Может ли ИИ разобраться в проблемном кредите?
Can AI Understand a Distressed Credit? - Harneet Kaur, Axim Intelligence
Пошаговая проверка рассуждений по слоям сводит две LLM к близким прогнозам банкротства компании, но правильность таких прогнозов без известного исхода пока не проверить.
- Разделение рассуждения на слои — извлечение данных, их сверка, вывод производных показателей и суждение о дистрессе проверяются отдельно. Например, EBITDA и долг извлекаются, соотношение долга к EBITDA считается отдельно, и только потом делается вывод о дистрессе.
- Одинаковый контекст, разные ответы — на кейсе iHeartMedia при одних и тех же структурированных данных Astra склонялась к переговорной реструктуризации, а Opus изначально давала банкротство 62%. После структурированного процесса обе модели, по словам автора, сошлись примерно на 25% вероятности банкротства.
- Согласие не равно правоте — автор подчёркивает, что исход кейса ещё неизвестен, а историческая проверка рискует look-ahead bias, поэтому оценка остаётся непроверенной.
- Сходимость как сигнал рынка — автор предполагает, что процесс, дающий одинаковые вероятности исходов, по смыслу близок к рыночной цене. Это идея, а не результат.
Кому полезно: тем, кто строит LLM-пайплайны для анализа финансовых документов и хочет проверять промежуточные шаги, а не только итоговый ответ.
Статья по теме
Главы
Похожие доклады
ИИ, который приносит доход: уроки управления финансовыми потоками в здравоохранении
AI Engineer World's Fair 2025
Близко по содержанию
Почему передовые модели не справляются с работой аналитиков на стороне инвесторов
Близко по содержанию
Почему готовые ИИ не понимают деньги
AI Engineer World's Fair 2026
Близко по содержанию
Доказывая альфу: как хедж-фонд измеряет ROI от AI
Близко по содержанию

