論文の概要: AI PB: A Grounded Generative Agent for Personalized Investment Insights

• arxiv url: http://arxiv.org/abs/2510.20099v1
• Date: Thu, 23 Oct 2025 00:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.034763
• Title: AI PB: A Grounded Generative Agent for Personalized Investment Insights
• Title（参考訳）: AI PB:パーソナライズド・インベストメント・インサイトのための基盤となる生成エージェント
• Authors: Daewoo Park, Suho Park, Inseok Hong, Hanwool Lee, Junkyu Park, Sangjun Lee, Jeongman An, Hyunbin Loh,
• Abstract要約: 実店舗金融に展開する生産規模の生成エージェントであるAI PBについて紹介する。 クエリに受動的に応答するリアクティブチャットボットとは異なり、AI PBは、根拠があり、準拠し、ユーザ固有の投資洞察を積極的に生成する。
• 参考スコア（独自算出の注目度）: 8.663306347086213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present AI PB, a production-scale generative agent deployed in real retail finance. Unlike reactive chatbots that answer queries passively, AI PB proactively generates grounded, compliant, and user-specific investment insights. It integrates (i) a component-based orchestration layer that deterministically routes between internal and external LLMs based on data sensitivity, (ii) a hybrid retrieval pipeline using OpenSearch and the finance-domain embedding model, and (iii) a multi-stage recommendation mechanism combining rule heuristics, sequential behavioral modeling, and contextual bandits. Operating fully on-premises under Korean financial regulations, the system employs Docker Swarm and vLLM across 24 X NVIDIA H100 GPUs. Through human QA and system metrics, we demonstrate that grounded generation with explicit routing and layered safety can deliver trustworthy AI insights in high-stakes finance.
• Abstract（参考訳）: 実店舗金融に展開する生産規模の生成エージェントであるAI PBについて紹介する。 クエリに受動的に応答するリアクティブチャットボットとは異なり、AI PBは、根拠があり、準拠し、ユーザ固有の投資洞察を積極的に生成する。 統合する i)データ感度に基づいて内部と外部のLLMを決定的にルーティングするコンポーネントベースのオーケストレーション層。 (ii)OpenSearchと金融ドメイン埋め込みモデルを用いたハイブリッド検索パイプライン 三 規則ヒューリスティックス、シーケンシャルな行動モデリング、文脈的包帯を組み合わせた多段階推薦機構。 韓国の金融規制の下で完全にオンプレミスで運用されているこのシステムは、Docker SwarmとvLLMを24XNVIDIA H100 GPUで採用している。 人間のQAとシステムメトリクスを通じて、明示的なルーティングと階層化された安全性を備えた基底生成が、高額の財務において信頼できるAI洞察を提供できることを実証します。

関連論文リスト

• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• Co-Investigator AI: The Rise of Agentic AI for Smarter, Trustworthy AML Compliance Narratives [2.7295959384567356]
  Co-Investigator AIは、SAR(Suspicious Activity Reports)の作成に最適化されたエージェントフレームワークであり、従来の方法よりも大幅に高速で精度が高い。 我々は、SARの草案作成を効率化し、物語を規制上の期待と一致させ、コンプライアンスチームが高次の分析作業に集中できるようにする能力を示します。
  論文  参考訳（メタデータ） (2025-09-10T08:16:04Z)
• Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
  汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。 現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。 我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
  論文  参考訳（メタデータ） (2025-08-01T08:11:31Z)
• AI for Climate Finance: Agentic Retrieval and Multi-Step Reasoning for Early Warning System Investments [1.3192560874022086]
  本研究は、気候リスク・早期警戒システム(CREWS)ファンドにおけるEWS投資の追跡という現実的な応用に焦点を当てる。 我々は25のMDBプロジェクト文書を分析し、ゼロショット学習や少数ショット学習を含む複数のAI駆動型分類手法を評価する。 以上の結果より, エージェントベースRAGアプローチは, 87%の精度, 89%の精度, 83%のリコールを達成し, 他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-07T14:11:11Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• QuantAgent: Seeking Holy Grail in Trading by Self-Improving Large Language Model [14.800710112671226]
  本稿では,ドメイン固有の知識基盤を効率的に構築し,統合する上での課題に対処する,原則的枠組みを提案する。 内側のループでは、エージェントは知識ベースから引き出すことで応答を洗練し、外側のループでは、これらの応答は現実世界のシナリオでテストされる。 我々はこのフレームワークを、QuantAgentという名のトレーディングシグナルをマイニングするための自律エージェントを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2024-02-06T06:47:14Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。