StocksTalk: A Voice-Enabled Conversational Agent for Structured Query Generation over Web Data
StocksTalk ist ein transparenter, sprachgesteuerter konversationeller Agent, der gesprochene Finanzanfragen durch die Kombination von Streaming-Spracherkennung, Retrieval-Augmented Constraint Extraction und interaktiver Human-in-the-Loop-Verifizierung in validierte, ausführbare SQL-Abfragen transformiert, um Baseline-LLM-Ansätze in Bezug auf Genauigkeit und Stabilität zu übertreffen.
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 fühlt sich das Treffen einer Entscheidung oft an wie die Suche nach der Nadel im Heuhaufen, doch der Heuhaufen besteht aus Millionen von Zahlen und die Nadel ist ein spezifisches Muster von Wachstum oder Wert. Seit Jahrzehnten versuchen Forscher, Computer beizubringen, die menschliche Sprache zu verstehen, damit jeder eine Frage stellen und eine präzise Antwort aus einer Datenbank erhalten kann. Dieses Feld, bekannt als Text-zu-SQL, zielt darauf ab, die unordentliche, flexible Art und Weise, wie Menschen sprechen, in die starre, exakte Sprache zu übersetzen, die Computerdatenbanken erfordern. Die meisten dieser Systeme wurden jedoch unter ruhigen, perfekten Bedingungen mit geschriebenen Texten getestet. Sie haben Schwierigkeiten, wenn sie mit der Realität der menschlichen Sprache konfrontiert werden, die oft voller Hintergrundgeräusche, Akzente und der natürlichen Tendenz zu unvollständigen Gedanken ist. In der Hochrisiko-Arena des Investierens, in der eine einzige missverstandene Zahl zu einem kostspieligen Fehler führen kann, ist die Kluft zwischen dem, was eine Person sagt, und dem, was ein Computer ausführt, ein gefährlicher Abgrund.
Ein Team von Forschern des IIIT-Delhi und des Singapore Institute of Technology hat ein neues System namens StocksTalk entwickelt, um diese Lücke zu schließen. Sie haben einen sprachgesteuerten Assistenten geschaffen, der speziell darauf ausgelegt ist, gesprochene Investmentideen in gültige, funktionierende Datenbankabfragen umzuwandeln. Im Gegensatz zu bisherigen Tools, die vielleicht die Absicht eines Nutzers erraten und auf das Beste hoffen, ist StocksTalk darauf ausgelegt, transparent und vorsichtig zu sein. Es behandelt den Prozess des Findens von Aktien nicht als einen einzigen logischen Sprung, sondern als eine Serie sorgfältiger Schritte, bei denen der Computer seine eigene Arbeit überprüft und den Menschen dazu einlädt, dies ebenfalls zu tun. Das System hört einem Nutzer zu, zerlegt den Satz in spezifische Finanzregeln, gleicht diese Regeln mit einer Echtzeit-Marktdatenbank ab und zeigt dem Nutzer dann genau an, was es beabsichtigt zu tun, bevor es die Suche tatsächlich ausführt.
Die Forscher testeten dieses System mit einem sorgfältig vorbereiteten Satz von 150 Sprachaufforderungen, die drei verschiedene Arten von Investmentstrategien abdeckten: die Suche nach schnell wachsenden Unternehmen, das Finden von Aktien, die regelmäßige Dividenden zahlen, und die Jagd nach unterbewerteten Vermögenswerten. Sie nahmen diese Aufforderungen in zwei sehr unterschiedlichen Umgebungen auf: einmal in einem ruhigen Raum und einmal in einer lauten Cafeteria, um reale Ablenkungen zu simulieren. Die Ergebnisse zeigten, dass ein Standard-KI-Modell ohne Unterstützung zwar etwa 81 Prozent der Zeit eine Abfrage generieren konnte, ohne abzustürzen, aber oft Antworten lieferte, die logisch inkonsistent oder finanziell unsinnig waren. Durch das Hinzufügen von Verifizierungsschichten und einer Methode zum Abrufen spezifischer Finanzdefinitionen während des Prozesses verbesserte das System seine Fähigkeit zur Generierung korrekter Abfragen auf nahezu 98 Prozent. Noch wichtiger war, dass die Fähigkeit des Systems, während eines Gesprächs auf Kurs zu bleiben, dramatisch verbesserte – von etwa 51 Prozent Genauigkeit auf fast 89 Prozent, wenn der Mensch die Möglichkeit hatte, die Schritte zu verifizieren.
Der Kern des Erfolgs des Systems liegt darin, wie es mit der Unsicherheit der menschlichen Sprache umgeht. Wenn ein Nutzer etwas sagt wie „Finde große Technologiewerte mit verbessernden Margen“, feuert das System nicht sofort eine Suche ab. Stattdessen wandelt es die Stimme zuerst in Text um, nutzt dann ein Retrieval-System, um genau nachzuschlagen, was „verbessernde Margen“ im Kontext der spezifischen Datenbank bedeutet, die es verwendet. Es erstellt dann eine Entwurfsabfrage und zeigt diese dem Nutzer auf einem Dashboard an. Dieses Dashboard zeigt die extrahierten Regeln, die gewählten mathematischen Operatoren und den endgültigen Code, den es ausführen möchte. Der Nutzer kann sehen, ob der Computer eine Zahl oder eine Kategorie missverstanden hat, und dies korrigieren, bevor die Suche beginnt. Dieser „Human-in-the-Loop“-Ansatz erwies sich als essenziell, insbesondere für komplexe Anfragen mit mehreren Bedingungen, bei denen das System allein in fast jedem dritten Versuch Fehler gemacht hätte.
Die Studie verdeutlichte auch, dass die größte Hürde weiterhin die Qualität der Spracherkennung selbst ist. Wenn das Audio in einer lauten Umgebung aufgenommen wurde, sank die Fähigkeit des Systems, spezifische Zahlen und Finanzbegriffe korrekt zu identifizieren, signifikant, was zu mehr Fehlern in der endgültigen Abfrage führte. Dies deutet darauf hin, dass, obwohl die Logik- und Verifizierungsschichten robust sind, der erste Schritt, den Nutzer klar zu hören, immer noch der fragilste Teil der Kette ist. Die Forscher fanden heraus, dass ihre Methode, das Problem in kleinere, verifizierbare Phasen zu unterteilen, verhinderte, dass das System kleine Fehler zu großen Ausfällen kumulierte. Beispielsweise verlor ein System ohne menschliche Verifizierung in einem mehrstufigen Gespräch, in dem ein Nutzer seine Suche verfeinert, oft den Überblick über die ursprünglichen Einschränkungen, während die interaktive Version den richtigen Pfad fast 90 Prozent der Zeit beibehielt.
Mit Blick in die Zukunft sieht das Team vor, diesen Ansatz auf Echtzeit-Nachrichten und Ergebnisberichte auszuweiten, was es dem System ermöglichen würde, Fragen wie „Welche Unternehmen haben ihre Gewinnprognosen im letzten Quartal übertroffen?“ zu beantworten, indem es frische Daten abruft, sobald sie eintreffen. Sie planen auch, dem System zu ermöglichen, neue Funde mit dem bestehenden Portfolio eines Nutzers zu vergleichen, was personalisiertere Ratschläge ermöglicht. Die Arbeit zeigt, dass für komplexe, hochriskante Aufgaben der zuverlässigste Weg nicht darin besteht, eine Maschine zu bauen, die versucht, für sich allein perfekt zu sein, sondern eine Maschine zu bauen, die weiß, wann sie innehalten, ihre Arbeit zeigen und um Hilfe bitten muss. Indem sie den Denkprozess sichtbar und editierbar macht, verwandelt StocksTalk eine Black Box der künstlichen Intelligenz in ein kollaboratives Werkzeug und stellt sicher, dass die endgültige Antwort nicht nur eine Vermutung, sondern ein verifizierter Fakt für die reale Welt ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.