Desenvolvimento de um chatbot financeiro com recuperação aumentada por geração (RAG)
Carregando...
Data
2026-06-10
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
O setor financeiro depende de informações precisas e verificáveis extraídas de documentos corporativos complexos. Embora os Modelos de Linguagem de Grande Porte (LLMs) apresentem capacidades avançadas de linguagem natural, sua aplicação direta em finanças ainda enfrenta desafios relacionados a alucinações, imprecisões factuais e dificuldades em lidar com informações específicas e frequentemente atualizadas. Este trabalho avalia experimentalmente diferentes estratégias de recuperação em sistemas de Recuperação Aumentada por Geração (Retrieval-Augmented Generation — RAG) aplicados à análise financeira corporativa. O pipeline experimental utiliza documentos financeiros públicos de empresas brasileiras e compara Similarity Search, Maximum Marginal Relevance (MMR), MultiQuery Retrieval e Parent Document Retrieval. Para a avaliação, foi construído um dataset especializado de perguntas e respostas financeiras, avaliado com métricas do RAGAS, incluindo Faithfulness, Context Precision, Context Recall e Answer Relevancy. Os resultados indicam que MultiQuery Retrieval apresenta melhor desempenho em tarefas que exigem maior cobertura contextual, enquanto Parent Document Retrieval é mais eficaz em cenários que demandam maior precisão contextual e fundamentação factual.
Descrição
Palavras-chave
Sistemas de recuperação da informação, Processamento de linguagem natural (Computação), Análise econômico-financeira