在財報電話會議中，分析師與管理階層的問答環節往往蘊含著深刻的見解。然而，現實是，幾乎沒有人有足夠的時間去收聽成百上千個電話會議，並從中提煉出核心主題。幸運的是，一個經過巧妙設計的大型語言模型能夠勝任這項任務。
本文將介紹慧甚FactSet是如何利用大語言模型（LLM）的問答摘要功能，來進一步優化顧客的工作流程。該LLM能夠：
■ 縮減客戶篩選通話記錄的時間
■ 協助客戶在工作站中快速定位需要進一步研究的領域
■ 讓客戶可以將更多精力聚焦在決策過程
我們希望透過分享這些實務經驗和核心成果，幫助您的企業踏上LLM的探索之旅。在接下來的訪談中，我們將與負責領導此專案的慧甚員工：資料解決方案工程資深總監Gail Miller和FactSet StreetAccount內容總監Brian Merrit，共同探討這個主題。
為什麼要開發一款能撰寫財報電話會議問答摘要的生成式人工智慧解決方案呢？
這是因為慧甚FactSet StreetAccount 的作者們，雖然他們擁有全球市場專業知識，並且能夠在慧甚平台上發布高品質財經新聞摘要，獲得專業投資人士的信賴。但新聞分析師團隊成員數量有限，對他們來說，財報季期間接聽和總結財報電話會議是一項非常耗費資源的任務。
對我們的客戶來說，財報季期間每天需要收聽多個財報電話會議並提煉出關鍵內容，也是一項非常耗費時間的任務。我們意識到了這些限制，因此在ChatGPT 4生成式人工智慧模型出現後，我們決定整合這項先進技術來解決資源不足的問題。透過這項技術，我們能夠提供更精煉、更有價值的摘要，為用戶節省更多時間進行更具策略性的分析。以下是慧甚工作站的輸出截圖。
請介紹一下該LLM的開發過程？
從今年5月開始，我們的工程師就和StreetAccount作者緊密合作，一同深入挖掘這項新技術。我們的目標是打造一個全自動的處理流程：從獲取記錄、發送到ChatGPT，再以StreetAccount作者的風格撰寫摘要，最後再實時發布摘要內容——所有環節都要經過嚴格的品質檢查，以防止出現誤導性內容。
在專案初期，該模型產生了約1000篇摘要，每一篇都經過了StreetAccount作者的仔細評估。我們不斷創建、調整、優化提示，甚至在某些情況下重新開始，直到結果達到我們預期的品質和一致性標準。我們始終保持高階人工監控，因為我們希望確保這些摘要不僅符合客戶的期望，也能達到我們自己所設立的高標準。
如今，借助LLM的強大功能，我們已經能夠將數千份財報電話會議的原始記錄轉為間接明了、重點突出的摘要，這些摘要對於我們的客戶來說具有極高的價值。
大型語言模型有時會編造或產生幻覺訊息。你們是如何解決這問題的？
起初我們並未在使用ChatGPT時遇到嚴重的幻覺訊息或產生品質問題。然而，數月之後，我們注意到了一些偶發性的品質問題，於是我們投入大量精力優化提示詞。我們的新聞分析師和工程師並肩合作，採用「反向檢查」程序，讓ChatGPT自己標記出輸出文字的品質問題。這樣做能有效防止ChatGPT的幻覺所導致的嚴重失實，確保訊息的準確性。
你們如何評價所做的工作？接下來還會做哪些工作？
我們透過簡單明了的方法來建構了這個LLM。它使我們能夠：
■ 迅速建構必要技術框架、基礎設施和工具
■ 不斷改進方法，確保品質穩定性並突破ChatGPT的限制
■ 創想更先進的應用及未來的用例
虽然我们的方法仍需要日常的人工监督来确保准确度和质量，但效率的提升已经相当显著。迄今为止，我们已经发布了3000多份摘要，并将覆盖范围扩大至Russell 3000和TSX综合指数。我们将在北美、欧洲和亚太地区制作数千份摘要。
截止2023年底，預計由LLM撰寫的摘要產量將相當於約15位經驗豐富的作者一年的撰稿量。
歡迎與我們分享您在業務上的挑戰：https://go.factset.com/zh/
* 本文內容僅代表作者個人觀點，讀者不應以本文作為任何投資依據。在做出任何投資決定之前，您應該尋求獨立財務顧問的建議，以確保您了解風險。差價合約（CFD）是槓桿性產品，有可能導致您損失全部資金。這些產品並不適合所有人，請謹慎投資。查閱詳情
