NVIDIA a introduit des méthodes utilisant son framework NeMo pour générer des données synthétiques afin d'ajuster finement (fine-tuning) les grands modèles de langage dans le traitement du langage naturel financier. Cette approche comble les limites des ensembles de données réels, qui surexposent souvent des événements courants comme les rapports sur les bénéfices tout en sous-représentant des occurrences plus rares.
- La génération synthétique aide à combler les lacunes de données pour la recherche sur le trading, la modélisation des risques et la surveillance.
- La méthode cible des événements rares spécifiques tels que les changements de notation de crédit, les approbations de produits et les problèmes du travail.
- Cette technique vise à améliorer les performances des modèles sur des tâches NLP financières déséquilibrées.
En créant des exemples synthétiques d'événements financiers moins fréquents, les chercheurs peuvent mieux entraîner les modèles pour une analyse complète du marché.