如何利用人工智慧撰寫財報電話會議問答討論摘要

在財報電話會議中，分析師與管理階層的問答環節往往蘊含著深刻的見解。然而，現實是，幾乎沒有人有足夠的時間去收聽成百上千個電話會議，並從中提煉出核心主題。幸運的是，一個經過巧妙設計的大型語言模型能夠勝任這項任務。

本文將介紹慧甚FactSet是如何利用大語言模型（LLM）的問答摘要功能，來進一步優化顧客的工作流程。該LLM能夠：

■  縮減客戶篩選通話記錄的時間

■  協助客戶在工作站中快速定位需要進一步研究的領域

■  讓客戶可以將更多精力聚焦在決策過程

我們希望透過分享這些實務經驗和核心成果，幫助您的企業踏上LLM的探索之旅。在接下來的訪談中，我們將與負責領導此專案的慧甚員工：資料解決方案工程資深總監Gail Miller和FactSet StreetAccount內容總監Brian Merrit，共同探討這個主題。

這是因為慧甚FactSet StreetAccount 的作者們，雖然他們擁有全球市場專業知識，並且能夠在慧甚平台上發布高品質財經新聞摘要，獲得專業投資人士的信賴。但新聞分析師團隊成員數量有限，對他們來說，財報季期間接聽和總結財報電話會議是一項非常耗費資源的任務。

對我們的客戶來說，財報季期間每天需要收聽多個財報電話會議並提煉出關鍵內容，也是一項非常耗費時間的任務。我們意識到了這些限制，因此在ChatGPT 4生成式人工智慧模型出現後，我們決定整合這項先進技術來解決資源不足的問題。透過這項技術，我們能夠提供更精煉、更有價值的摘要，為用戶節省更多時間進行更具策略性的分析。以下是慧甚工作站的輸出截圖。

從今年5月開始，我們的工程師就和StreetAccount作者緊密合作，一同深入挖掘這項新技術。我們的目標是打造一個全自動的處理流程：從獲取記錄、發送到ChatGPT，再以StreetAccount作者的風格撰寫摘要，最後再實時發布摘要內容——所有環節都要經過嚴格的品質檢查，以防止出現誤導性內容。

在專案初期，該模型產生了約1000篇摘要，每一篇都經過了StreetAccount作者的仔細評估。我們不斷創建、調整、優化提示，甚至在某些情況下重新開始，直到結果達到我們預期的品質和一致性標準。我們始終保持高階人工監控，因為我們希望確保這些摘要不僅符合客戶的期望，也能達到我們自己所設立的高標準。

如今，借助LLM的強大功能，我們已經能夠將數千份財報電話會議的原始記錄轉為間接明了、重點突出的摘要，這些摘要對於我們的客戶來說具有極高的價值。

起初我們並未在使用ChatGPT時遇到嚴重的幻覺訊息或產生品質問題。然而，數月之後，我們注意到了一些偶發性的品質問題，於是我們投入大量精力優化提示詞。我們的新聞分析師和工程師並肩合作，採用「反向檢查」程序，讓ChatGPT自己標記出輸出文字的品質問題。這樣做能有效防止ChatGPT的幻覺所導致的嚴重失實，確保訊息的準確性。

我們透過簡單明了的方法來建構了這個LLM。它使我們能夠：

■  迅速建構必要技術框架、基礎設施和工具

■  不斷改進方法，確保品質穩定性並突破ChatGPT的限制

■  創想更先進的應用及未來的用例

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，預計由LLM撰寫的摘要產量將相當於約15位經驗豐富的作者一年的撰稿量。

歡迎與我們分享您在業務上的挑戰：https://go.factset.com/zh/