أنكيت آريا، رئيس قسم الذكاء الاصطناعي في Inscope – سلسلة المقابلات

أنكيت آريا، رئيس قسم الذكاء الاصطناعي في Inscope، يأتي مع خبرة عميقة في قيادة المنتجات الذكية، والتعلم الآلي، وآليّة الشركات، والبحث التطبيقي. كجزء من فريق مؤسسي Inscope، فهو يساعد في بناء برامج تعمل على تمكين الشركات من مشاركة بيانات مالية دقيقة ومتوافقة مع المعايير مع أصحاب المصلحة. يتضمن خلفيته العمل كشريك مؤسس ومدير تقني لشركة Mariana، حيث عمل على تحليل السوق والبحث التنافسي المحرك بالذكاء الاصطناعي، وكذلك قيادة استراتيجية المنتجات الذكية والتعلم الآلي في شركة HackerRank. في وقت مبكر من مسيرته المهنية، عمل آريا في شركة Meta على آليّة التوظيف المحركة بالذكاء الاصطناعي وإنتاجية الواقع الافتراضي، وساعد في تطوير آليّة الخدمات المبنية على الدردشة في شركة Astound، و بناء أنظمة التعلم الآلي على مستوى الإنتاج في شركة Collective[i]. يمتد مساره المهني عبر نشر الذكاء الاصطناعي العملي، و استراتيجية المنتج، والآليّة، والنظم القائمة على البيانات عبر بيئات الشركات الناشئة والكبيرة.

Inscope هي منصة تقارير مالية أصلية بالذكاء الاصطناعي، مبنية للمحاسبين، وأفرق المالية، والشركات التي تحتاج إلى إعداد ومراجعة وإعداد بيانات مالية دقيقة بفعالية أكبر. تركز المنصة على آليّة العمل اليدوي وراء التقارير المالية، بما في ذلك التكرارات، والتنسيق، والإفصاحات، والfootings، وtie-outs، وchecks للاتساق. توضح Inscope تقنياتها كوسيلة لتقليل الأخطاء في التقارير، وتقليل دورة الإعداد، و جعل إعداد البيانات المالية جاهزة للتدقيق أسهل. أعلنت الشركة حصولها على 14.5 مليون دولار في جولة التمويل الأصلية في فبراير 2026 لتوسيع منصة تقاريرها المالية المحركة بالذكاء الاصطناعي، مع هدف منتجها لاستبدال سير العمل المجزأة بالموثوقية والامتثال والتموين بالتقارير.

لقد عملت عبر آليّة الشركات، والتعلم الآلي، وآليّة التوظيف، وإنتاجية الواقع الافتراضي، وقيادة المنتجات الذكية قبل تولي منصب رئيس قسم الذكاء الاصطناعي في Inscope. كيف أعدك هذا التطور لمواجهة واحدة من أكثر العمليات اليدوية والحساسة في المالية؟

عبر آليّة الشركات، والتعلم الآلي، وآليّة التوظيف، وإنتاجية الواقع الافتراضي، كنت أperform نفس الشيء الصعب دائمًا: أخذ عمل إنساني غير منظم وجعل نظام الذكاء الاصطناعي يقوم به بثبات كافٍ بحيث يعتمد عليه فريق حقيقي. كل مجال علمني قطعة مختلفة. نشر المنتجات المبنية على التعلم الآلي على مستوى كبير علمني ما الذي يثبت تحت الحجم الحقيقي. بناء المنتجات مع نماذج اللغة الكبيرة كشريك مؤسس علمني كيف تسلك هذه النماذج سلوكها الحقيقي، وأين تنكسر، وكيف تشكلها نحو دقة حقيقية بدلاً من مخرجات تبدو جيدة فقط في العرض التوضيحي. وفي كل مكان عملت، كانت المنتجات التي كسبت الثقة تحتفظ بشخص في السيطرة وتنعكس على كيفية عمل الخبراء بالفعل، بدلاً من إجبار الناس على منطق الآلة.

ما جذبني نحو المالية كان إدراكي من بناء نماذج اللغة الكبيرة: لأول مرة يمكنك أخذ بيانات غير منظمة حقًا وبناء آليّة موثوقة عليها، وهو ما لم يكن ممكنًا من قبل. من بين جميع العمليات اليدوية التي ستشكلها الذكاء الاصطناعي، إعداد البيانات المالية هو واحدة من الأكثر نقاء. الفرضية التي جئت بها، والذي يعود إليه كل ما نبني، بسيطة: يجب أن يتغير عمل المُعد إلى مراجع. هذا هو التغيير الذي يستحق العمل عليه.

بقيت إعداد ومراجعة البيانات المالية يدوية لسنوات. ما جعلك تؤمن أن هذا هو فئة يمكن للذكاء الاصطناعي أن يلعب فيها دورًا هامًا؟

إذا نظرت بعناية إلى ما يفعلُه مُعد البيانات المالية، فهو في الواقع трубة تحويل بيانات. تقوم بسحب البيانات من أنظمة لا تتحدث مع بعضها البعض، مثل نظام إدارة الموارد، ونظام الأسهم، وملفات PDF مليئة بالعقود والجداول. ثم تقوم بتحويل كل ذلك إلى مخرجات قابلة للهضم مثل الميزانيات، وبيانات الدخل، وجداول الهوامش. ثم تضيف طبقة من الحكم: التعليق الذي يشرح ما تعنيه الأرقام. بقي يدوياً لفترة طويلة لأن هذه الأنظمة لم تتواصل أبدًا، وآليّة قديمة مثل محركات القواعد وآليّة البرمجيات الروبوتية كانت هشة جدًا لتحمل التنوع والحالات النادرة.

تغيرت أمورتان. أولًا، يمكن للنماذج الآن أخذ مدخلات متغيرة جدًا وتنظيمها، وأهم من ذلك، إظهار الحالات النادرة لشخص يتحقق منها بدلاً من الكسر الصامت، طالما بنيت خطوة التحقق خلفها. ثانيًا، يمكنها صياغة تعليقات مدعومة، لأن المالية ليست خاضعة فقط للذوق. هناك كتاب قواعد حقيقي للاعتماد عليه، من FASB حول كيفية الاعتراف والقياس إلى SEC حول كيفية الإفصاح، مع آلاف التقارير السابقة للتعلم منها. ما أقنعه بأن هذا حقيقي كان مشاهدة فحص يمكن أن تنجزه نموذج واحد أبدًا، النوع الذي يتطلب خطوات متعددة، يبدأ بالعمل بمجرد تشغيله عبر مجموعة من الوكلاء المنسقة. مع الهيكل الصحيح، تصبح المشاكل التي تبدو مستحيلة لنموذج واحد قابلة للتسوية.

لماذا كانت المالية الشركات أكثر صعوبة في التحول بالذكاء الاصطناعي مما توقع الكثير من الناس؟

النسخة الصريحة هي أن هذا عمل يمكن أن يؤدي إلى السجن. المخاطر عالية جدًا، لذا المعيار لآليّة أي جزء منه مرتفع بشكل متناسب. هذا كون不同 عن منتج استهلاكي حيث الخطأ هو إزعاج. هنا، يمكن أن تحمل رقم خاطئ عواقب قانونية وتنظيمية، والشخص الذي يوقع عليها يحملها شخصيًا.

علاوة على ذلك، كل شركة تفعل ذلك بشكل مختلف قليلًا، والعمل مليء بالاستثناءات. القواعد والقوالب تتعامل مع المسار الشائع ثم تنهار تمامًا حيث يعيش العمل الحقيقي. ما هزم البرمجيات السابقة لم يكن أي رقم واحد، بل الحاجة إلى فهم تدفق العمل الكامل مع جميع الإف والأو. المخاطر العالية، والتخصيص العميق، والتدفقات العملية المتشابكة هي أسباب почему بقيت هذه الفئة غير متأثرة بينما قام الذكاء الاصطناعي بتحويل فئات أكثر لمعانًا.

ما هو الفرق بين أدوات الذكاء الاصطناعي العامة وأدوات الذكاء الاصطناعي المخصصة المطلوبة للتقارير المالية والامتثال؟

هذا هو المكان الذي أرفض فيه فكرة أن كل شيء يتعلق بالنموذج. الجميع لديهم نفس النماذج. الفرق هو كل شيء حولها: ما السياق الذي توضع أمام النموذج، في أي لحظة، مع ماذا التحقق. نظام مخصص يتراكم أيضًا. كلما عمل داخل منظمة، كلما تعلم أكثر من أنماط وتنسيقات الشركة المحددة، والتي تبدأ أداة عامة من الصفر كل مرة.

للمالية، هناك بعض الأشياء التي لا يمكن跳وعها. الإخراج يجب أن يكون مدعومًا بالبيانات الأصلية، وكل رقم يجب أن يكون قابلاً للتعقب إلى حيث جاء منه، ومن أو ما أنتجه، ولماذا. والنظام يجب أن يعرف حدود ثقته، ويرفع ما لا يأكله لشخص بدلاً من الخوض. الحرف الحقيقي في التجربة حول كل ذلك. لا يمكنك فقط رمي إجابة على الحائط وترك المستخدم يدافع عنها. التصميم من أجل الدعم، والتعقب، وتنفيذ لطيف إلى إنسان هو ما يفصل أداة عامة عن شيء سيكتب عليه مراقب اسمه.

ما هي أكبر التحديات في التعلم الآلي لبناء أنظمة يمكنها فهم هيكل العلاقات والمنطق وراء البيانات المالية بشكل موثوق؟

ابحث عن مثال ملموس. التأكيد هو عندما تتأكد من أن رقم يتفق في كل مكان يظهر: جدول مقابل جداول أخرى، جدول مقابل النص المحيط، النص مقابل نفسه، عبر كل الإيداع. يقوم المعدون بذلك كل يوم. يبدو أمرًا琐يًا، لكنك لا تستطيع أن تضع الوثيقة بأكملها في نموذج مع سؤال مخادع وثقة النتيجة، ليس على الدقة التي يتطلبها هذا العمل. لجعلها موثوقة، كان علينا تقسيمها إلى نظام من خطوات صغيرة قابلة للتحقق. حتى الفحص الروتيني في المالية لا يمكن استبداله ب简单呼وذاً نموذجي.

هذا هو التحدي الرئيسي في التعلم الآلي، وهو يتضمن ثلاث طبقات. النظام يجب أن يفهم كيف يعمل عميل معين ويستمر في التعلم من تعليقاته. يجب أن يفهم حقًا العلاقات داخل البيان المالي، لأن الأرقام تتوافق عبر البيانات، وتوافق الهوامش، وتتقدم الفترات، بدلاً من مجرد قراءة النص. وبمجرد أن تعمل العديد من الوكلاء معًا، تكون قد приняت بالفعل مشكلة نظام موزع: الحصول على السياق الصحيح إلى الخطوة الصحيحة، ووضع التحقق والحماية، ومزج المراجعة الآلية بالمراجعة البشرية، وبناء مجموعات البيانات الداخلية التي تتيح لك قياس ما إذا كان أي من ذلك صحيحًا. الجزء الصعب لم يكن أبدًا جعل نموذج يقرأ البيان المالي. إنها بناء النظام حولها الذي يمكن أن يفكر ويتحقق ويفسر أين أتى كل رقم.

كيف تفكر في دقة النموذج، وشرحه، وتحمل الخطأ عند تطبيق الذكاء الاصطناعي على سير العمل المالي حيث يمكن أن يكون الخطأ الصغير له عواقب كبيرة؟

لا يوجد معيار دقة وحيد، والادعاء بخلاف ذلك هو حيث يخطئ الناس. هذه الأنظمة ليست دقيقة بنسبة 100٪، وما هو ممكن يختلف كثيرًا حسب المهمة. لذلك العمل الحقيقي هو التواصل بصراحة حول ما فعلته النظام وأين تقع المخاطر. بدلاً من رفع معدل نجاح شامل، تشير إلى المراجع إلى العناصر التي تحمل أكبر مخاطر، العناصر الهامة، وتكون صريحًا حول ما لم يلمسه النظام. هذا هو كيف تغلق الفجوة، بدلاً من التظاهر بأنه لا وجود لها.

يجب أن يكون الشرح ملموسًا، وليس مبدأً على شريحة. عندما ننفذ فحوصات القدم على جدول، ن