· AI Engineer World's Fair 2026
Как Kepler создала проверяемый ИИ для финансовых услуг
How Kepler Built Verifiable AI for Financial Services
Evals не делают финансовые выводы LLM проверяемыми: модель лишь указывает источник и что посчитать, а числа берёт и считает детерминированный код.
- Atomic provenance — модель пишет ссылку на место в документе, а не само число, а значение, которое не удаётся проверить детерминированно, отбрасывается. По словам спикера, их экстрактор с точностью 94% всё равно ошибался в 6% случаев, поэтому одного вероятностного решения мало.
- Scope determinism — модель решает, какую метрику посчитать, а вычисления выполняет код, например чистую маржу берут из данных XBRL, а не из ответа модели.
- Derivation chains — для производных метрик, например скорректированного EBITDA, которые каждая фирма считает по-своему, сохраняется цепочка входов, по которой расчёт можно воспроизвести и проверить.
- Цитаты как аудит задним числом — ссылки на источники, по словам спикера, закрывают лишь половину задачи, потому что не показывают, что число извлечено верно.
Кому полезно: тем, кто строит LLM-системы с числами или ссылками на первоисточники, например в финансах или юридической работе; доклад во многом про продукт Kepler.
Статья по теме
Главы
Ещё доклады: Vinoo Ganesh
Страница спикера →Похожие доклады
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
Может ли ИИ разобраться в проблемном кредите?
AI Engineer New York 2026
Близко по содержанию

