CIFQA ใช้ระบบหลายเอเจนท์ลดข้อผิดพลาดในการคำนวณการเงิน
นักวิจัยเสนอเฟรมเวิร์กที่ให้ LLM ทำความเข้าใจคำถาม แต่ส่งงานคำนวณให้เครื่องมือที่ทำงานตามกฎตายตัว โดยรายงานความแม่นยำรวม 90.87%
Kunjesh Parekh, Anil Kumar Tiwari และ Divya Saxena เผยแพร่งานวิจัย CIFQA บน arXiv หมายเลข 2608.26114 โดยมุ่งแก้จุดอ่อนของ Large Language Models หรือ LLM (โมเดลภาษาขนาดใหญ่) ในการตอบคำถามการเงินที่ต้องคำนวณหลายขั้นตอน เพราะโมเดลอาจสร้างคำตอบที่อ่านแล้วสมเหตุสมผล แต่ตัวเลขจริงกลับผิด
CIFQA ย่อมาจาก Calculation-Intensive Financial Query Answering เป็นเฟรมเวิร์กแบบ Multi-agent (ระบบที่แบ่งงานให้เอเจนท์หลายตัว) แนวคิดหลักคือแยก “การเข้าใจภาษา” ออกจาก “การประมวลผลตัวเลข” แทนที่จะปล่อยให้ LLM ตีความโจทย์ เลือกสูตร คำนวณ และตอบทั้งหมดด้วยตัวเอง
ภายในระบบมีเอเจนท์เฉพาะทางสำหรับตีความคำถาม เลือกเส้นทางการทำงาน ดึงค่าพารามิเตอร์ วางแผนขั้นตอนคำนวณ และเรียบเรียงคำตอบ ส่วนการคำนวณและการใช้เงื่อนไขตามกฎจะส่งให้เครื่องมือที่พัฒนาด้วย Python ซึ่งทำงานแบบ Deterministic (เมื่อได้รับข้อมูลเดิมจะให้ผลลัพธ์ตามขั้นตอนเดิม) วิธีนี้ช่วยลดการพึ่งพาการคาดเดาตัวเลขของโมเดล
นักวิจัยทดสอบระบบกับคำถามเกี่ยวกับเงินฝากประจำ หรือ Fixed Deposit ซึ่งต้องจัดการอัตราดอกเบี้ย ระยะเวลา สูตรตัวเลข และเงื่อนไขต่างๆ ผลที่รายงานระบุว่า CIFQA ทำความแม่นยำได้ 95.54% ในส่วนคำถามที่เน้นการคำนวณหนัก และมีความแม่นยำรวม 90.87% สูงกว่า LLM ขนาดใหญ่ที่นำมาใช้งานแบบทั่วไปในการทดสอบเดียวกัน
ผลดังกล่าวชี้ว่า ในงานที่ความคลาดเคลื่อนเพียงเล็กน้อยอาจทำให้คำตอบทางการเงินเปลี่ยนไป การออกแบบสถาปัตยกรรมให้โมเดลเรียกใช้เครื่องมือคำนวณอย่างเป็นระบบอาจสำคัญกว่าการเพิ่มขนาดโมเดลเพียงอย่างเดียว อย่างไรก็ตาม ตัวเลขทั้งหมดเป็นผลที่คณะผู้วิจัยรายงานจากงานเงินฝากประจำ จึงยังไม่ควรสรุปทันทีว่าจะรักษาความแม่นยำระดับเดียวกันได้กับสินเชื่อ ภาษี การลงทุน หรือกฎการเงินของแต่ละประเทศ
แนวทางนี้อาจช่วยให้บริการธนาคารและผู้ช่วยด้านการเงินภาษาไทยตอบโจทย์ที่มีสูตรและเงื่อนไขซับซ้อนได้ตรวจสอบง่ายขึ้น แต่ก่อนนำมาใช้จริงยังต้องทดสอบกับผลิตภัณฑ์และกฎเกณฑ์ของไทยโดยตรง