FISHNET：来自子查询、协调、神经条件化、专家群和任务规划的金融智能
人工智能
2024-10-28 v1 计算与语言
信息检索
机器学习
摘要
从海量数据源生成金融智能通常依赖于传统的知识图谱构建或数据库工程方法。近来，针对金融领域微调的大型语言模型（LLM）已经出现。尽管这些进展很有前景，但高推理成本、幻觉以及同时分析高维金融数据的复杂性等局限性也随之而来。这促使我们发明了FISHNET（来自子查询、协调、神经条件化、专家群和任务规划的金融智能），这是一种智能体架构，能够为超过98,000份在语义、数据层级或格式上差异巨大的监管文件完成高度复杂的分析任务。FISHNET在金融洞察生成方面表现出色（成功率为5.0%的61.8%，RAG R-Precision为45.6%）。我们进行了严格的消融实验，以实证证明FISHNET的成功、每个智能体的重要性以及所有智能体组合后的优化性能。我们的模块化架构可用于多种用例，实现了金融任务所必需的可扩展性、灵活性和数据完整性。
关键词
引用
@article{arxiv.2410.19727,
title = {FISHNET: Financial Intelligence from Sub-querying, Harmonizing, Neural-Conditioning, Expert Swarms, and Task Planning},
author = {Nicole Cho and Nishan Srishankar and Lucas Cecchi and William Watson},
journal= {arXiv preprint arXiv:2410.19727},
year = {2024}
}
备注
Accepted at the 5th ACM International Conference on AI in Finance (ICAIF '24)