بازبینی و ویرایش کنند تا اتوماسیون AI با تأیید انسانی ترکیب شود. این رویکرد یادآور راهبرد «اعتماد اما بازبینی» در مقابله با سرقت ادبیِ هوش مصنوعی است که در آن نظارت انسانی بر خروجی‌های AI محوریت دارد.
- گام دوم: انتخاب منابع داده؛ کاربر جداول خاصی از پایگاه‌داده را که هوش مصنوعی مجاز به دسترسی به آن‌هاست، انتخاب می‌کند.
- گام سوم: ساخت، تست و ارزیابی؛ سیستم ساختار داده‌ها (Schema) را درک می‌کند، متغیرهای گزارش را به فیلدهای دیتابیس نگاشت می‌کند، کد فاکتور را تولید کرده و آن را در یک محیط واقعی اجرا می‌کند.
نکته فنی کلیدی و حیاتی در اینجا، وجود یک «حلقه اصلاحی» (Self-correcting loop) است. Starfish صرفاً کد نمی‌نویسد؛ بلکه کد را در محیط واقعی اجرا می‌کند و هر خطای زمان اجرای (Runtime Error) را دوباره به مدل زبانی بازمی‌گرداند. این یعنی AI خودش را اصلاح می‌کند. اگر شکست رخ دهد، مدل مشکل را تحلیل کرده و کد را بازتولید می‌کند و این روند به‌طور خودکار تکرار می‌شود تا زمانی که پیاده‌سازی با موفقیت اجرا شود. حتی اگر مدل تشخیص دهد که نیاز است تعریف خودِ فاکتور تغییر کند، فرمول و مستندات را به‌روز می‌کند تا اطمینان حاصل شود که پیاده‌سازی و توضیحات با یکدیگر سازگار باقی می‌مانند.
پس از اجرای موفق کد، سیستم بلافاصله یک ارزیابی را با استفاده از Alphalens فعال می‌کند. نتیجه نهایی، یک گردش کار خوداصلاح‌گر است که از استخراج فرمول‌ها شروع شده و به ارزیابی نهایی ختم می‌شود.
فراتر از ساخت اولیه، این پلتفرم امکان «اشتقاق خودکار فاکتور» (Automated Factor Derivation) را فراهم کرده است. پژوهشگران معمولاً ساعت‌ها وقت صرف تغییر پارامترها و مقایسه دستی نتایج می‌کنند. Starfish این فرآیند را به یک حلقه خودکار تبدیل می‌کند:
- بهبود تکرارشونده: پژوهشگران تعداد تکرارها (Iterations) را تعیین می‌کنند و AI نسخه‌های جدیدی از فاکتور را تولید و ارزیابی می‌کند.
- مقایسه عملکرد: سیستم کاندیداهای مختلف را با استفاده از معیارهایی مانند «ضریب اطلاعات» (IC) مقایسه می‌کند.
- گزارش‌دهی بصری: قوی‌ترین عملکرد از طریق گزارش‌های بصری توصیه می‌شود و این امر به پژوهشگران اجازه می‌دهد به جای مقایسه نتایج خام، بر روی ایده‌ها تمرکز کنند.
برای تضمین پایداری در سطح سازمانی و قابلیت اطمینان، این ماژول از تولید بازیابی‌افزا (RAG) استفاده می‌کند. با بازیابی پیاده‌سازی‌های مشابه قبلی و سوابق رفع خطای تاریخی از پایگاه دانش داخلی تیم، AI تضمین می‌کند که کدهای جدید از بهترین روش‌های سازمان (Best Practices) پیروی کنند. با رشد پایگاه دانش، کیفیت خروجی‌های AI نیز افزایش می‌یابد. در حالی که Starfish بر استخراج داده‌های متنی تمرکز دارد، در حوزه‌های دیگر پژوهشی، از چارچوب‌های سه‌لایه هوش مصنوعی برای شناسایی دست‌کاری تصاویر در مقالات علمی استفاده می‌شود تا اصالت مستندات تضمین گردد.
مدیران سیستم همچنین کنترل دقیقی بر استقرار از طریق حاکمیت دقیق AI دارند:
- سهمیه‌های وظایف (Task Quotas): محدودیت در تعداد کارهای تحلیل گزارش یا اشتقاق فاکتور برای کنترل هزینه‌های استفاده از AI.
- مجوزهای داده: دسترسی در سطح جدول تضمین می‌کند که AI تنها به مجموعه‌داده‌های صریحاً مجاز دسترسی داشته باشد.
- پایش استفاده: ابزارهایی برای ردیابی میزان مصرف AI در بین کاربران و تیم‌های مختلف.
علاوه بر این، کاربران می‌توانند در رابط چت AI بین مدل‌های زبانی بزرگ مختلف (LLMs) که پشتیبانی می‌شوند جابجا شوند تا کیفیت خروجی را بهینه کنند.
این تغییر، نقش پژوهشگر را از یک کدنویس به یک تصمیم‌گیرنده تبدیل می‌کند. به جای صرف ساعت‌ها وقت برای اصلاح پارامترها یا رفع خطاهای سینتکسی (Syntax)، تمرکز انسان به این منتقل می‌شود که قضاوت کند آیا یک «آلفای» اعتبارسنج شده، ارزش دنبال کردن دارد یا خیر. در واقع، کد اکنون به یک کالای مصرفی و یک‌بارمصرف تبدیل شده و ارزش اصلی دوباره به شهود اقتصادی بازگشته است.
برای شرکت‌هایی که کتابخانه‌های عظیمی از فاکتورهای قدیمی دارند، ادغام RAG به این معناست که دانش سازمانی دیگر در مستندات زندانی نیست. هر فاکتور جدید از تخصص انباشته شده کل تیم بهره می‌برد و اثر «چرخ‌دنده‌ای» (Flywheel effect) ایجاد می‌کند که در آن دقت AI همگام با داده‌های شرکت رشد می‌کند.
تیم‌های کمّی باید اکنون ارزیابی کنند که چه مقدار از چرخه تحقیق و توسعه (R&D) فعلی آن‌ها صرف «لوله‌کشی فنی» (Plumbing) شده و چه مقدار صرف تولید سیگنال‌های سودآور. با بلوغ این خط‌های لوله خوداصلاح‌گر، مزیت رقابتی از «سرعت اجرا» به «کیفیت فرضیه پژوهشی اولیه» تغییر خواهد کرد.
گام بعدی شما
- اگر از پایگاه‌های داده‌ای با ساختارهای پیچیده استفاده می‌کنید، ابتدا یک دیکشنری داده (Data Dictionary) دقیق بسازید تا نگاشت متغیرها توسط AI دقیق‌تر شود.
- استراتژی‌های تکرارپذیر خود را در یک پایگاه دانش متنی ثبت کنید تا قابلیت RAG در Starfish بتواند از تجربیات قبلی تیم شما بهره ببرد.
- بررسی کنید کدام بخش از گردش کار شما در حال حاضر بیشترین خطاهای Syntax دارد تا پتانسیل جایگزینی آن با حلقه‌های اصلاحی AI را بسنجید.
اما داستان سخت‌افزاری این تحولات حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو