· AI Engineer World's Fair 2026
Почему готовые ИИ не понимают деньги
Why Off-the-Shelf AI Doesn't Understand Money
Финансовые советы от общих LLM звучат уверенно, но не опираются на реальные исходы, и надёжнее учить рекомендации на данных о действиях похожих бизнесов и их результатах.
- Причинный эффект вместо сравнения групп — эффект действия считается через CATE (conditional average treatment effect): сравниваются похожие бизнесы, которые поменяли действие, и те, которые нет. В примере с ресторанами разница прибыли 1400 долларов в день после учёта того, что успешные бизнесы чаще поднимают цены, сокращается примерно до 1150.
- Траектории из финансовых данных — из главной книги, P&L, денежных потоков и счетов строятся состояния бизнеса и действия, а исходы берутся для разных горизонтов. По словам авторов, так получены миллионы троек состояние–действие–результат для обучения RL-модели.
- Frontier LLM как генератор гипотез — модели предлагают кандидатов действий, а RL-модель отбирает те, что реально работали в похожих ситуациях. По словам авторов, более компактная модель, обученная так, обошла frontier LLM в прямом сравнении.
- Симуляция на 500 дней — в исследовании Princeton, по словам автора, большинство моделей обанкротило виртуальную компанию, а простая система на правилах обошла почти все из них.
Кому полезно: тем, у кого есть данные о действиях и исходах по множеству похожих сущностей и кто строит рекомендации на LLM.
Главы
Похожие доклады
Может ли ИИ разобраться в проблемном кредите?
AI Engineer New York 2026
Близко по содержанию
Обучение Albatross: экспертной языковой модели для финансов
AI Engineer World's Fair 2024
Близко по содержанию
Почему ИИ-агентам понадобятся собственные банковские счета
Близко по содержанию
Доказывая альфу: как хедж-фонд измеряет ROI от AI
Близко по содержанию
