論文の概要: Oculi: A Conversational Agentic Platform for Automated Credit Risk Analysis
- arxiv url: http://arxiv.org/abs/2608.28944v1
- Date: Fri, 28 Aug 2026 23:29:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.79136
- Title: Oculi: A Conversational Agentic Platform for Automated Credit Risk Analysis
- Title（参考訳）: Oculi: 自動信用リスク分析のための対話型エージェントプラットフォーム
- Abstract要約: Oculiは自然言語の質問を総合的な信用リスク分析に変換する対話型プラットフォームである。
Oculiは、推論(LLMベースのエージェント)、実行(Model Context Protocolツールサーバ)、プレゼンテーション(アニメーションUI)を分離する3層アーキテクチャを採用している。
- 参考スコア（独自算出の注目度）: 3.9479959948925356
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Credit risk analysis in financial institutions traditionally requires analysts to manually write SQL queries, run statistical computations, and build visualization dashboards. This is a time-consuming workflow that limits exploration to familiar segments. We introduce \textbf{Oculi}, a conversational platform that transforms natural language questions into comprehensive credit risk analyses, complete with data queries, statistical testing, and interactive visualizations. Oculi employs a three-layer architecture that separates reasoning (LLM-powered agent), execution (Model Context Protocol tool servers), and presentation (agentic UI), enabling analysts to discover high-risk portfolio segments. Within Oculi, a new segment discovery pipeline is proposed that combines deterministic statistical methods with LLM-guided feature selection, leveraging LLM semantic domain knowledge alongside data-driven metrics to identify meaningful, actionable portfolio segments. Evaluated on a mortgage portfolio with 200+ features, Oculi demonstrates effectiveness in discovering material risk segments previously intractable through manual exploration, reducing time-to-insight significantly while maintaining auditability and statistical rigor.
- Abstract（参考訳）: 金融機関の信用リスク分析は、伝統的にアナリストがSQLクエリを手動で記述し、統計計算を実行し、視覚化ダッシュボードを構築する必要がある。
これは、探索を慣れ親しんだセグメントに制限する時間を要するワークフローである。
本稿では,自然言語質問を包括的信用リスク分析に変換し,データクエリ,統計的テスト,インタラクティブな可視化を行う対話型プラットフォームである‘textbf{Oculi}’を紹介する。
Oculiでは、推論(LLMベースのエージェント)、実行(Model Context Protocolツールサーバ)、プレゼンテーション(アジェンティックUI)を分離する3層アーキテクチャを採用している。
Oculi内では、決定論的統計手法とLLM誘導特徴選択を組み合わせた新しいセグメント発見パイプラインが提案され、LLM意味ドメイン知識とデータ駆動メトリクスを活用して、意味があり、実行可能なポートフォリオセグメントを識別する。
Oculiは200以上の機能を持つ住宅ローンポートフォリオに基づいて評価され、手動による探究によって従来は難航していた材料リスクセグメントの発見の有効性を示し、監査性と統計的厳密性を維持しながら、監視の時間を大幅に短縮する。
関連論文リスト
- Agentic Interpretation: Lattice-Structured Evidence for LLM-Based Program Analysis [2.1833756646187763]
本稿では,格子に基づく静的解析の原理をプログラム推論に適用するフレームワークであるエージェント解釈を提案する。
ワークリストアルゴリズムは、分析中にクレームとその判断がどのように進化するかを決定する。
論文 参考訳（メタデータ） (2026-05-12T19:46:24Z) - PMAx: An Agentic Framework for AI-Driven Process Mining [44.712128560040384]
仮想プロセスアナリストとして機能する自律エージェントフレームワークであるPMAxを提案する。
プロセスモデルの生成や解析結果の計算にLLMに頼るのではなく、プライバシを保存するマルチエージェントアーキテクチャを採用している。
論文 参考訳（メタデータ） (2026-03-16T14:35:39Z) - CryptoBench: A Dynamic Benchmark for Expert-Level Evaluation of LLM Agents in Cryptocurrency [60.83660377169452]
本稿では,Large Language Model (LLM)エージェントの現実的能力を厳格に評価するために設計された,最初の専門家による動的ベンチマークであるCryptoBenchを紹介する。
検索と予測のための汎用エージェントベンチマークとは異なり、プロの暗号分析は特定の課題を提示する。
論文 参考訳（メタデータ） (2025-11-29T09:52:34Z) - Exploratory Semantic Reliability Analysis of Wind Turbine Maintenance Logs using Large Language Models [0.0]
本稿では、より複雑な推論タスクに現代大規模言語モデル(LLM)を活用する際のギャップについて論じる。
我々は,LLMを用いた探索的フレームワークを導入し,分類を超えて意味分析を行う。
以上の結果から,LSMは,テキスト情報や行動可能な専門家レベルの仮説を合成するためにラベル付けを超えて,強力な"信頼性共パイロット"として機能できることが示唆された。
論文 参考訳（メタデータ） (2025-09-26T14:00:20Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。
このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z) - Data-to-Dashboard: Multi-Agent LLM Framework for Insightful Visualization in Enterprise Analytics [2.7933239275667545]
モジュール型LCMエージェントによるデータ・ダッシュボード・パイプラインの自動化を行うエージェントシステムを提案する。
既存のグラフシステムとは異なり、我々のフレームワークはビジネスアナリストの分析的推論プロセスをシミュレートする。
提案手法は, 評価指標の調整により, 洞察力, ドメイン関連性, 分析深度が向上したことを示す。
論文 参考訳（メタデータ） (2025-05-29T17:32:15Z) - IDA-Bench: Evaluating LLMs on Interactive Guided Data Analysis [60.32962597618861]
IDA-Benchは、多ラウンドの対話シナリオで大規模言語モデルを評価する新しいベンチマークである。
エージェント性能は、最終的な数値出力と人間由来のベースラインを比較して判断する。
最先端のコーディングエージェント(Claude-3.7-thinkingなど)でさえ50%のタスクを成功させ、シングルターンテストでは明らかでない制限を強調している。
論文 参考訳（メタデータ） (2025-05-23T09:37:52Z) - How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - Detecting LLM Hallucination Through Layer-wise Information Deficiency: Analysis of Ambiguous Prompts and Unanswerable Questions [60.31496362993982]
大規模言語モデル(LLM)は、自信を持って不正確な応答を頻繁に生成する。
本稿では,情報フローの系統的解析を通じて,モデル幻覚を検出する新しいテストタイム手法を提案する。
論文 参考訳（メタデータ） (2024-12-13T16:14:49Z) - Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - FinDABench: Benchmarking Financial Data Analysis Ability of Large Language Models [26.99936434072108]
textttFinDABenchは、大規模言語モデルの財務データ分析能力を評価するために設計されたベンチマークである。
textttFinDABenchは、LLM能力の詳細な分析のための指標を提供することを目的としている。
論文 参考訳（メタデータ） (2024-01-01T15:26:23Z)
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。