Naukowcy stworzyli system, który pozwala sztucznej inteligencji znacznie lepiej odpowiadać na pytania o dokumenty finansowe dzięki połączeniu dwóch zaawansowanych technik. Chodzi o fuzję retrieval-augmented generation, czyli RAG - metody, która pozwala modelom AI sięgać do zewnętrznych źródeł danych - z podejściem agentic, w którym AI działa bardziej autonomicznie i iteracyjnie. Innymi słowy, zamiast udzielenia jednej, być może niedokładnej odpowiedzi, system może teraz wielokrotnie przeszukiwać dane finansowe, weryfikować informacje i stopniowo dochodzić do precyzyjnych wniosków, podobnie jak robiłby to analityk finansowy przeprowadzający dogłębne badania.
Tradycyjne systemy AI mają problem z analizą skomplikowanych dokumentów finansowych - raportów rocznych, sprawozdań finansowych czy prospektów papierów wartościowych. Błędy w interpretacji takich materiałów mogą prowadzić do złych decyzji inwestycyjnych i ogromnych strat. Agentic RAG zmienia to podejście, pozwalając modelowi działać bardziej inteligentnie: autonomicznie wybierać, które fragmenty dokumentu są ważne, porównywać informacje z różnych sekcji, a nawet zadawać sobie wewnętrznie pośrednie pytania, aby udzielić ostatecznej, wiarygodnej odpowiedzi. To znacznie zwiększa dokładność i zmniejsza ryzyko halucynacji - czyli zmyślania informacji przez AI.
Dla instytucji finansowych, funduszy inwestycyjnych czy indywidualnych inwestorów oznacza to praktyczne rozwiązanie do automatyzacji analizy pokaźnych ilości dokumentów finansowych bez utraty precyzji. Zamiast polegać na tradycyjnych modelach AI, które mogą się mylić, można teraz używać systemów zdolnych do bardziej zaawansowanego rozumowania i weryfikacji. To szczególnie ważne w branży, gdzie błąd w interpretacji danych może mieć znaczące konsekwencje finansowe i regulacyjne.