Prompt-Optimierung mit synthetischen Daten verbessert Finanz-Analyse

Große Sprachmodelle haben sich als leistungsstarkes Werkzeug für die Analyse von Finanzdokumenten etabliert, doch die Qualität der Eingabeaufforderungen (Prompts) entscheidet entscheidend über die Genauigkeit der numerischen Auswertungen. Ein schlecht gestalteter Prompt kann selbst ein hochentwickeltes Modell daran hindern, komplexe Tabellen und mehrseitige Berichte korrekt zu interpretieren.

Derzeit werden Prompts meist auf festen Datensätzen aus Finanztexten oder Tabellen optimiert, was ihre Anpassungsfähigkeit an neue Fragestellungen oder Dokumentenstrukturen stark einschränkt. Darüber hinaus erfordern viele Ansätze kostenintensive, manuell gelabelte Daten, um die Prompt-Qualität zu verbessern.

Die neue Methode nutzt einen geschlossenen Optimierungszyklus, bei dem ein synthetischer Datengenerator neue Finanztabellen und Auszüge erstellt, diese auf Richtigkeit und Robustheit geprüft und anschließend das Prompt schrittweise verfeinert. Durch die Kombination von Generator, Verifikator und Optimierer entsteht ein selbstverbessernder Prozess, der ohne externe Labels auskommt.

In Tests auf dem DocMath‑Eval-Benchmark erzielte das System deutlich höhere Genauigkeit und Robustheit als herkömmliche Prompt‑Methoden, was die Wirksamkeit der synthetisch generierten Daten für die kontinuierliche Verbesserung von Finanz‑Reasoning‑Modellen unterstreicht.