Revathy Ramanan, de XBRL International, profundiza esta semana en el potencial de GPT-4 para analizar revelaciones narrativas en datos de XBRL. A medida que el aprendizaje automático y la IA generativa continúan avanzando, presentan nuevas oportunidades para comprender datos complejos de desempeño empresarial. En particular, estas nuevas tecnologías pueden descifrar datos relativamente difíciles de analizar de manera convencional, lo que facilita el acceso a información sin conocimientos técnicos profundos.
En su última publicación de blog, Ramanan exploró cómo GPT-4 puede comprender datos XBRL y puede aprovecharse para realizar análisis fundamentales mediante consultas simples en inglés. En la publicación de esta semana, profundiza en lo que GPT-4 puede hacer específicamente con datos narrativos o bloques de texto. Las divulgaciones de sostenibilidad en particular son ricas en datos narrativos y se necesitan nuevos enfoques analíticos para procesar eficazmente esta información basada en texto.
A diferencia de los datos cuantitativos, que incluyen números y estadísticas, las divulgaciones narrativas ofrecen una explicación detallada y un contexto en torno al desempeño, los riesgos y las perspectivas de una empresa. Sin embargo, es más difícil comparar y detectar patrones en grandes cantidades de datos narrativos.
GPT-4 se puede utilizar para analizar textos de políticas contables de los informes ESEF durante años consecutivos. La IA identificó eficientemente cambios materiales en el texto, demostrando capacidad para manejar comparaciones narrativas. Para las divulgaciones de empresas en funcionamiento, GPT-4 calculó las puntuaciones de TF-IDF para 180 informes ESEF, destacando las variaciones y ayudando a identificar valores atípicos para una mayor investigación. Este proceso, que normalmente requiere software estadístico y habilidades de codificación, se hizo accesible mediante consultas simples en lenguaje natural.
Utilizando datos del mandato de Informes de Sostenibilidad y Responsabilidad Empresarial (BRSR) de la India, se asignó al GPT-4 la tarea de analizar la objetividad de las divulgaciones de mitigación de riesgos. La IA clasificó las entradas según criterios específicos, proporcionando una distinción clara entre declaraciones subjetivas y objetivas. Este tipo de análisis claramente podría ser útil tanto para los auditores como para los reguladores.
Estos ejemplos subrayan cómo GPT-4 puede democratizar el acceso a análisis de datos complejos, permitiendo a las partes interesadas interactuar con los datos de forma intuitiva. La integración de Large Language Models (LLM) con el análisis de datos tradicional abre nuevos horizontes para explorar datos más allá de los paneles predefinidos y las vistas estáticas. Sin embargo, los datos limpios y estructurados son cruciales para un análisis preciso, y el uso de informes con formato xBRL-JSON mejora la confiabilidad de los conocimientos generados por GPT-4.
Categoría: GenAI – Inteligencia artificial generativa
La calidad de los datos surge como una barrera clave para la adopción de GenAI
Un informe reciente de Forrester revela que la calidad de los datos es ahora el principal factor que limita la adopción de la inteligencia artificial generativa (GenAI) en todas las industrias. Desde la aparición de GenAI, particularmente con el lanzamiento de ChatGPT en 2022, las empresas han estado ansiosas por explorar su potencial para diversos casos de uso. Sin embargo, el camino desde la experimentación hasta la implementación a gran escala se ha visto obstaculizado por desafíos relacionados con la calidad de los datos.
Inicialmente, la adopción de GenAI enfrentó obstáculos debido a la disponibilidad limitada de aplicaciones listas para usar y la falta de experiencia entre los usuarios. Sin embargo, con los avances tecnológicos, las empresas ahora tienen acceso a una variedad de modelos de lenguajes grandes (LLM) y plataformas de software fáciles de usar, lo que hace que GenAI sea más accesible que nunca.
A medida que entramos en 2024, hay un cambio notable hacia el lanzamiento de GenAI en soluciones de producción para satisfacer las necesidades de los clientes y mejorar las funciones de cara al cliente. La capacidad de GenAI para resumir grandes cantidades de texto sin formato y generar contenido creativo ha captado la atención de los medios, los inversores y las empresas por igual.
A pesar del progreso en la tecnología GenAI, la calidad de los datos sigue siendo un desafío importante. El informe destaca cómo la imprevisibilidad de los conocimientos de GenAI y la velocidad, escala y complejidad sin precedentes a la que consume datos exigen un nuevo enfoque para la gobernanza de datos. Los métodos tradicionales de gestión de datos ya no son suficientes para garantizar la precisión y confiabilidad de los conocimientos generados por GenAI.
Para abordar los desafíos de calidad de los datos asociados con la adopción de GenAI, Forrester recomienda a las empresas que adopten un enfoque holístico que combine experiencia técnica con conocimiento del dominio.
Aquí en XBRL International, estamos alentando a nuestro ecosistema global de reguladores, proveedores de software, la profesión contable y una amplia variedad de usuarios a combinar la tecnología de inteligencia artificial con conjuntos de datos estructurados. Nuestros propios experimentos demuestran resultados positivos (con mayor precisión y mejores resultados) cuando utilizamos conjuntos de datos estructurados con IA. Sólo hemos arañado la superficie, pero está claro que la capacidad de interrogar grandes cantidades de informes estructurados preparados en XBRL (usando un lenguaje sencillo) está a la vuelta de la esquina. XBRL obliga a los elaboradores de informes a proporcionar datos estructurados y metadatos sofisticados. Esta combinación es una especie de mina de oro de la IA y debería mejorar enormemente la calidad de los datos.
Juntas, estas tecnologías podrían desbloquear capacidades analíticas innovadoras.