NEW
利用自我校正的AI工作流程提升交易捕捉 - Blockchain.News

利用自我校正的AI工作流程提升交易捕捉

realtime news Jun 04, 2025 16:26

探索在交易捕捉工作流程中集成AI和基于规则的错误修正,实现财务分析的更高准确性和效率。

利用自我校正的AI工作流程提升交易捕捉

将大型语言模型(LLMs)集成到业务流程自动化中正在引发高度期望,特别是在需要处理自由形式的自然语言内容的领域。据NVIDIA称,尽管在这些工作流程中实现人类水平的可靠性面临挑战,但正在取得显著进展以提高准确性和效率。

交易录入中的AI

交易录入是财务“假设分析”的关键部分,评估潜在交易对风险和资本要求的影响。传统上,交易描述是自由形式且多样化的,这使得自动化变得困难。像NVIDIA的NIM这样的AI模型被用于解释这些描述并将其转换为与交易系统兼容的结构化数据。

例如,交易描述可能会说:“我们支付5年固定3% vs. SOFR于1亿,自1月10日起生效”,描述的是一个利率互换。挑战在于没有预定义的格式,因为同样的交易可以通过多种方式描述,需要AI模型的细致理解。

解决AI幻觉

在NVIDIA的TradeEntry.ai黑客松中发现,LLMs在处理简单交易文本时可以达到高准确性,但在复杂输入时容易产生幻觉,导致模型做出错误假设。一个显著的错误是AI错误地为交易的开始日期增加了一年,强调了上下文感知处理的重要性。

为了应对这些问题,NVIDIA提出了一种自我校正的方法,提示AI生成一个字符串模板和准确反映输入的数据字典。这种方法确保任何额外的逻辑(如日期解释)在后处理时处理,从而显著减少错误。

部署AI模型

NVIDIA的NIM提供了一个支持多种模型大小、低延迟和高吞吐量部署AI模型的平台。此灵活性允许用户在精度和速度之间取得平衡,自我校正工作流程显示出20-25%的错误减少和改进的F1分数。

通过少样本学习,模型被提供了示例输入和输出,性能得以进一步提升。专为推理训练的模型,如DeepSeek-R1,特别是在更丰富的提示上下文中表现出优异的准确性。

结论

在基于AI的交易捕捉系统中集成自我校正工作流程标志着一个重要进步,减少错误并提高准确性。NVIDIA鼓励在财务工作流程中采用这种方法,利用他们的模型API进行本地部署。

有关AI在金融服务中应用的更多见解,NVIDIA邀请行业专业人士参加GTC巴黎活动,提供有关生成式AI及其在生产环境中的部署的会议。

Image source: Shutterstock