如何利用人工智能撰写财报电话会议问答讨论摘要

在财报电话会议中，分析师与管理层的问答环节往往蕴含着深刻的见解。然而，现实是，几乎没有人有足够的时间去收听成百上千个电话会议，并从中提炼出核心主题。幸运的是，一个经过巧妙设计的大型语言模型能够胜任这项任务。

本文将介绍慧甚FactSet是如何利用大语言模型（LLM）的问答摘要功能，来进一步优化客户工作流程的。该LLM能够：

■  缩减客户筛选通话记录的时间

■  协助客户在工作站中快速定位需要进一步研究的领域 

■  让客户可以将更多精力聚焦于决策过程

我们希望通过分享这些实践经验和核心成果，助力您的企业踏上LLM的探索之旅。在接下来的访谈中，我们将与负责领导这一项目的慧甚员工：数据解决方案工程高级总监Gail Miller和FactSet StreetAccount内容总监Brian Merrit，共同探讨这一话题。

这是因为慧甚FactSet StreetAccount 的作者们，虽然他们拥有全球市场专业知识，并且能够在慧甚平台上发布高质量财经新闻摘要，获得专业投资人士的信赖。但新闻分析师团队成员数量有限，对他们来说，财报季期间接听和总结财报电话会议是一项非常耗费资源的任务。

对我们的客户来说，财报季期间每天需要收听多个财报电话会议并提炼出关键内容，也是一项非常耗费时间的任务。我们意识到了这些限制，因此在ChatGPT 4生成式人工智能模型出现后，我们决定整合这一先进技术来解决资源不足的问题。通过这项技术，我们能够提供更精炼、更有价值的摘要，为用户节省更多时间进行更具战略意义的分析。以下是慧甚工作站的输出截图。 

从今年5月开始，我们的工程师就和StreetAccount作者紧密合作，一同深入挖掘这项新技术。我们的目标是打造一个全自动的处理流程：从获取记录、发送到ChatGPT，再以StreetAccount作者的风格撰写摘要，最后再实时发布摘要内容——所有环节都要经过严格的质量检查，以防止出现误导性内容。

在项目初期，该模型生成了约1000篇摘要，每一篇都经过了StreetAccount作者的仔细评估。我们不断创建、调整、优化提示，甚至在某些情况下重新开始，直到结果达到我们预期的质量和一致性标准。我们始终保持着高层级人工监控，因为我们希望确保这些摘要不仅符合客户的期望，更能达到我们自己设立的高标准。

如今，借助LLM的强大功能，我们已经能够将数千份财报电话会议的原始记录转为间接明了、重点突出的摘要，这些摘要对于我们的客户来说具有极高的价值。

起初我们并未在使用ChatGPT时遇到严重的幻觉信息或产生质量问题。然而，数月之后，我们注意到了一些偶发性的质量问题，于是我们投入大量精力优化提示词。我们的新闻分析师和工程师并肩合作，采用“反向检查”程序，让ChatGPT自己标记出输出文本的质量问题。这样做能有效防止因ChatGPT的幻觉导致的严重失实，确保信息的准确性。

我们通过简单明了的方法构建了这个LLM。它使我们能够： 

■  迅速构建必要技术框架、基础设施和工具 

■  不断改进方法，确保质量稳定性并突破ChatGPT的限制 

■  创想更先进的应用及未来的用例

虽然我们的方法仍需要日常的人工监督来确保准确度和质量，但效率的提升已经相当显著。迄今为止，我们已经发布了3000多份摘要，并将覆盖范围扩大至Russell 3000和TSX综合指数。我们将在北美、欧洲和亚太地区制作数千份摘要。

截止2023年底，预计由LLM撰写的摘要产量将相当于约15位经验丰富的作者一年的撰稿量。

欢迎与我们分享您在业务上的挑战： https://go.factset.com/zh/