图形神经网络和GraphRag：财务中的开放世界复杂性：Raktim Singh

执行摘要

图形神经网络（GNNS）和GraphRag没有“原因” – 它们会带有可追溯，多跳的证据的复杂，开放世界的财务图。这就是为什么BFSI领导者现在应该拥抱图形AI的原因。

金融中的大多数人工智能技术仍然通过排的镜头来解释世界。但是，货币活动通过一组网络（客户，帐户，设备，商人，公司和地理位置）进行。

图形神经网络（GNNS）和图检索效果生成（GraphRag）不会创建“人类推理”，但它们确实为BFSI带来了一些新颖的东西：导航复杂的，关系数据，并具有相关的证据。这就是从平坦相关到关系相关性的运动。

为什么现在要绘制？财务是网络问题

传统的机器学习（ML）和标准检索演示的一代（通常是文档检索以及大型语言模型或LLM）在洞察力依赖于多跳连接的情况下挣扎，这些模式在几个步骤中展开（即A→B→C→D）。

GNNS直接建模那些多跳连接。 GraphRag允许LLM与任何非结构化内容一起提取图形上下文（节点，边缘，路径）中连接的信息。最重要的是更多的上下文，更少的盲点和一条可审核的“我们如何到达这里”步道。

这是什么 – 不是什么

这是：

• 网络本地图案。 在许多啤酒花中检测结构（环，环，扇形/风扇，粉丝/风扇，社区簇）。
• 可追溯的上下文。 答案可以引用 节点/边缘/路径 作为证据，提高可审核性。
• 复杂的 – 赛纳里奥导航。 在风险取决于的地方有用 谁与谁以及如何联系。

这不是：

• 因果推断。 它没有证明 为什么 发生了一些事情（原因和影响）。
• 符号逻辑或完整的“推理AI”。 它不会遵循定理供奉献的规则。
• 替代模型治理。 您仍然需要控件，版本控制和解释性层。

底线： 思考 更深的结构化背景– 不是“真正的推理”。

实际澄清：SQL加入VS图AI

许多团队的经常问题是：“我们已经加入了多个表，那么有什么区别？”

• SQL加入（今日）： 您硬编码关系和查询 你已经知道的。多跳逻辑快速变脆；新颖的模式通过，直到编写新规则为止。

• GNNS + GraphRag（图AI）： 模型 学习关系结构 在许多啤酒花中
  概括 看不见但类似的模式。检索可以返回
  路径和社区，所以LLM回答 图形的证据 （例如，
  “帐户A是通过商人X和Shell Y的批准实体的三个啤酒花。”）。

简而言之，SQL连接已知点。图AI有助于发现隐藏的点以及它们的非明显连接。

抹布与GraphRag – 含义的差异

抹布：RAG检索相关文档，并允许LLM根据文档合成答案。抹布是政策，PDF和知识库的最佳工具之一。

GraphRag： 检索 结构化关系 （实体 +边缘 +路径）
知识/交易图，通常与文件一起。当答案取决于
网络上下文。

能力转移： 从“最佳匹配段落”→“最佳匹配子图 +段落，“ 和
证据路径 合规团队可以审查。

为什么金融比YouTube更难：开放世界图

将BFSI与YouTube或Pinterest进行比较很诱人，在此使用GNNS Powers建议管理。但是，有一个区别：

YouTube / Pinterest：

• Graph =用户 +内容。
• 双方都是 有限：注册用户和视频/引脚的有限库。
• 新数据到达，但始终在受控的生态系统内。
• 问题=封闭世界的发现。

银行 /金融：

• Graph =客户 +帐户 +交易 +交易对手。
• 客户是有限的（KYC验证的）。
• 对手是 开放世界：新的壳牌公司，m子帐户和欺诈商人可以随时出现。
• 欺诈者故意创造了新颖的，不断发展的模式。
• 问题=开放世界的不确定性 +对抗性行为。

尽管如此，GNNS提供了价值的方式：

1。模式概括： GNNS学习欺诈的结构（即，戒指或分层，突然的风扇）。即使新演员可能会进入场景，但可疑的行为模式也得到了认可。

2。增量更新： 图形数据库与GNN一起提供了本地更新的选项，用于何时新的节点或边缘输入图形，以便不必全部重新训练模型。

3。异常检测： 如果帐户突然连接到许多风险的节点或建立连接节点的异常路径，那么这些节点将作为结构异常值脱颖而出。

4。混合防御： 规则可以捕获易于识别的已知签名，而GNN可以检测到不断发展又新颖/隐藏的签名。

简而言之：

• YouTube GNNS =在封闭式库中查找下一个视频。

• 银行gnns =发现进入开放城市的新罪犯。

• GNNS并不能消除不确定性，但它们使导航开放世界复杂性
  实用和适应性。

BFSI用例，图形破坏范式

1。AML /金融犯罪

从单交易异常值→ 辅助网络模式 （分层，蓝精，圆形流）。

警报引用 多跳路 和交易对手，改善SAR质量和分析师信任。

2。信用风险和承保

从唯一的功能→到 生态系统风险 （供应商，担保人，区域暴露）。

预警通过 传染路径 （如果主要供应商失败，谁在结构上暴露？）。

3。市场和投资组合情报

建造 市场知识图 （公司，产品，供应链，ESG活动）。

分析师问： “如果X公司错过了指导，哪些供应商和贷方最受欢迎？” GraphRag返回
影响路径 与来源。

4。客户360和个性化建议

缝制孤立的接触点 关系图。

助手回答 上下文，交叉产品的意识 （并显示它们如何连接点）。

诚实的“解释性”意味着什么

诚实的主张： 可追溯的关系证据 （图中谁/何处/何处）和
可解释的模式 （例如，“环”，“分层流”）。

没有主张： “证明了原因。”为此，带来 因果AI。

实际获胜： 调查人员，模型风险和审核员可以 遵循路径– 对不透明，平坦特征分数的重大改进。

前面的道路

• 1 – 2年： AML和调查首先受益 –基于路径的证据 成为标准。
• 2 – 4年： 采用研究桌 GraphRag副驾驶 用于市场映射和场景跟踪。
• 超过： 风险引擎合并 图形功能 广泛;因果方法逐渐加入
  为什么 在受监管的决定中。

结论

GNNS + GraphRag无法解决因果关系，但是它们将为BFSI做一些难以置信的建设性：它们将有助于使复杂的多跳跃关系可导航，可审计和可行。

在每天形成新的参与者和风险的开放世界金融体系中，网络本地的AI并不限制不确定性 – 但是，在大规模上可视化，连接和解释金融界的隐藏结构的可能性略有可能。

对于BFSI领导人来说，现在是行动的时候了。今天汇编财务知识图的银行明天将拥有网络优势。