Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
LATTE : Apprentissage des transactions alignées et des intégrations textuelles pour les clients bancaires
Created by
Haebom
Auteur
Egor Fadeev, Dzhambulat Mollaev, Aleksei Chestov, Dima Korolev, Omar Zoloev, Ivan Kireev, Andrey Savchenko, Maksim Makarenko
Contour
Cet article propose LATTE, un nouveau cadre d'apprentissage des intégrations client dans les applications financières. Les modèles de langage à grande échelle (LLM) existants souffrent d'une surcharge de calcul lors du traitement de séquences d'événements à long terme et sont difficiles à appliquer aux pipelines réels. LATTE est un cadre d'apprentissage contrastif qui aligne les intégrations d'événements brutes avec les intégrations sémantiques extraites de LLM figés. Il synthétise les caractéristiques d'action en courtes invites, les intègre à l'aide de LLM et effectue un apprentissage supervisé par perte contrastive. Cela réduit considérablement les coûts d'inférence et la taille des entrées par rapport au traitement de séquences complètes à l'aide de LLM. Les résultats expérimentaux obtenus à partir d'ensembles de données financières réelles démontrent que LATTE surpasse les techniques de pointe existantes et peut être déployé même dans des environnements sensibles à la latence.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons une nouvelle méthode d'apprentissage intégrée au client pour les applications financières qui répond efficacement aux problèmes de coût de calcul et de latence tout en tirant parti du LLM.
◦
Performances validées par rapport aux techniques de pointe existantes sur des ensembles de données financières réelles.
◦
Fournit un modèle pratique qui peut être déployé même dans des environnements sensibles à la latence.
•
Limitations:
◦
Les performances du modèle proposé peuvent être limitées à des ensembles de données financières spécifiques.
◦
Peut dépendre des performances du LLM utilisé.
◦
Les performances peuvent être affectées par la qualité de l’ingénierie rapide.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation à travers différents types d’événements financiers.
