Ich habe eine Bankanalyse-Pipeline mit LLM-Agenten gebaut: Wo sie 7 von 31 Läufen blockierte
OpenAI
Anthropic
Der Autor beschreibt eine Bankanalyse-Pipeline, die offene LLMs nutzt, um aus öffentlichen Datenströmen Recherchen über Banken zu erstellen. Sie betreibt eine öffentliche Website (ortant.net) mit 24 veröffentlichten Studien und 10 Bankdossiers. Von 31 Läufen wurden 7 durch ein Veröffentlichungs-Gate blockiert, jeweils mit einem Grundcode. Der Artikel beschreibt die Hürden, Kosten und Lehren.
Der Autor hat eine Bankanalytik-Pipeline mit Open-Weight-LLMs erstellt, um öffentliche Daten zu analysieren. Das System läuft auf ortant.net und bietet 24 akzeptierte Studien, 10 Bankdossiers und einen benutzerdefinierten Forschungs-Builder. Jeder Durchlauf verarbeitet sieben öffentliche Datenströme durch sechs KI-Rollen: fünf Stream-Reviewer, einen Forschungsagenten, drei Berater, einen Vorsitzenden, einen Anspruchsprüfer und einen Reporter. Die mittleren Kosten pro Durchlauf betragen 0,132 US-Dollar und dauern 12,8 Minuten. Von 31 versuchten Durchläufen wurden 7 durch ein Veröffentlichungstor blockiert: vier scheiterten bei der Synthese, zwei enthielten verbotene Lexik und einer hatte einen Fehlalarm bei der Erkennung personenbezogener Daten. Das System umfasst vier Barrieren vom Datenpass bis zum Veröffentlichungstor. Der Autor stellt außerdem fest, dass eine prädiktive Schicht schlechter war als eine naive Baseline und entfernt wurde, und dass Modellberatung die Abdeckung, aber nicht die Genauigkeit verbessert. Der Artikel betont Transparenz, wobei Kosten und Methoden offen dargestellt werden.
Quelle: Habr — хаб ИИ —
Original