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.
FinSage : un système RAG multi-aspects pour les réponses aux questions sur les déclarations financières
Created by
Haebom
Auteur
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
Contour
Cet article aborde les défis pratiques liés à l'exploitation des systèmes de génération augmentée de données (RAG) dans le secteur financier pour répondre aux exigences complexes de conformité des flux de documents financiers. Les solutions existantes souffrent d'une précision réduite dans l'extraction d'informations critiques en raison de l'hétérogénéité des données (texte, tableaux, diagrammes, etc.) et de l'évolution des normes réglementaires. C'est pourquoi nous proposons FinSage, un framework RAG multimodal pour l'analyse de conformité de divers documents financiers. FinSage comprend trois composants innovants : un pipeline de prétraitement multimodal qui intègre divers formats de données et génère des résumés de métadonnées au niveau des blocs ; un système de recherche multi-chemins clairsemé-dense avec extension de requête (HyDE) et recherche sémantique prenant en compte les métadonnées ; et un module de reclassement spécifique au domaine, optimisé par optimisation directe des préférences (DPO) pour prioriser le contenu critique pour la conformité. Les résultats expérimentaux montrent que FinSage a atteint un taux de mémorisation impressionnant de 92,51 % sur 75 questions sélectionnées par des experts, améliorant la précision de 24,06 % par rapport à la méthode précédente la plus performante sur l'ensemble de données de questions-réponses FinanceBench. De plus, FinSage a été déployé avec succès comme agent de questions-réponses financières lors d'une conférence en ligne, accueillant plus de 1 200 participants.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons FinSage, un framework RAG efficace pour le traitement de divers types de données financières et pour l'analyse de la conformité réglementaire.
◦
A démontré une supériorité des performances en obtenant une précision améliorée de 24,06 % par rapport aux méthodes existantes sur l'ensemble de données FinanceBench.
◦
Servir plus de 1 200 personnes dans un véritable environnement de réunion en ligne, prouvant ainsi sa praticité.
◦
Des composants innovants tels que le prétraitement multimode, la recherche multi-chemins et le module de reclassement basé sur DPO sont présentés.
•
Limitations:
◦
Manque d’évaluation des performances sur des ensembles de données autres que l’ensemble de données FinanceBench.
◦
Des recherches supplémentaires sont nécessaires pour déterminer l’adaptabilité de FinSage aux changements continus des normes réglementaires.
◦
Manque d'analyse sur l'évolutivité et les coûts de maintenance de FinSage.
◦
Spécialisé dans un domaine financier spécifique, des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité à d'autres domaines.
