Mint-Agent: Introducing Finance-Native Agentic Foundation Models
Het artikel introduceert Mint-Agent, een familie van finance-native agentic foundation models gebouwd op een gespecialiseerde data-engine, interactie-harness en een geavanceerde trainingspijplijn die staat van de kunst betrouwbaarheid en uitvoerbaarheid bereikt in complexe, controleerbare financiële taken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de financiële sector is een correct antwoord zelden slechts één enkel getal of een simpel feit. Het is het resultaat van een zorgvuldige keten van gebeurtenissen: het juiste document vinden, de juiste tijdsperiode identificeren, waarden uit verschillende bronnen vergelijken en berekeningen uitvoeren die stand moeten houden onder kritische inspectie. Wanneer een menselijke analist een fout maakt in dit proces, kan hij meestal zijn stappen terugvolgen om te vinden waar de logica is gestokt. Maar wanneer een systeem van kunstmatige intelligentie dezelfde taak probeert uit te voeren, produceert het vaak een plausibel klinkend antwoord dat gebouwd is op een verborgen fout, een verkeerd gelezen tabel of een bron die weliswaar relevant was, maar niet gezaghebbend. Zonder een duidelijk, traceerbaar pad van het oorspronkelijke bewijs naar de uiteindelijke conclusie, kan het resultaat niet worden vertrouwd of gecorrigeerd. Deze kloof tussen een zelfverzekerd antwoord en een verifieerbare waarheid is de centrale uitdaging waar onderzoekers aan werken terwijl ze machines leren te handelen als onafhankelijke financiële onderzoekers.
Een team van onderzoekers heeft een nieuwe aanpak voor dit probleem geïntroduceerd met een systeem dat zij Mint-Agent noemen. In plaats van een computer simpelweg te trainen om financiële feiten te memoriseren of om het juiste antwoord te raden, hebben zij een systeem gebouwd dat ontworpen is om elke conclusie te behandelen als een bewering die moet worden onderbouwd met herstelbaar bewijsmateriaal. Het systeem werkt volgens drie hoofdprincipes: het leert van echte financiële documenten om de specifieke regels van de handel te begrijpen; het gebruikt een gespecialiseerde omgeving die een permanent, controleerbaar verslag bijhoudt van elke zoekopdracht en berekening die het uitvoert; en het leert via een proces dat niet alleen de uiteindelijke conclusie beloont, maar ook de juistheid van de gehele afgelegde weg om daar te komen. Het resultaat is een familie van modellen voor kunstmatige intelligentie die langdurig, complex financieel onderzoek kunnen uitvoeren terwijl ze een duidelijke bewijsketen behouden die aantoont hoe zij tot hun conclusies zijn gekomen.
De onderzoekers hebben hun systeem geconstrueerd door eerst een enorme bibliotheek van financiële taken op te bouwen, afgeleid van echte bedrijfsrapporten, marktgegevens en boekhoudkundige gegevens. Zij hebben deze taken in twee typen onderverdeeld. Het eerste type betreft atomaire vaardigheden, zoals het extraheren van een specifief getal uit een tabel of het uitvoeren van een standaardberekening, waarbij het bewijs al aanwezig is. Het tweede type betreft langdurige uitvoering (long-horizon execution), waarbij het systeem het bewijs zelf moet vinden, vaak door over een langere periode door meerdere documenten te zoeken om een complexe analyse samen te stellen. Om het tweede type aan te pakken, hebben zij een digitale omgeving genaamd MintHarness gecreëerd. Deze omgeving fungeert als een beveiligde werkruimte waar de AI met instrumenten kan interageren, informatie kan zoeken en berekeningen kan uitvoeren. Cruciaal is dat deze omgeving een permanent grootboek bijhoudt van elke actie die is ondernomen, elk bekeken document en elk berekend getal. Dit grootboek zorgt ervoor dat zelfs als de AI een detail vergeet, het verslag van hoe het het antwoord heeft gevonden intact blijft en door een mens kan worden beoordeeld.
Om de AI te leren deze omgeving effectief te gebruiken, hebben de onderzoekers een trainingsmethode toegepast die de vaardigheden van financieel redeneren scheidt van de vaardigheden van het beheren van een langdurig onderzoeksproject. Eerst trainden zij een versie van het model om een expert te zijn in puur financieel redeneren, waarbij de focus ligt op het correct uitvoeren van de wiskunde en de logica wanneer de gegevens al voor het model liggen. Zij trainden een tweede versie om een expert te zijn in uitvoering, waarbij de focus ligt op hoe te zoeken, wanneer te stoppen en hoe informatie over vele stappen te organiseren. Ten slotte hebben zij deze twee experts samengevoegd tot één enkel, verenigd systeem. Dit gecombineerde model, dat in twee formaten beschikbaar is, werd getest tegen een breed scala aan professionele financiële benchmarks. Het grotere model, genaamd Mint-Ag, behaalde een score van 98,33 op een test voor financieel redeneren, waarmee het verschillende toonaangevende commerciële systemen overtrof. Op tests die complexe, meerstaps-onderzoeken vereisten, behaalde het ook de hoogste scores, met 76,00 op één belangrijke benchmark en 60,49 op een nieuwere, moeilijkere versie. Het kleinere model, Mint-Cu, dat veel compacter is, presteerde ook uitzonderlijk goed met een score van 69,86 op een zoekintensieve taak, wat bewijst dat sterke financiële onderzoeksvaardigheden behouden kunnen blijven, zelfs in een kleiner systeem.
Wat deze resultaten significant maakt, is niet alleen de hoge scores, maar de aard van de prestaties. De onderzoekers ontdekten dat hun modellen niet alleen antwoorden produceren; ze produceren antwoorden die gecontroleerd kunnen worden. In één gedetailleerd voorbeeld volgde het systeem succesvol een prognose voor een halfgeleiderbedrijf door dertig-zeven stappen van onderzoek. Onderweg kwam het geblokkeerde documenten, onjuiste tijdsperioden en tegenstrijdige gegevens tegen. Omdat het systeem een persistent verslag van zijn bevindingen bijhield, was het in staat om doodlopende wegen te verwerpen, zijn eigen fouten te corrigeren en de definitieve cijfers opnieuw te berekenen met uitsluitend het geldige bewijs dat het had veiliggesteld. In een ander geval, betreffende een bedrijfsovername, wachtte het systeem met het vastleggen van een definitieve prijs totdat het het definitieve juridische document had gevonden, waarbij eerdere, ambigue bronnen werden genegeerd. Dit vermogen om onderscheid te maken tussen een spoor en een feit, en om een duidelijk verslag bij te houden van het verschil, is wat het systeem betrouwbaar maakt.
De onderzoekers betogen dat voor kunstmatige intelligentie om nuttig te zijn in sectoren met hoge inzet, zoals de financiële sector, het verder moet gaan dan simpelweg tekst genereren die er correct uitziet. Een betrouwbare agent moet in staat zijn om zijn werk te tonen, de tijdgrenzen van de gebruikte gegevens te respecteren en bereid zijn zijn conclusie te herzien als het bewijs dit niet ondersteunt. Door een systeem te bouwen waarbij dataconstructie, uitvoering en leren allemaal verbonden zijn aan één enkele standaard van verifieerbaar bewijs, hebben het Mint-Agent team aangetoond dat het mogelijk is om financiële intelligentie te creëren die niet alleen bekwaam, maar ook verantwoordelijk is. De bevindingen suggereren dat de toekomst van betrouwbare AI in de financiële sector niet ligt in het groter of sneller maken van modellen, maar in het ontwerpen van systemen die een duidelijke, testbare route achterlaten van hoe zij tot elke beslissing zijn gekomen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.