FinReflectKG: come costruire e misurare la qualità dei knowledge graph finanziari di nuova generazione
Negli ultimi anni i Large Language Models (LLM) hanno reso più semplice creare knowledge graph, ma non sempre con la qualità, la precisione e l’affidabilità necessarie. I Knowledge Graph (KG) finanziari attualmente disponibili, che dovrebbero trasformare informazioni non strutturate in dati leggibili e interconnessi, risultano spesso troppo limitati, ancora troppo legati a contenuti di attualità o privi di valutazioni rigorose. Tutti fattori che ne riducono l’utilit reale nel settore finanziario.
Con FinReflectKG, Domyn introduce il primo knowledge graph finanziario open-source su vasta scala: una base solida per applicazioni di intelligenza artificiale affidabili, trasparenti e compatibili con i requisiti regolatori.Costruito su oltre dieci anni di filing ufficiali SEC 10-K (2014–2024), FinReflectKG trasforma i dati aziendali in conoscenza strutturata e interrogabile. Non si limita a elaborare i testi, ma interpreta anche tabelle, riconosce schemi e affina progressivamente la qualità dei risultati attraverso un reflection loop.
La vera forza di FinReflectKG è la sua applicazione ai casi reali. I professionisti possono usarlo per formulare domande complesse e ricevere risposte strutturate che intrecciano diverse informazioni. Dall’analisi di bilanci complessi all’individuazione di opportunità di mercato, fino alla creazione di modelli predittivi su rischi e andamenti finanziari. Tutto questo con una garanzia fondamentale: il grafo si fonda esclusivamente sui dati più autorevoli, i filing SEC, assicurando trasparenza, affidabilità e possibilità di verifica. Un vantaggio che lo rende una risorsa strategica per ambienti altamente regolamentati, come i servizi finanziari.
A differenza dei dataset derivati da notizie comuni, spesso frammentarie e poco affidabili, FinReflectKG si fonda esclusivamente su documenti ufficiali e verificati, garantendo qualità, coerenza e credibilità. È una risorsa open access che copre tutte le aziende dell’S&P 500 e mette a disposizione un framework flessibile, adattabile alle diverse esigenze: gli utenti possono scegliere se puntare sulla rapidità dell’estrazione (single-pass), su un compromesso tra velocità e precisione (multi-pass), oppure su analisi più approfondite che includono cicli di revisione automatica per massimizzare l’accuratezza (reflection-agent).
Il sistema di valutazione integrato in FinReflectKG dimostra che è possibile costruire knowledge graph affidabili e di alta qualità per la finanza. Il sistema non valuta solo l’accuratezza dei dati: controlla anche che entità e collegamenti rispettino la struttura del grafo, che siano incluse diverse tipologie di informazioni e relazioni finanziarie, e applica ulteriori verifiche tramite modelli linguistici avanzati.
Con questo lavoro, Bhaskarjit Sarmah, Stefano Pasquali, Abhinav Arun, Fabrizio Dimino e Tejas Prakash fissano un nuovo standard per la qualità e l’affidabilità dei knowledge graph, contribuendo a sviluppare soluzioni finanziarie basate su LLM più chiare e verificabili.
