NVIDIA telah memperkenalkan metode menggunakan framework NeMo-nya untuk menghasilkan data sintetis guna melakukan fine-tuning pada model bahasa besar dalam pemrosesan bahasa alami keuangan. Pendekatan ini mengatasi keterbatasan dataset dunia nyata, yang sering kali terlalu mewakili kejadian umum seperti laporan laba rugi sambil merepresentasikan secara kurang kejadian yang lebih jarang.
- Generasi sintetis membantu mengisi kesenjangan data untuk riset perdagangan, pemodelan risiko, dan pengawasan.
- Metode ini menargetkan kejadian langka tertentu seperti perubahan peringkat kredit, persetujuan produk, dan masalah ketenagakerjaan.
- Teknik ini bertujuan meningkatkan kinerja model pada tugas NLP keuangan yang tidak seimbang.
Dengan membuat contoh sintetis dari kejadian keuangan yang kurang sering terjadi, peneliti dapat melatih model dengan lebih baik untuk analisis pasar yang komprehensif.