Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
FinSage: Un sistema RAG multiaspecto para la presentación de informes financieros y la respuesta a preguntas.
Created by
Haebom
Autor
Xinyu Wang, Jijun Chi, Zhenghan Tai, Tung Sum Thomas Kwok, Muzhi Li, Zhuhong Li, Hailin He, Yuchen Hua, Peng Lu, Suyuchen Wang, Yihong Wu, Jerry Huang, Jingrui Tian, Fengran Mo, Yufei Cui, Ling Zhou
Describir
Este documento aborda los desafíos prácticos de aprovechar los sistemas de Generación Aumentada por Recuperación (RAG) en el sector financiero para abordar los complejos requisitos de cumplimiento normativo en los flujos de trabajo de documentos financieros. Las soluciones existentes presentan una precisión reducida en la extracción de información crítica debido a la heterogeneidad de los datos (p. ej., texto, tablas, diagramas) y la naturaleza cambiante de las normas regulatorias. Por lo tanto, en este documento, proponemos FinSage, un marco RAG multimodal para el análisis de cumplimiento normativo de diversos documentos financieros. FinSage consta de tres componentes innovadores: un canal de preprocesamiento multimodal que integra diversos formatos de datos y genera resúmenes de metadatos a nivel de fragmento; un sistema de búsqueda dispersa-densa multiruta con expansión de consultas (HyDE) y búsqueda semántica con reconocimiento de metadatos; y un módulo de reclasificación específico del dominio, optimizado mediante Optimización de Preferencias Directas (DPO) para priorizar el contenido crítico para el cumplimiento normativo. Los resultados experimentales muestran que FinSage logró una impresionante tasa de recuperación del 92,51 % en 75 preguntas seleccionadas por expertos, lo que mejora la precisión en un 24,06 % con respecto al método anterior con mejor rendimiento en el conjunto de datos de preguntas y respuestas de FinanceBench. Además, FinSage se implementó con éxito como agente de preguntas y respuestas financieras en una conferencia en línea, atendiendo a más de 1200 participantes.
Takeaways, Limitations
•
Takeaways:
◦
Presentamos FinSage, un marco RAG eficaz para procesar diversos tipos de datos financieros y para el análisis de cumplimiento normativo.
◦
Se demostró una superioridad en el rendimiento al lograr una precisión mejorada del 24,06 % en comparación con los métodos existentes en el conjunto de datos de FinanceBench.
◦
Atendiendo a más de 1.200 personas en un entorno real de reunión online, demostrando su practicidad.
◦
Se presentan componentes innovadores como preprocesamiento multimodo, búsqueda de múltiples rutas y un módulo de reclasificación basado en DPO.
•
Limitations:
◦
Falta de evaluación del desempeño en conjuntos de datos distintos del conjunto de datos de FinanceBench.
◦
Se necesitan más investigaciones para determinar la adaptabilidad de FinSage a los cambios actuales en los estándares regulatorios.
◦
Falta de análisis sobre la escalabilidad y los costos de mantenimiento de FinSage.
◦
Especializado en un área financiera específica, se necesita más investigación para determinar la generalización a otros dominios.
