Az LLM-ek, mint a jövő pénzügyi tanácsadói - A nagy nyelvi modellek CFP-vizsgán elért teljesítményének értékelése és jövőbeli integrációjuk vizsgálata

Papp Gyula Roland (2023) Az LLM-ek, mint a jövő pénzügyi tanácsadói - A nagy nyelvi modellek CFP-vizsgán elért teljesítményének értékelése és jövőbeli integrációjuk vizsgálata. Külkereskedelmi Kar.

	PDF PappGyula_Szakdolgozat-3.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF Papp Gyula Roland.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (277kB)
	PDF Papp Gyula szakdolgozat értékelés-2.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (716kB)

Absztrakt (kivonat)

A pénzügyi tanácsadási szolgáltatások egyre növekvő piacán a fejlett nagy nyelvi modellek (LLM), mint például a GPT-3.5, GPT-4, Google Bard és META LLaMA 2 integrálása egyre nagyobb jelentőséggel bír. Ez a dolgozat ezeknek az LLM-eknek a hatékonyságát vizsgálja a Certified Financial Planner (CFP) vizsgán, amely a pénzügyi tanácsadás egyik kritikus mércéje. A tanulmány a zero-shot prompting megközelítést alkalmazva szigorúan értékeli a modellek teljesítményét a vizsga során felmerülő különböző típusú kérdésekben. Az eredmények jelentős eltérést mutattak e modellek teljesítménye között, a GPT-4 84,77%-os pontossággal végzett az élen, jelentősen felülmúlva a többi modell teljesítményét. A GPT-3.5 és a Google Bard hasonló eredményeket produkáltak 63,45%-os, illetve 63,96%-os pontossággal, míg a META LLaMA 70B 51,78%-os pontossággal lemaradt. Ezek az eredmények rávilágítanak az LLM-ek terén elért jelentős előrelépésekre és a pénzügyi tanácsadásban való potenciális alkalmazásukra.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Külkereskedelmi Kar

Tanszék

Társadalomtudomány Módszertan Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Nemzetközi gazdálkodás

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	fejlődés, gazdasági tanácsadás, mesterséges intelligencia, pénzügy, termelékenység
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2024. Feb. 22. 10:37
Utolsó módosítás:	2024. Feb. 22. 10:37

Actions (login required)

Tétel nézet