利用自我糾正的AI流程提升貿易捕獲效果


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。

通過自我糾正的AI工作流來增強貿易捕獲

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

Total
0
Shares
Related Posts