論文の概要: Agentic AI Systems Applied to tasks in Financial Services: Modeling and model risk management crews

• arxiv url: http://arxiv.org/abs/2502.05439v2
• Date: Tue, 29 Apr 2025 18:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.26303
• Title: Agentic AI Systems Applied to tasks in Financial Services: Modeling and model risk management crews
• Title（参考訳）: 金融サービスにおけるタスクに応用されたエージェントAIシステム:リスク管理員のモデリングとモデル
• Authors: Izunna Okpala, Ashkan Golgoon, Arjun Ravi Kannan,
• Abstract要約: 本稿では,金融サービス産業におけるエージェント・システム・プログラムについて考察する。 我々は、複雑なモデリングやリスク管理タスクのモデル化に効果的に協力できる、Human-in-the-loopモジュールを備えたエージェントクルーを構築します。 本報告では, モデルおよびMRM乗組員の有効性とロバスト性について, 一連の数値例を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of large language models has ushered in a new era of agentic systems, where artificial intelligence programs exhibit remarkable autonomous decision-making capabilities across diverse domains. This paper explores agentic system workflows in the financial services industry. In particular, we build agentic crews with human-in-the-loop module that can effectively collaborate to perform complex modeling and model risk management (MRM) tasks. The modeling crew consists of a judge agent and multiple agents who perform specific tasks such as exploratory data analysis, feature engineering, model selection/hyperparameter tuning, model training, model evaluation, and writing documentation. The MRM crew consists of a judge agent along with specialized agents who perform tasks such as checking compliance of modeling documentation, model replication, conceptual soundness, analysis of outcomes, and writing documentation. We demonstrate the effectiveness and robustness of modeling and MRM crews by presenting a series of numerical examples applied to credit card fraud detection, credit card approval, and portfolio credit risk modeling datasets.
• Abstract（参考訳）: 大規模言語モデルの出現は、人工知能プログラムが様々な領域にまたがる優れた自律的な意思決定能力を示すエージェントシステムの新しい時代を後押ししてきた。 本稿では,金融サービス産業におけるエージェントシステムワークフローについて考察する。 特に、複雑なモデリングとモデルリスク管理(MRM)タスクを効果的に行うことができる、Human-in-the-loopモジュールによるエージェントクルーを構築する。 モデリングクルーは、審査員と複数のエージェントで構成され、探索データ分析、特徴工学、モデル選択/ハイパーパラメータチューニング、モデルトレーニング、モデル評価、文書作成などの特定のタスクを実行する。 MRMのクルーは、審査員と、モデリング文書のコンプライアンスの確認、モデルの複製、概念的健全性、結果の分析、文書の作成といったタスクを行う専門エージェントで構成されている。 本稿では、クレジットカード不正検出、クレジットカード承認、ポートフォリオ信用リスクモデリングデータセットに適用される数値例を提示することにより、モデリングおよびMRMクルーの有効性とロバスト性を実証する。

関連論文リスト

• From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review [1.4929298667651645]
  大規模言語モデルと自律型AIエージェントを評価するベンチマークを2019年から2025年にかけて開発した。 本稿では,知識推論,数学的問題解決,コード生成とソフトウェア工学,事実的根拠と検索,ドメイン固有評価,マルチモーダルおよび具体的タスク,タスクオーケストレーション,インタラクティブアセスメントを対象とする約60のベンチマークの分類法を提案する。 我々は、材料科学、バイオメディカルリサーチ、学術思想、ソフトウェア工学、合成データ生成、数学的問題解決、地理情報システム、マルチメディア、医療、金融における自律型AIエージェントの現実的な応用を提示する。
  論文  参考訳（メタデータ） (2025-04-28T11:08:22Z)
• A Multi-Agent Perspective on Modern Information Retrieval [12.228832858396368]
  大規模言語モデル(LLM)の台頭は情報検索(IR)の新しい時代をもたらした。 このシフトは、長年にわたるIRパラダイムに挑戦し、理論的なフレームワークと実践的な方法論の両方の再評価を要求する。 我々は、クエリエージェント、ドキュメントエージェント、ランサーエージェント間の複雑な相互作用をよりよく捉えるために、マルチエージェントの視点を提唱する。
  論文  参考訳（メタデータ） (2025-02-20T18:17:26Z)
• GUI Agents with Foundation Models: A Comprehensive Survey [52.991688542729385]
  この調査は(M)LLMベースのGUIエージェントに関する最近の研究を集約する。 データ、フレームワーク、アプリケーションにおける重要なイノベーションを強調します。 本稿では, (M)LLM ベースの GUI エージェントの分野におけるさらなる発展を期待する。
  論文  参考訳（メタデータ） (2024-11-07T17:28:10Z)
• CRMArena: Understanding the Capacity of LLM Agents to Perform Professional CRM Tasks in Realistic Environments [90.29937153770835]
  CRMArenaは、プロフェッショナルな作業環境に根ざした現実的なタスクにおいて、AIエージェントを評価するために設計されたベンチマークである。 現状のLDMエージェントはReActプロンプトのタスクの40%以下で成功し,機能呼び出し能力でも55%以下であった。 この結果から,実環境に展開する関数呼び出しやルールフォローにおいて,エージェント機能の向上の必要性が示唆された。
  論文  参考訳（メタデータ） (2024-11-04T17:30:51Z)
• Proactive Agent: Shifting LLM Agents from Reactive Responses to Active Assistance [95.03771007780976]
  我々は、人間の指示なしにタスクを予測および開始できるプロアクティブエージェントを開発するという課題に取り組む。 まず,実世界の人的活動を収集し,前向きなタスク予測を生成する。 これらの予測は、ヒトのアノテータによって受け入れられるか拒否されるかのどちらかとしてラベル付けされる。 ラベル付きデータは、人間の判断をシミュレートする報酬モデルをトレーニングするために使用される。
  論文  参考訳（メタデータ） (2024-10-16T08:24:09Z)
• Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
  本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。 特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-26T13:26:44Z)
• Private Agent-Based Modeling [13.072333113108531]
  意思決定におけるエージェントベースのモデルの有用性は、人口を正確に再現する能力に依存している。 しかし、そのようなデータを組み込むことは、プライバシー上の懸念から大きな課題を生んでいる。 本稿では,エージェント属性やインタラクションを集中化せずにエージェントモデルシミュレーション,キャリブレーション,解析を行うことのできる,プライベートエージェントベースモデリングのためのパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:30:40Z)
• An Interactive Agent Foundation Model [49.77861810045509]
  本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。 トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。 私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
  論文  参考訳（メタデータ） (2024-02-08T18:58:02Z)
• TrainerAgent: Customizable and Efficient Model Training through LLM-Powered Multi-Agent System [14.019244136838017]
  TrainerAgentは、タスク、データ、モデル、サーバーエージェントを含むマルチエージェントフレームワークである。 これらのエージェントは、ユーザ定義のタスク、入力データ、要求(例えば、精度、速度)を分析し、データとモデルの両方の観点からそれらを最適化して満足なモデルを取得し、最終的にこれらのモデルをオンラインサービスとしてデプロイする。 本研究は,従来のモデル開発と比較して,効率と品質が向上した望ましいモデルの実現において,大きな進歩を示すものである。
  論文  参考訳（メタデータ） (2023-11-11T17:39:24Z)
• Multi-Agent Collaboration: Harnessing the Power of Intelligent LLM Agents [0.0]
  本稿では,マルチエージェントシステムのパワーを活用した大規模言語モデル(LLM)の能力向上のための新しいフレームワークを提案する。 本フレームワークでは,複数の知的エージェントコンポーネントがそれぞれ特有な属性と役割を持つ協調環境を導入し,複雑なタスクをより効率的に効率的に処理する。
  論文  参考訳（メタデータ） (2023-06-05T23:55:37Z)
• Phantom -- A RL-driven multi-agent framework to model complex systems [1.0499611180329804]
  Phantomは複雑なマルチエージェントシステムのエージェントベースのモデリングのためのRL駆動のフレームワークである。 MARL互換の方法でABM仕様を簡素化するツールを提供することを目標としている。 これらの特徴,その設計根拠,およびフレームワークを活用した2つの新しい環境について述べる。
  論文  参考訳（メタデータ） (2022-10-12T08:37:38Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Quantitatively Assessing the Benefits of Model-driven Development in Agent-based Modeling and Simulation [80.49040344355431]
  本稿では,MDD とABMS プラットフォームの利用状況と開発ミスについて比較する。 その結果、MDD4ABMSはNetLogoと類似した設計品質のシミュレーションを開発するのに、より少ない労力を必要とすることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T23:29:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。