AI for Climate Finance: Agentic Retrieval and Multi-Step Reasoning for Early Warning System Investments

要約

気候適応への金融投資の追跡は、特に多国間開発銀行（MDB）とファンド全体の標準化された財務報告を欠いている早期警告システム（EWS）にとって、複雑で専門知識集約的なタスクです。
この課題に対処するために、関連する財務データを抽出し、投資を分類し、資金調達ガイドラインへの準拠を確保するために、コンテキスト検索、微調整、およびマルチステップの推論を統合するLLMベースのエージェントAIシステムを導入します。
私たちの研究は、現実世界のアプリケーションに焦点を当てています。気候リスクおよび早期警告システム（クルー）ファンドへのEWS投資の追跡です。
25のMDBプロジェクトドキュメントを分析し、ゼロショットおよび少数のショット学習、微調整された変圧器ベースの分類子、チェーンオブ考え（COT）プロンプト、およびエージェントベースの検索熟成（RAG）アプローチなど、複数のAI駆動型分類方法を評価します。
私たちの結果は、エージェントベースのRAGアプローチが他の方法を大幅に上回り、87 \％の精度、89 \％精度、および83 \％のリコールを達成することを示しています。
さらに、ベンチマークデータセットとエキスパートが解決したコーパスを提供し、AI駆動型の金融追跡と気候金融の透明性における将来の研究のための貴重なリソースを提供します。

要約(オリジナル)

Tracking financial investments in climate adaptation is a complex and expertise-intensive task, particularly for Early Warning Systems (EWS), which lack standardized financial reporting across multilateral development banks (MDBs) and funds. To address this challenge, we introduce an LLM-based agentic AI system that integrates contextual retrieval, fine-tuning, and multi-step reasoning to extract relevant financial data, classify investments, and ensure compliance with funding guidelines. Our study focuses on a real-world application: tracking EWS investments in the Climate Risk and Early Warning Systems (CREWS) Fund. We analyze 25 MDB project documents and evaluate multiple AI-driven classification methods, including zero-shot and few-shot learning, fine-tuned transformer-based classifiers, chain-of-thought (CoT) prompting, and an agent-based retrieval-augmented generation (RAG) approach. Our results show that the agent-based RAG approach significantly outperforms other methods, achieving 87\% accuracy, 89\% precision, and 83\% recall. Additionally, we contribute a benchmark dataset and expert-annotated corpus, providing a valuable resource for future research in AI-driven financial tracking and climate finance transparency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google