Year: 2025
Type: dissertation
Abstract: Denna studie undersöker hur maskininlärning, specifikt Retrieval-Augmented Generation (RAG), kan effektivisera och standardisera ESG-analysen hos Spiltan Fonder. Genom att analysera tio hållbarhetsrapporter med fyra olika retrieval-konfigurationer jämförs precision och kostnad mellan RAG-baserad analys och generativ modell utan retrieval. Resultaten visar att RAG-modellen som använder 10% av texten utan tröskel uppnår högst precision (89,7 %) samtidigt som den minimerar tokens och därmed kostnader. Studien visar att RAG ger större transparens och möjlighet till kostnadseffektiv skalning jämfört med enbart generativa modeller. Samtidigt kvarstår utmaningar kring tillit, användarvänlighet och behov av förbättrade källhänvisningar. Studien föreslår utveckling mot full årsredovisningsanalys, visualisering av KPI:er och testning på större datamängder för framtida tillämpning i praktiken.
Authors: Samoiel, Lukas, Nibrass Akram, Nadin
Language: Swedish
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7064395231