در دنیای امروز، هوش مصنوعی و پردازش زبان طبیعی (NLP) به ابزارهایی حیاتی در صنایع مختلف، به‌ویژه در حوزه‌هایی مانند امور مالی، حقوقی و حسابرسی تبدیل شده‌اند. این فناوری‌ها قادرند حجم عظیمی از اسناد متنی، قراردادها و گزارش‌ها را با سرعتی فراتر از توان انسان تحلیل کنند. با این حال، یکی از بزرگترین موانع بر سر راه استفاده گسترده از این مدل‌ها، نیاز شدید آن‌ها به داده‌های برچسب‌گذاری‌شده (Annotated Data) برای آموزش است. در محیط‌های صنعتی و تخصصی مانند حسابرسی، تهیه چنین داده‌هایی بسیار پرهزینه، زمان‌بر و گاهی به دلیل محرمانگی اطلاعات، غیرممکن است.

مقاله «تطبیق متن صفر-شات برای حسابرسی خودکار» به قلم دیوید بیزنر و همکارانش، راهکاری نوآورانه برای این چالش اساسی ارائه می‌دهد. این پژوهش نشان می‌دهد که چگونه می‌توان با استفاده از تکنیک‌های پیشرفته‌ای مانند یادگیری صفر-شات (Zero-Shot Learning) و مدل‌های ترنسفورمر، مدل‌های هوش مصنوعی را بدون نیاز به داده‌های آموزشی خاص در یک حوزه، برای وظایف تخصصی به کار گرفت. اهمیت این مقاله در آن است که مسیری را برای «دموکراتیزه کردن» هوش مصنوعی در حسابرسی هموار می‌کند و به شرکت‌ها اجازه می‌دهد تا بدون سرمایه‌گذاری‌های کلان برای جمع‌آوری داده، از قدرت تحلیل معنایی مدل‌های زبانی بهره‌مند شوند.

این مقاله توسط تیمی از محققان به نام‌های دیوید بیزنر، مارن پیلکا، راجکومار رامامورتی، تیم دیلمقانی، برند کلیم، رودیگر لویتز و رافت سیفا به نگارش درآمده است. تخصص این تیم در تقاطع علوم کامپیوتر، یادگیری ماشین و کاربردهای صنعتی آن، به‌ویژه در حوزه مالی، مشهود است. این پژوهش در دسته «محاسبات و زبان» و «یادگیری ماشین» طبقه‌بندی شده و نشان‌دهنده ماهیت میان‌رشته‌ای آن است.

زمینه این تحقیق، حرکت جهانی به سمت مدل‌های زبانی بزرگ و پایه‌ای (Foundation Models) است که می‌توانند دانش عمومی خود را به دامنه‌های تخصصی منتقل کنند. به جای ساختن یک مدل از صفر برای هر وظیفه، این رویکرد جدید بر تطبیق مدل‌های از پیش آموزش‌دیده تمرکز دارد. این مقاله یک نمونه برجسته از این پارادایم نوین است که قدرت مدل‌های عمومی را در یک زمینه کاملاً تخصصی و حساس مانند حسابرسی مالی به بوته آزمایش می‌گذارد.

چکیده مقاله به روشنی مسئله اصلی را بیان می‌کند: روش‌های پردازش زبان طبیعی کاربردهای فراوانی در حسابرسی خودکار دارند، از جمله طبقه‌بندی اسناد، بازیابی اطلاعات و سیستم‌های پرسش‌وپاسخ. اما آموزش این مدل‌ها مستلزم داده‌های برچسب‌دار فراوانی است که در محیط‌های صنعتی کمیاب است. در مقابل، تکنیک‌هایی مانند یادگیری صفر-شات و یادگیری بدون نظارت (Unsupervised Learning) این امکان را فراهم می‌کنند که مدل‌های آموزش‌دیده بر روی داده‌های عمومی، در دامنه‌های جدید و دیده‌نشده به کار گرفته شوند.

در این پژوهش، نویسندگان کارایی تطبیق متن بدون نظارت را با استفاده از مدل Sentence-BERT، که یک مدل مبتنی بر معماری ترنسفورمر است، بررسی می‌کنند. آن‌ها این مدل را برای سنجش شباهت معنایی بین متون و پاراگراف‌های مالی به کار می‌گیرند. نتایج تجربی نشان می‌دهد که این مدل در برابر اسناد مالی، چه آن‌هایی که مشابه داده‌های آموزشی عمومی هستند (in-domain) و چه آن‌هایی که کاملاً جدید و تخصصی‌اند (out-of-domain)، عملکردی بسیار مقاوم و قابل اعتماد از خود نشان می‌دهد.

هسته فنی این مقاله بر پایه یک روش‌شناسی هوشمندانه بنا شده است که چالش کمبود داده را دور می‌زند.

• مسئله اصلی: شباهت معنایی متون (Semantic Textual Similarity – STS)
  
  وظیفه اصلی مدل این است که با دریافت دو قطعه متن (مثلاً دو بند از دو قرارداد مختلف)، میزان شباهت معنایی آن‌ها را تعیین کند. در روش‌های سنتی، برای آموزش چنین مدلی، به هزاران جفت جمله با امتیاز شباهت انسانی نیاز بود که فرآیندی طاقت‌فرساست.
• رویکرد نوآورانه: یادگیری صفر-شات (Zero-Shot)
  
  این مقاله از رویکرد صفر-شات بهره می‌برد. این بدان معناست که مدل وظیفه‌ای را انجام می‌دهد که هرگز به طور خاص برای آن آموزش ندیده است. یعنی مدل هرگز با داده‌های «شباهت جملات مالی» آموزش داده نشده، بلکه درک عمیق خود از زبان عمومی را برای این کار تخصصی به کار می‌گیرد.
• ابزار کلیدی: Sentence-BERT (SBERT)
  
  نویسندگان از مدل Sentence-BERT استفاده کرده‌اند. این مدل نسخه‌ای بهینه‌سازی‌شده از مدل مشهور BERT است که برای تولید بازنمایی‌های برداری (Vector Embeddings) از کل جملات طراحی شده است. برخلاف BERT استاندارد که برای مقایسه مستقیم جملات کند است، SBERT هر جمله را به یک بردار عددی در یک فضای چندبعدی نگاشت می‌کند. جادوی کار اینجاست: جملاتی که معنای مشابهی دارند، بردارهایی نزدیک به هم در این فضا خواهند داشت. سپس می‌توان شباهت آن‌ها را به سادگی و با سرعت بالا از طریق معیارهایی مانند شباهت کسینوسی (Cosine Similarity) محاسبه کرد.
• طرح آزمایش
  
  محققان یک مدل SBERT از پیش آموزش‌دیده (که بر روی مجموعه داده‌های عظیم و عمومی مانند ویکی‌پدیا آموزش دیده بود) را انتخاب کردند. سپس این مدل را مستقیماً برای مقایسه جفت متون مالی به کار بردند و عملکرد آن را در شناسایی بندهای مشابه در اسناد مختلف مالی ارزیابی کردند.

نتایج تجربی این پژوهش بسیار امیدوارکننده و قابل توجه بود و بر دو محور اصلی استوار است:

• مقاومت و تعمیم‌پذیری بالا (High Robustness and Generalizability): یافته اصلی این بود که مدل SBERT، بدون هیچ‌گونه تنظیم دقیق (Fine-tuning) بر روی داده‌های مالی، عملکردی فوق‌العاده قوی داشت. این مدل توانست مفاهیم و اصطلاحات تخصصی مالی را درک کرده و ارتباط معنایی بین آن‌ها را تشخیص دهد. این نشان می‌دهد که دانش زبانی نهفته در مدل‌های بزرگ، بسیار قابل تعمیم است.
• عملکرد عالی در داده‌های درون-دامنه و برون-دامنه:
  • درون-دامنه (In-Domain): مدل در شناسایی بندهای مشابه در اسنادی که از نظر ساختاری شبیه به هم بودند (مثلاً گزارش‌های سالانه شرکت‌های مختلف) بسیار دقیق عمل کرد. برای مثال، می‌توانست بندی مربوط به «شناسایی درآمد» را در یک گزارش به بندی با مفهوم مشابه اما با کلماتی متفاوت در گزارش دیگر مرتبط سازد.
  • برون-دامنه (Out-of-Domain): شگفت‌انگیزتر آنکه، مدل در مقایسه اسنادی از حوزه‌های کاملاً متفاوت مالی (مثلاً مقایسه یک قرارداد ادغام و تملک با یک گزارش حسابرسی) نیز موفق بود. این توانایی، قدرت واقعی رویکرد صفر-شات را به نمایش می‌گذارد.
• کارایی محاسباتی: روش مبتنی بر SBERT از نظر محاسباتی بسیار بهینه‌تر از روش‌های قدیمی‌تر است. زیرا پس از تولید بردارهای جملات، مقایسه آن‌ها بسیار سریع انجام می‌شود و این امکان جستجوی معنایی در میان میلیون‌ها سند را در زمان کوتاهی فراهم می‌کند.

دستاوردهای این تحقیق صرفاً نظری نیستند و کاربردهای عملی گسترده‌ای در صنعت حسابرسی و مالی دارند:

• اتوماسیون فرآیندهای حسابرسی: حسابرسان می‌توانند از این فناوری برای یافتن سریع تمام بندهای مرتبط با یک ریسک خاص (مانند ریسک اعتباری) در میان هزاران قرارداد و سند استفاده کنند. این کار به جای هفته‌ها، در چند دقیقه انجام می‌شود.
• کنترل کیفیت و سازگاری اسناد: می‌توان از این مدل برای بررسی خودکار سازگاری اطلاعات در گزارش‌های مختلف یک شرکت (مثلاً بین گزارش هیئت مدیره و صورت‌های مالی) استفاده کرد تا از عدم وجود تناقض اطمینان حاصل شود.
• بهبود سیستم‌های بازیابی اطلاعات: تحلیلگران مالی دیگر محدود به جستجوی کلمات کلیدی نیستند. آن‌ها می‌توانند یک سؤال یا یک پاراگراف را به عنوان ورودی به سیستم بدهند و تمام اطلاعات مرتبط معنایی را از پایگاه داده اسناد استخراج کنند. برای مثال، جستجوی «ریسک‌های مرتبط با نوسانات نرخ ارز» تمام بندهای مرتبط را، حتی اگر از کلمات کلیدی دقیق استفاده نکرده باشند، پیدا می‌کند.
• توسعه سیستم‌های پرسش و پاسخ هوشمند: این فناوری زیربنای ساخت سیستم‌هایی است که می‌توانند به سؤالات پیچیده درباره محتوای اسناد مالی پاسخ دهند. برای مثال: «تعهدات اصلی شرکت در قرارداد اخیر چیست؟».
• کاهش هزینه و افزایش دسترسی: مهم‌ترین دستاورد، حذف نیاز به داده‌های برچسب‌دار و در نتیجه کاهش چشمگیر هزینه‌هاست. این امر به شرکت‌های کوچک‌تر و تیم‌های حسابرسی اجازه می‌دهد تا از ابزارهای پیشرفته هوش مصنوعی که پیش از این تنها در اختیار غول‌های فناوری بود، بهره‌مند شوند.

مقاله «تطبیق متن صفر-شات برای حسابرسی خودکار» گامی مهم در جهت کاربردی کردن هوش مصنوعی پیشرفته در حوزه‌های تخصصی است. این پژوهش به طور قانع‌کننده‌ای نشان می‌دهد که استفاده از مدل‌های ترنسفورمر جمله‌ای از پیش آموزش‌دیده، راهکاری عملی، کارآمد و قدرتمند برای وظیفه تطبیق معنایی متون در دامنه بسیار تخصصی حسابرسی مالی است.

پیام اصلی این مقاله این است که دوران نیاز به ساخت مدل‌های سفارشی و جمع‌آوری داده‌های عظیم برای هر وظیفه جدید رو به پایان است. مدل‌های زبانی مدرن، دانشی غنی و قابل انتقال را در خود جای داده‌اند که می‌توان با رویکردهای هوشمندانه‌ای مانند یادگیری صفر-شات، آن را برای حل مسائل دنیای واقعی به کار گرفت. این تحقیق درهای جدیدی را به روی توسعه ابزارهای هوشمندتر در زمینه‌های مالی، حقوقی و تطبیق با مقررات (Compliance) می‌گشاید و آینده‌ای را نوید می‌دهد که در آن تحلیل‌های عمیق و هوشمند بر روی اسناد، به جای یک فرآیند دستی و خسته‌کننده، به یک قابلیت در دسترس برای همگان تبدیل می‌شود.