Model Council: jak weryfikujemy AI i odcinamy zmyślanie
Zajrzyj za kulisy Model Council – naszego rozwiązania w Taufolio. Dajemy te same dokumenty kilku różnym modelom AI, żeby wyłapać i wyrzucić wszystkie niepotwierdzone wnioski.
Jacek Janczura
Kiedy zadajesz zwykłemu chatbotowi pytanie o jakąś spółkę, dostajesz jedną odpowiedź od jednego modelu. Jeśli ten model zmyśli na przykład marżę zysku, nie masz jak się o tym dowiedzieć, dopóki sam nie zaczniesz wertować raportów giełdowych.
W inwestowaniu taka zmyślona liczba to nie jest tylko technologiczna pomyłka – to poważne ryzyko finansowe.
Dlatego w Taufolio nie opieramy się na jednym modelu AI. Stworzyliśmy Model Council – wieloetapowy mechanizm, w którym działa kilku agentów naraz. Zbudowaliśmy go specjalnie po to, żeby ograniczyć niepotwierdzone twierdzenia i zwiększyć dokładność analiz.
Architektura: Jak działa nasz zespół AI
Żeby zbudować profesjonalne narzędzie badawcze, musieliśmy odejść od modelu "jedno pytanie, jedna odpowiedź". Nasze pełne raporty o spółkach opierają się na zaawansowanym systemie, który korzysta z różnych źródeł danych, potwierdzonych informacji rynkowych i kilku wyspecjalizowanych asystentów AI współpracujących ze sobą.
Dokładne instrukcje zostawiamy dla siebie, ale z lotu ptaka wygląda to tak:
1. Asystenci od zbierania danych
Zanim w ogóle zaczniemy analizę, wyspecjalizowane boty gromadzą źródła pierwotne. Pobierają najnowsze raporty 10-K i 10-Q prosto z bazy amerykańskiego EDGAR-a, wyciągają zapisy z konferencji wynikowych i łączą się z zewnętrznymi dostawcami rzetelnych informacji rynkowych, jak Bloomberg czy Reuters. To sprawia, że AI opiera się na konkretnych, bieżących dokumentach, a nie szuka odpowiedzi w swojej wyuczonej pamięci.
2. Wyspecjalizowani Analitycy (czyli tytułowa Rada)
Kiedy mamy już zebrane dane, nie trafiają one do jednego modelu. Stosujemy tu podejście wielomodelowe. Trzech osobnych, niezależnych "Analityków" – często opartych na różnych, najbardziej zaawansowanych technologiach na rynku – dostaje dokładnie ten sam zestaw dokumentów i to samo zadanie (na przykład: "Przeanalizuj pozycję konkurencyjną tej firmy").
Ponieważ te modele mają inną budowę i uczyły się na innych danych, często zwracają uwagę na zupełnie inne szczegóły.
3. Agent Koordynator
I tutaj dzieje się najważniejsze. Trzy niezależne analizy trafiają do głównego Koordynatora. Ten asystent działa trochę jak wymagający dyrektor w banku inwestycyjnym. Jego zadaniem jest bezstronne porównanie wyników.
- Pełna zgoda: Jeśli Analityk A i Analityk B zgadzają się, że marże spadły przez problemy z łańcuchem dostaw, i obaj wskazują na ten sam akapit w raporcie 10-K, informacja jest potwierdzona i trafia do Twojego raportu.
- Różnica zdań: Jeśli Analityk A twierdzi, że marże spadły o 5%, a Analityk B uważa, że o 2%, Koordynator oznacza tę rozbieżność. Wraca do tekstu źródłowego i jeśli nie potrafi jednoznacznie udowodnić konkretnej liczby, taka informacja zostaje odrzucona.
Dlaczego korzystamy z wielu źródeł danych na żywo
Nie chcemy, żeby sztuczna inteligencja próbowała sobie przypomnieć, co wydarzyło się w danej firmie miesiąc temu. Takie poleganie na pamięci prowadzi do zmyślania. Podłączając Model Council bezpośrednio do rynkowych danych i rzetelnych newsów zmuszamy modele do pracy na aktualnym tekście, a nie do zgadywania.
Jaki jest efekt? Dostajesz do ręki raport, który mocno opiera się na faktach, został sprawdzony przez kilku "analityków", i co ważne – możesz go łatwo zweryfikować dzięki przypisom.