Agentic Financial Reasoning with Knowledge Graphs and LLMs

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’orateur présente une recherche originale avec une méthodologie rigoureuse, des résultats quantitatifs (amélioration de 20% de précision, réduction de 70% des tokens) et qualitatifs (analyse des erreurs). L’argumentation est solide, appuyée par des expériences contrôlées et des comparaisons systématiques. L’orateur justifie l’importance des KG par des considérations théoriques et empiriques, et répond aux objections potentielles (comme l’essor des LLM de raisonnement).

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’orateur cite des travaux (FinReflectKG, DeepSeek-R1) et fournit des liens vers des papiers et datasets. La qualité des sources est correcte, mais la présentation ne détaille pas toutes les références. L’adéquation titre/contenu est bonne : le titre reflète le sujet. Aucun commentaire n’a été fourni, donc aucune tendance n’est analysée.

Le titre est précis et reflète bien le contenu : il s'agit d'une présentation sur le raisonnement financier agentique utilisant des graphes de connaissances et des LLM.

8/10

Présentation d'une recherche originale avec méthodologie détaillée, résultats quantitatifs et qualitatifs, et référence à des publications académiques. La fiabilité est élevée, bien que la présentation soit une conférence et non un article évalué par les pairs.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction : le problème de la fiabilité des agents financiers, complexité des documents et exigences des utilisateurs.
• 03:00Présentation de l'évolution de la recherche sur les graphes et l'IA, et de la 'crise de la récupération'.
• 07:00Explication de la structure inhérente à la finance : segmentation, temporalité, ontologie, relations.
• 10:00Construction de FinReflectKG : pipeline d'extraction, évaluation, et publication du plus grand KG financier open source.
• 13:00Génération du benchmark FinReflectKG-MultiHop : questions multi-sauts contrôlées, topologies, et validation.
• 16:00Conception de l'expérience : six protocoles de preuves, modèles de raisonnement, et mesure de la précision et des tokens.
• 19:00Résultats : les preuves KG améliorent la précision de 20% et réduisent les tokens de 70% ; analyse des erreurs.
• 22:00Discussion sur l'architecture des agents : préconstruction, requête, orchestration, évaluation.
• 25:00Synthèse : le champ converge vers la structure, et développement piloté par l'évaluation.
• 28:00Question-réponse : clarification sur 'évaluer puis développer'.

• FinReflectKG paper — Papier présentant le framework de construction et d'évaluation de KG à grande échelle.
• FinReflectKG dataset — Dataset open source du plus grand KG financier.
• DeepSeek-R1 paper — Papier sur les LLM de raisonnement avec scaling du temps de test, mentionné comme défi à l'hypothèse.

• GraphRAG: Unlocking LLM discovery on narrative private data — Travaux sur l'utilisation de graphes pour améliorer le RAG, cohérents avec les résultats présentés.
• HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models — Méthode de RAG basée sur des graphes, soutenant l'idée que la structure améliore la récupération.

• DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning — Ce papier suggère que les LLM de raisonnement peuvent résoudre des problèmes complexes sans structure externe, ce qui contredit l'hypothèse que les KG sont nécessaires. La présentation répond à cette objection en montrant que même les meilleurs modèles bénéficient de preuves structurées.