KeyFrame內部研究專用

How Kepler Built Verifiable AI for Financial Services — Vinoo Ganesh

AI Engineer22 min英文
觀看原始影片

三句話摘要

如何為金融服務建立可驗證的AI,而非只追求生產效率。 AI在金融服務的真正價值不在產生更多內容,而在通過確定性驗證機制讓每個決策都完全可追蹤到真實數據來源。 驗證危機被偽裝成引用問題:業界把「列出資料來源」當成驗證,但真正的驗證需要確定性證明數字正確且符合組織邏輯。引用只解決50%,剩下50%是確保提取的資訊代表公司獨特的理念。

重點整理

  1. 驗證危機被偽裝成引用問題:業界把「列出資料來源」當成驗證,但真正的驗證需要確定性證明數字正確且符合組織邏輯。引用只解決50%,剩下50%是確保提取的資訊代表公司獨特的理念。

  2. 傳統金融工具是唯讀瓶頸:彭博社、FactSet之所以被採用,是用來推卸責任,而非因為數據準確。它們無法改變工作流,分析師仍然在凌晨四點手工將PDF數字輸入Excel,LLM無法負責這類決策性工作。

  3. AI與確定性系統必須分層:LLM應決定「要計算什麼」,不應執行「如何計算」。數據庫和數值引擎才該寫入、計算數字;用十億參數模型算1+1是浪費,應讓CPU週期處理。

  4. 可驗證的工作流才是真價值:通過原子溯源、作用域決定論、推導鏈三機制,可在秒級完成合併財務報表,每數字可溯源,讓年薪600-700萬美元的分析師從重複性勞動解放——聽財報逐字稿、翻年度10-K表格、建立基礎財務模型。

實用技巧與重點

  • Kepler平台三核心機制:
  • 原子溯源:模型決定從何提取,程式負責寫入和驗證;模型無法篡改數字
  • 作用域決定論:模型決策層與計算層分離;模型不執行數學,由確定性工具計算
  • 推導鏈:追蹤每個數字來源,全流程可重播和倒帶
  • 具體做法:
  • 確定性檢查:無法獨立驗證的數字直接刪除
  • 數字必須遵循確定性檢查、簿記邏輯
  • 平台知道什麼能從結構化數據提取、什麼不能
  • 避免從散文、原始表格提取(容易幻覺)
  • 應用場景與效果:
  • 秒級完成合併財務報表(vs.傳統承包商服務CapIQ、Deloopa)
  • 按需求格式生成DCF模型,無虛假行
  • 分析師從重複性工作解放(年薪600-700萬美元)
  • 財報電話會議逐字稿自動分析
  • 歷年8-K、10-K表格快速回顧

結論

AI在金融服務的真正價值不在產生更多內容,而在通過確定性驗證機制讓每個決策都完全可追蹤到真實數據來源。

完整解析

金融服務業對AI陷入了一個看似矛盾的困境。LLM能以驚人速度生成龐大內容量——程式碼、文案、財務分析——但業界卻幾乎無法驗證這些內容的準確性。Venu Ganesh指出,當前討論都聚焦於「如何讓AI做更多工作」,卻很少涉及「如何讓AI產出可信結果」。根本問題在於業界將「信任與可驗證性」這兩個術語濫用,用非確定性LLM得出確定性結論,但LLM本質是機率機器,無法保證確定性。

傳統金融工具如彭博社和FactSet被廣泛採用的真實原因並非數據更準確,而是能推卸責任——給所有華爾街人提供「共同的事實基礎」。但這些都是唯讀系統,無法改變工作流程。分析師依然需要消費資訊後產出分析,這導致分析師凌晨四點還在工作,投資銀行員工因過度勞累瀕臨崩潰。AI雖能快速給出答案,卻無法支撐任何有意義的工作流。

監管機構(如SEC、OCC)的硬性要求使問題更加複雑:所有交易決策必須有可追蹤的信息來源支撐。傳統做法是透過引用列出資料來源,但這只是成功的一半。真正的驗證需要確定性證明某個數字確實正確,並符合組織特定的邏輯規範。舉例來說,兩個投資人可能持有相同信息卻做出相反決策,驗證的不是「事實真相」,而是「輸出是否符合我們組織的邏輯」。

Kepler的解決方案在於分離AI的能力邊界。LLM擅長推理和決策規劃,卻不應進行數學計算——為什麼要用十億參數模型算1+1而不用CPU週期?平台採用三個核心機制:首先是原子溯源,模型決定從何處提取數字,由確定性程式寫入和驗證,模型本身無法篡改數字;其次是作用域決定論,模型決策層與計算層完全分離,模型決定「要計算什麼」,由數據庫等確定性工具執行「如何計算」;最後是推導鏈,每個數字都能被追蹤到來源,整個過程可重播和驗證。

這個設計帶來實際收益。複雜工作如合併財務報表能在幾秒內完成,每個數字都可溯源,且不會產生虛假引用。不再需要依賴CapIQ、Deloopa等使用海外承包商的服務。更重要的是,分析師能從消耗數年職業生涯的重複性勞動中解放——不用再花時間聽財報電話逐字稿、翻閱多年10-K表格、手工建立財務模型V0版本。這類工作通常佔據年薪600-700萬美元分析師的大量時間。

Ganesh認為這種轉變是不可避免的。他將其類比於電商的SSL前時代——在加密技術出現前,沒有人願意在線輸入信用卡號。同樣地,若不建立可驗證機制,AI永遠無法在金融領域達成真正的規模應用。這不是技術問題,而是系統設計的根本性轉變。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。