#analytics
Técnicas de análise de dados e métricas para sistemas de IA financeira
A taxonomia da NAACL 2025 se mantém, mas a cobertura tabular está ausente. Equipes de IA financeira precisam adaptar métodos de modelos de visão por conta própria.
O Fin-RATE mostra que a precisão dos LLMs cai 18,60% no acompanhamento longitudinal, com o pipeline de recuperação, não o modelo, como gargalo limitante.
LLMs pontuam até 20 pontos pior quando a resposta fica no meio do contexto, então pipelines de RAG financeiro devem colocar os melhores trechos no início ou no fim.
O AD-LLM mostra o GPT-4o atingindo 0,93–0,99 de AUROC zero-shot em anomalias de texto, mas a seleção de modelo segue instável para auditoria.
O τ-bench mostra LLMs top caindo de pass@1 0,692 para pass@4 0,462 em ferramentas de varejo. Agentes de escrita enfrentam o mesmo abismo.
O melhor modelo do ConvFinQA alcança 68,9% de precisão de execução contra 89,4% dos especialistas humanos — uma lacuna de 21 pontos que o chat contábil de múltiplas etapas ainda enfrenta.
O FinanceBench testa 16 configurações de IA em 10.231 perguntas reais da SEC: o RAG com vector store compartilhado acerta só 19%, então a recuperação não é o gargalo.
A autoconsistência vota por maioria entre muitos caminhos de raciocínio amostrados em vez de uma decodificação gulosa, somando 17,9 pontos no GSM8K sem treino extra.
