Küçük Modellerin Yapay Zeka İçgörüleriyle İnce Ayarı ve Finansal Varlık Tanımında Doğruluk Artışı
Kaynak: huggingface.co ·
Bu çalışmada, finansal verilerdeki Varlık İsmi Tanıma (NER) işlemlerini optimize etmek amacıyla büyük dil modellerinin rehberliğinde veri etiketleme ve daha küçük open-source modellerin ince ayar süreçleri incelenmiştir. Sermaye Fonu Yönetimi ekibi, Hugging Face ekosisteminden yararlanarak ve Argilla kullanarak verileri incelemiş, daha küçük modelleri etiketlenmiş verilerle eğitmiştir. Gerçekleştirilen ince ayar sonucunda küçük modellerin doğruluğu artırılmış ve büyük dillere kıyasla maliyet avantajı sağlanmıştır.
Neden önemli?
Finansal piyasalarda büyük modellerin çalıştırılması yüksek maliyetler doğurur. Küçük modellerin ince ayar ile büyük modellere yakın performans göstermesi, şirketlerin operasyonel giderlerini ciddi oranda düşürürken veri işleme süreçlerini hızlandırmaktadır.
Bununla neler yapılabilir?
- Olası kullanım: Finansal haber başlıklarından şirket isimlerini otomatik olarak ayıklamak için küçük boyutlu modellerin kullanılması.
- Olası kullanım: Büyük dil modellerinden elde edilen etiketlerin Argilla gibi araçlar yardımıyla hızlıca incelenmesi ve veri setlerinin zenginleştirilmesi.
Somut sonuçlar ve kanıtlar
- GLiNER modeli ince ayar sonrasında F1 skorunu yüzde 87.0 oranından yüzde 93.4 oranına taşımıştır. (Üreticinin açıklaması)
- SpanMarker modeli ince ayar sonrasında F1 skorunu yüzde 47.0 oranından yüzde 90.1 oranına çıkarmıştır. (Üreticinin açıklaması)
Sınırlar ve açık kalan sorular
Çalışmada kullanılan test seti boyutu küçüktür ve sonuçlar finansal haber başlıkları üzerindeki belirli veri kümelerine dayanmaktadır; bu durum genelleme sınırlarını etkileyebilir.