Mint-Agent: Introducing Finance-Native Agentic Foundation Models
Das Papier stellt Mint-Agent vor, eine Familie von finanzspezifischen agentischen Foundation-Modellen, die auf einer spezialisierten Data Engine, einem Interaction Harness und einer fortschrittlichen Trainingspipeline aufgebaut ist, welche eine erstklassige Zuverlässigkeit und Ausführbarkeit bei komplexen, auditierbaren Finanzaufgaben erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Finanzen ist eine korrekte Antwort selten nur eine einzelne Zahl oder eine einfache Tatsache. Sie ist das Ergebnis einer sorgfältigen Kette von Ereignissen: das Finden des richtigen Dokuments, die Identifizierung des korrekten Zeitraums, der Vergleich von Werten aus verschiedenen Quellen und das Durchführen von Berechnungen, die einer genauen Prüfung standhalten müssen. Wenn ein menschlicher Analyst bei diesem Prozess einen Fehler macht, kann er in der Regel seine Schritte zurückverfolgen, um zu finden, an welcher Stelle die Logik unterbrochen wurde. Wenn jedoch ein System der künstlichen Intelligenz dieselbe Aufgabe versucht, produziert es oft eine plausibel klingende Antwort, die auf einem verborgenen Fehler, einem falsch gelesenen Tabellenwert oder einer Quelle basiert, die zwar relevant, aber nicht maßgeblich war. Ohne einen klaren, nachvollziehbaren Pfad von der ursprünglichen Evidenz zur endgültigen Schlussfolgerung kann das Ergebnis nicht vertraut oder korrigiert werden. Diese Lücke zwischen einer selbstbewussten Antwort und einer verifizierbaren Wahrheit ist die zentrale Herausforderung, die Forscher zu lösen versuchen, während sie Maschinen lehren, als unabhängige Finanzermittler zu agieren.
Ein Team von Forschern hat einen neuen Ansatz für dieses Problem mit einem System namens Mint-Agent vorgestellt. Anstatt einen Computer lediglich darauf zu trainieren, Finanzfakten auswendig zu lernen oder die richtige Antwort zu erraten, haben sie ein System entwickelt, das darauf ausgelegt ist, jede Schlussfolgerung als eine Behauptung zu behandeln, die durch rückverfolgbare Belege gestützt werden muss. Das System arbeitet nach drei Hauptprinzipien: Es lernt aus realen Finanzdokumenten, um die spezifischen Regeln des Handels zu verstehen; es nutzt eine spezialisierte Umgebung, die ein permanentes, prüfbares Protokoll jeder von ihm durchgeführten Suche und Berechnung führt; und es lernt durch einen Prozess, der nicht nur die endgültige Antwort belohnt, sondern die Korrektheit des gesamten Weges, der dorthin geführt hat. Das Ergebnis ist eine Familie von Modellen der künstlichen Intelligenz, die komplexe Finanzrecherchen durchführen können, während sie einen klaren Beweispfad aufrechterhalten, der belegt, wie sie zu ihren Schlussfolgerungen gelangt sind.
Die Forscher konstruierten ihr System, indem sie zuerst eine massive Bibliothek von Finanzaufgaben aufbauten, die aus echten Unternehmensberichten, Marktdaten und Buchhaltungsunterlagen abgeleitet wurden. Sie unterteilten diese Aufgaben in zwei Typen. Der erste Typ umfasst atomare Fähigkeiten, wie etwa das Extrahieren einer spezifischen Zahl aus einer Tabelle oder das Durchführen einer Standardberechnung, wobei die Evidenz bereits vorhanden ist. Der zweite Typ betrifft die langfristige Ausführung (long-horizon execution), bei der das System die Belege selbst finden muss, was oft die Suche durch mehrere Dokumente über einen längeren Zeitraum erfordert, um eine komplexe Antwort zusammenzusetzen. Um den zweiten Typ zu handhaben, schufen sie eine digitale Umgebung namens MintHarness. Diese Umgebung funget als sicheren Arbeitsraum, in dem die KI mit Werkzeugen interagieren, nach Informationen suchen und Berechnungen durchführen kann. Entscheidend ist, dass diese Umgebung ein permanentes Register über jede durchgeführte Aktion, jedes betrachtete Dokument und jede berechnete Zahl führt. Dieses Register stellt sicher, dass selbst wenn die KI ein Detail vergisst, die Aufzeichnung darüber, wie sie die Antwort gefunden hat, intakt bleibt und von einem Menschen überprüft werden kann.
Um der KI beizubringen, diese Umgebung effektiv zu nutzen, verwendeten die Forscher eine Trainingsmethode, die die Fähigkeiten des finanziellen Denkens von den Fähigkeiten des Managements eines langfristigen Forschungsprojekts trennt. Zuerst trainierten sie eine Version des Modells zur Expertenstellung im reinen Finanzdenken, wobei der Fokus darauf lag, Mathematik und Logik korrekt anzuwenden, wenn die Daten bereits vor dem Modell liegen. Sie trainierten eine zweite Version als Experten für die Ausführung, wobei der Fokus darauf lag, wie man sucht, wann man stoppt und wie man Informationen über viele Schritte hinweg organisiert. Schließlich führten sie diese beiden Experten zu einem einzigen, einheitlichen System zusammen. Dieses kombinierte Modell, das in zwei Größen vorliegt, wurde gegen eine breite Palette professioneller Finanz-Benchmarks getestet. Das größere Modell, genannt Mint-Ag, erreichte eine Punktzahl von 98,33 in einem Test des Finanzdenkens und übertraf damit mehrere führende kommerzielle Systeme. In Tests, die komplexe, mehrstufige Recherchen erforderten, erzielte es ebenfalls die höchsten Werte, wobei es 76,00 in einem bedeutenden Benchmark und 60,49 in einer neueren, schwierigeren Version erreichte. Das kleinere Modell, Mint-Cu, das wesentlich kompakter ist, schnitt ebenfalls außergewöhnlich gut ab und erreichte 69,86 in einer suchintensiven Aufgabe, was beweist, dass starke finanzielle Forschungsfähigkeiten auch in einem kleineren System erhalten bleiben können.
Was diese Ergebnisse signifikant macht, ist nicht nur die hohe Punktzahl, sondern die Art der Leistung. Die Forscher fanden heraus, dass ihre Modelle nicht nur Antworten produzieren, sondern Antworten, die geprüft werden können. In einem detaillierten Beispiel verfolgte das System erfolgreich eine Prognose für ein Halbleiterunternehmen über siebenunddreißig Untersuchungsschritte hinweg. Im Verlauf stieß es auf blockierte Dokumente, falsche Zeiträume und widersprüchliche Daten. Da das System eine beständige Aufzeichnung seiner Funde pflegte, war es in der Lage, Sackgassen zu verwerfen, eigene Fehler zu korrigieren und die endgültigen Zahlen unter Verwendung der validen Belege, die es gesichert hatte, neu zu berechnen. In einem anderen Fall, der eine Unternehmensübernahme betraf, wartete das System mit der Festlegung eines endgültigen Preises, bis es das definitive Rechtsdokument gefunden hatte, und ignorierte frühere, mehrdeutige Quellen. Diese Fähigkeit, zwischen einer Spur und einer Tatsache zu unterscheiden und eine klare Aufzeichnung über den Unterschied zu führen, ist es, die das System vertrauenswürdig macht.
Die Forscher argumentieren, dass künstliche Intelligenz, um in Hochrisikofeldern wie der Finanzwelt nützlich zu sein, über das bloße Generieren von Texten, die korrekt aussehen, hinausgehen muss. Ein vertrauenswürdiger Agent muss in der Lage sein, seine Arbeit offenzulegen, die Zeitgrenzen der verwendeten Daten zu respektieren und bereit zu sein, seine Schlussfolgerung zu revidieren, wenn die Belege sie nicht stützen. Indem sie ein System geschaffen haben, in dem Datenerstellung, Ausführung und Lernen alle an einen einzigen Standard verifizierbarer Belege gebunden sind, hat das Mint-Agent-Team demonstriert, dass es möglich ist, eine Finanzintelligenz zu erschaffen, die nicht nur fähig, sondern auch rechenschaftspflichtig ist. Die Ergebnisse legen nahe, dass die Zukunft zuverlässiger KI in der Finanzwelt nicht darin liegt, Modelle größer oder schneller zu machen, sondern sie so zu konstruieren, dass sie einen klaren, testbaren Pfad hinterlassen, wie sie zu jeder Entscheidung gelangt sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.