Instituições financeiras dependem cada vez mais de grafos de conhecimento (KGs) para análises cruciais, como gestão de riscos, portfólio e pesquisa de investimentos. Esses KGs são construídos a partir de documentos padronizados, como os relatórios 10-K da SEC, e precisam se adaptar a diferentes necessidades analíticas sem fragmentar as regras de base, tipagem e temporais que são compartilhadas.
Tradicionalmente, a adaptação desses sistemas envolve a criação manual de prompts personalizados ou o ajuste fino de modelos, o que acarreta custos elevados. Embora a otimização de prompts sem ajuste de pesos ofereça uma alternativa, a evolução descontrolada de um prompt monolítico pode reescrever regras compartilhadas junto com as diretrizes personalizadas, tornando as mudanças opacas e dificultando a revisão.
Uma Nova Abordagem para Grafos de Conhecimento Financeiro
É nesse cenário que surge o FinEvolveKG, uma estrutura inovadora para a construção de KGs. Desenvolvido por Abhinav Arun e sua equipe, o FinEvolveKG resolve o problema da adaptação controlada ao separar blocos reutilizáveis de informações gerais e blocos de políticas de persona. Essa separação permite que um otimizador de prompt reflexivo, chamado GEPA, seja confinado mecanicamente ao bloco designado.
Durante a adaptação para uma persona específica, o bloco geral aprovado permanece inalterado, garantindo a estabilidade das regras compartilhadas. Cada edição feita pelo otimizador é localizada em uma política de persona separadamente versionada. Isso significa que as mudanças são atribuíveis e fáceis de auditar, um avanço significativo para a transparência e a confiabilidade dos sistemas de IA em finanças.
Desempenho Superior e Atribuibilidade Mecânica
A metodologia FinEvolveKG utiliza um objetivo duplo que equilibra a qualidade genérica do KG temporal com fatos, motivos e conectividade multi-salto relevantes para a persona. Os pesquisadores avaliaram cinco escopos de mutação em divisões de relatórios 10-K, utilizando três sementes para os braços condicionados à persona e três personas distintas.
Os resultados são notáveis: a abordagem completa de duas etapas com restrição de bloco (versão 4) superou a linha de base do prompt congelado (versão 1) em 19,4% a 30,9%. Além disso, ela foi superior ao fluxo de trabalho de prompt completo irrestrito testado (versão 5) em 2,2% a 6,4%. A versão 4 liderou em ambos os componentes do objetivo e venceu todas as nove comparações de sementes pareadas, apresentando a menor variância de sementes em cada persona. Mesmo em cenários fora da distribuição, a versão 4 manteve sua superioridade sobre a versão 5.
Uma auditoria realizada por especialistas no assunto (SMEs) confirmou a validade dos triplets gerados como verdade fundamental. Uma auditoria cega com dois SMEs favoreceu a versão 4 sobre a versão 5 em 70,1% dos julgamentos enriquecidos por contraste. Esses dados demonstram que a evolução mecanicamente atribuível pode coexistir com um forte desempenho empírico, sem que os ganhos sejam atribuídos causalmente à fronteira dos blocos.
O que isso muda para você
Para profissionais brasileiros do mercado financeiro, o FinEvolveKG representa um avanço crucial na forma como a inteligência artificial pode ser aplicada na construção e gestão de grafos de conhecimento. A capacidade de adaptar sistemas de IA para necessidades específicas de análise de risco, gestão de portfólio ou pesquisa de investimentos, sem comprometer a integridade e a rastreabilidade das informações base, é um diferencial competitivo.
Isso significa que as instituições financeiras podem desenvolver soluções de IA mais flexíveis e personalizadas, com a segurança de que as mudanças são controladas e auditáveis. A redução de custos associada à otimização de prompts, em vez do ajuste fino de modelos, pode democratizar o acesso a tecnologias avançadas de IA, permitindo que mais empresas, inclusive as de menor porte, explorem o potencial dos grafos de conhecimento. O próximo passo é avaliar como essa metodologia pode ser integrada em plataformas de análise de dados existentes, buscando pilotos para testar sua eficácia em contextos regulatórios e de mercado brasileiros.
