LEGGI: La ricerca documentale agenziale sostituisce il recupero a scatola nera per i report finanziari
Un recente preprint su arXiv (2608.06305) critica il prevalente framework di generazione aumentata da recupero (RAG), che prevede il chunking, l'embedding e la ricerca dei k vicini più prossimi per documenti lunghi. Gli autori sostengono che questo approccio è fondamentalmente difettoso per bilanci, relazioni di revisione e dichiarazioni regolatorie. Presentano dati quantificabili: in un report finanziario governativo di 780 pagine, l'86,8% delle righe è costituito da righe di tabella, e numerose figure quasi identiche competono all'interno di un unico spazio di embedding. Inoltre, una figura spesso deriva la sua unità da un'intestazione situata a una mediana di 13 righe sopra, portando potenzialmente a errori significativi. Per rimediare a queste sfide, gli autori introducono READ (Reliable Embedding-free Agentic Document-search), che consente un'interpretazione strutturata del documento evitando il modello di recupero opaco. Questo articolo è classificato come annuncio 'nuovo' su arXiv e sottolinea i limiti dei sistemi RAG esistenti per informazioni finanziarie strutturate.
Fatti principali
- Il preprint arXiv 2608.06305 propone READ (Reliable Embedding-free Agentic Document-search).
- L'articolo critica il design RAG standard di chunking, embedding e recupero top-k per documenti lunghi.
- In un report finanziario governativo di 780 pagine, l'86,8% delle righe di contenuto sono righe di tabella.
- Migliaia di figure quasi identiche competono in un unico spazio di embedding.
- Una figura eredita la sua unità da un'intestazione a una mediana di 13 righe sopra.
- I confini dei chunk possono separare i numeri dalle loro unità, causando errori di due ordini di grandezza.
- Un chunker consapevole delle tabelle risolve il problema delle unità ma lascia il 27-30% dei chunk numerici senza intestazione di anno fiscale.
- READ è un approccio agenziale senza embedding per la ricerca documentale.
Entità
Istituzioni
- arXiv