FISHNET: Financial Intelligence from Sub-querying, Harmonizing, Neural-Conditioning, Expert Swarms, and Task Planning

要約

膨大なデータ ソースからの金融インテリジェンスの生成は、通常、ナレッジ グラフ構築またはデータベース エンジニアリングといった従来の方法に依存していました。
最近、金融ドメイン固有の微調整された大規模言語モデル (LLM) が登場しました。
これらの進歩は有望ですが、高い推論コスト、幻覚、高次元の金融データを同時に分析する複雑さなどの限界が生じています。
これは、セマンティクスの点で大きく異なる 98,000 を超える規制申請の非常に複雑な分析タスクを実行するエージェント アーキテクチャである FISHNET (サブクエリ、ハーモナイジング、ニューラル コンディショニング、エキスパート スウォーミング、およびタスク プランニングによる財務インテリジェンス) の発明の動機となっています。
データ階層または形式。
FISHNET は、財務インサイトの生成において顕著なパフォーマンスを示しています (成功率 61.8%、ルーティング 5.0%、RAG R-Precision 45.6%)。
当社では、FISHNET の成功、各エージェントの重要性、およびすべてのエージェントを組み合わせた最適化されたパフォーマンスを経験的に証明するために、厳密なアブレーションを実施しています。
当社のモジュラー アーキテクチャは無数のユースケースに活用でき、財務業務に不可欠なスケーラビリティ、柔軟性、データの整合性を実現します。

要約(オリジナル)

Financial intelligence generation from vast data sources has typically relied on traditional methods of knowledge-graph construction or database engineering. Recently, fine-tuned financial domain-specific Large Language Models (LLMs), have emerged. While these advancements are promising, limitations such as high inference costs, hallucinations, and the complexity of concurrently analyzing high-dimensional financial data, emerge. This motivates our invention FISHNET (Financial Intelligence from Sub-querying, Harmonizing, Neural-Conditioning, Expert swarming, and Task planning), an agentic architecture that accomplishes highly complex analytical tasks for more than 98,000 regulatory filings that vary immensely in terms of semantics, data hierarchy, or format. FISHNET shows remarkable performance for financial insight generation (61.8% success rate over 5.0% Routing, 45.6% RAG R-Precision). We conduct rigorous ablations to empirically prove the success of FISHNET, each agent’s importance, and the optimized performance of assembling all agents. Our modular architecture can be leveraged for a myriad of use-cases, enabling scalability, flexibility, and data integrity that are critical for financial tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google