傑西·埃利斯（Jessie A Ellis）探討了AI與規則基於錯誤校正在貿易捕獲工作流程中的集成，旨在提升財務分析的準確性與效率。 NVIDIA指出，將大型語言模型（LLM）整合到業務流程自動化中雖面臨挑戰，但已取得重要進展。 AI模型如NIM用於解析多樣化的貿易描述，轉化為結構化數據。為解決模型的誤解問題，NVIDIA提出自我糾正方法，通過數據字典確保更高準確性。最終，基於AI的系統大幅降低了錯誤率，促進金融工作流程的改進與發展。
傑西·埃利斯（Jessie A Ellis）
探索在貿易捕獲工作流程中AI和基於規則的錯誤校正的集成，從而提高了財務分析的準確性和效率。
大型語言模型（LLM）集成到業務流程自動化中正在引發高期望，尤其是在需要處理自由形式的自然語言內容的領域。根據NVIDIA的說法，儘管在這些工作流程中實現人類水平的可靠性提出了挑戰，但仍取得了重大進步，以提高準確性和效率。
AI貿易進入
貿易條目構成了財務“假設”分析的關鍵部分，其中評估了潛在交易對風險和資本要求的影響。傳統上，貿易描述是自由形式和多樣的，使自動化變得困難。像NVIDIA的NIM這樣的AI模型正在用來解釋這些描述，並將其轉換為與交易系統兼容的結構化數據。
例如，貿易描述可能會說：“我們在100m上支付了5歲固定的3％與SOFR，生效的1月10日”，描述了利率交易所。挑戰在於沒有預定義的格式，因為可以通過多種方式描述相同的貿易，因此需要對AI模型有細微的理解。
解決AI幻覺
在NVIDIA的tranintry.ai Hackathon期間，據觀察，LLM可以通過簡單的貿易文本達到高精度，但要與復雜的投入鬥爭，從而導致了模型做出錯誤假設的幻覺。 AI錯誤地將一年的開始日期增加了一年，強調了上下文感知處理的重要性。
為了抵消這些問題，NVIDIA提出了一種自我糾正方法，促使AI與數據詞典一起生成一個精確反映輸入的數據字典。此方法可確保在後處理中處理任何其他邏輯，例如日期解釋，可大大減少錯誤。
部署AI模型
NVIDIA的NIM提供了一個平台，用於部署具有低潛伏期和較高吞吐量的AI模型，從而支持各種型號。這種靈活性使用戶可以平衡準確性和速度，而自我校正的工作流程表明，錯誤和改進的F1分數降低了20-25％。
通過提供示例輸入和輸出的模型，通過提供模型，進一步提高了性能。經過專門用於推理的模型，例如DeepSeek-R1，表現出卓越的準確性，尤其是在富有提示的環境中。
結論
基於AI的貿易捕獲系統中的自我校正工作流程的集成標誌著顯著的進步，降低了錯誤並提高了準確性。 NVIDIA鼓勵在金融工作流程中採用這種方法，利用其模型API進行本地部署。
有關對金融服務中AI應用程序的更多見解，NVIDIA邀請行業專業人員參加GTC巴黎活動，提供有關生成AI及其在生產環境中的部署的會議。
圖像來源：Shutterstock
資訊來源：由0x資訊編譯自BLOCKCHAINNEWS。版權歸作者所有，未經許可，不得轉載