J'ai construit un pipeline d'analyse bancaire avec des agents LLM : où il a bloqué 7 des 31 exécutions
OpenAI
Anthropic
L'auteur décrit un pipeline d'analyse bancaire qui utilise des LLM (grands modèles de langage) ouverts pour générer des recherches sur les banques à partir de flux de données publics. Il exploite un site public (ortant.net) avec 24 études publiées et 10 dossiers bancaires. Sur 31 exécutions, 7 ont été bloquées par un portail de publication, chacune avec un code de raison. L'article détaille les barrières, les coûts et les leçons apprises.
L'auteur a construit un pipeline d'analyse bancaire en utilisant des LLM open-weights pour analyser des données publiques. Le système fonctionne sur ortant.net, proposant 24 études acceptées, 10 dossiers bancaires et un constructeur de recherche personnalisé. Chaque exécution traite sept flux de données publiques via six rôles d'IA : cinq réviseurs de flux, un agent de recherche, trois conseillers, un président, un vérificateur de revendications et un rapporteur. Le coût médian par exécution est de 0,132 dollar et cela prend 12,8 minutes. Sur 31 exécutions tentées, 7 ont été bloquées par une porte de publication : quatre synthèses ont échoué, deux contenaient un lexique interdit, et une a produit un faux positif dans la détection de données personnelles. Le système comprend quatre barrières allant du passeport de données à la porte de publication. L'auteur note également qu'une couche prédictive était moins performante qu'un modèle naïf et a été supprimée, et que les conseils du modèle améliorent la couverture mais pas la précision. L'article met l'accent sur la transparence, avec les coûts et les méthodes affichés ouvertement.
Source: Habr — хаб ИИ —
original