Neues KI-Tool nutzt multimodale Analyse für strukturierte Earnings Calls

In der Finanzwelt sind Earnings Calls ein besonders wertvoller Kommunikationskanal, der sowohl vorgefertigte Managerkommentare als auch spontane Analystenfragen vereint. Trotz Fortschritten in der Sentiment‑Analyse, die Text, Ton und Bild kombinieren, greifen die meisten Systeme noch auf flache Dokument- oder Satzmodelle zurück und vernachlässigen die komplexe Diskursstruktur dieser Gespräche.

Ein neues, multimodales Framework adressiert dieses Problem, indem es Earnings Calls als hierarchische Diskursbäume darstellt. Jeder Knoten – sei es ein Monolog oder ein Frage‑Antwort‑Paar – wird mit emotionalen Signalen aus Text, Audio und Video angereichert und erhält zusätzlich strukturierte Metadaten wie Kohärenz‑Scores, Themenlabels und Deckungsbewertungen der Antworten.

Die Architektur besteht aus zwei Transformern: Der erste verarbeitet die multimodalen Inhalte und Diskursmetadaten auf Knotenniveau mittels kontrastivem Lernen. Der zweite erzeugt daraus ein globales Embedding für die gesamte Konferenz. Experimentelle Ergebnisse zeigen, dass die resultierenden Vektoren stabile, semantisch aussagekräftige Darstellungen liefern, die Tonfall, logische Struktur und thematische Ausrichtung widerspiegeln.

Obwohl die Entwicklung auf Finanzberichterstattung ausgerichtet ist, lässt sich das System leicht auf andere hochriskante, unstrukturierte Kommunikationsbereiche übertragen – von Telemedizin über Bildung bis hin zu politischem Diskurs. Damit bietet es einen robusten, erklärbaren Ansatz zur multimodalen Diskursrepräsentation, der weit über die Finanzwelt hinaus Nutzen bringt.