GAIJ - Graph-bound AI Journalism in Financial Fraud

Store språkmodellar (LLM-ar), som ChatGPT, er i forskingsfronten innan kunstig intelligens. LLM-ar er i stand til å prosessere store mengder tekstdata, inkludert ustrukturert informasjon frå ulike kjelder, slik som nyhendeartiklar, sosiale medium og økonomiske rapportar. Dei kan avdekke mønster i store datasett som eit menneske ikkje greier å sjå, anten på grunn av storleiken på datasettet, eller fordi dei subtile samanhengane mellom ulike element i teksten ikkje er openberre for eit utrent auge. På same måte som eit menneskesinn prøver å finne samanhengar, kan LLM-ar brukast til å teikne eit nettverk eller ein graf av samhandling mellom selskap og andre aktørar. På den måten kan vi prøve å evaluere dei relevante aktørane som er involverte i mistenkelege aktivitetar. Prosjektet freistar å bruke store og små LLM-ar til å lese økonomiske rapportar, skattemeldingar og bankutskrifter. Formålet er å avdekke transaksjonar som er ulovlege eller gjorde med vond hensikt. Det er avgjerande å ta i bruk framveksande teknologiar som LLM-ar for å finne og identifisere illegitime økonomiske aktivitetar.

Illicit financial transactions constitute a serious ethical challenge to the proper functioning of society. Various regulatory frameworks enforce banks, companies, and governments to keep checks on illicit financial flows, yet in gross amount, these still comprise a significant portion of the world's trade value. At the forefront of exposing malicious entities involved in non-sustainable activities are investigative journalists. Yet assessing financial data in a digital world is a strenuous task. GAIJ – Graph-bound Artificial Intelligence Journalism – is a project centred on utilising modern open-source Large Language Models (LLMs) to classify illicit transactions in financial and tax records. The target of this pilot project is to develop a prototype open-source Artificial Intelligence (AI) model that examines and classifies transaction data, creating a graph of suspicious interactions between companies. This proposal is at the forefront of current research on the application of AI tools in Investigative Journalism. One core and distinctly unconventional aspect of GAIJ is that it utilised LLMs to classify data, not generate text. GAIJ uses not one, but a collection of LLMs to generate text regarding interactions between companies and classify actual interactions as regular or suspicious. This is the most striking, cutting-edge method employed in GAIJ, and thus naturally also the most challenging. Various questions and research avenues are open: Are LLMs capable of serving as classification tools, particularly of unlikely events? Are LLMs sufficiently powerful to unravel relevant information from interaction data like financial transactions? Are they able to discern between regular and illicit activities? On a large scale, GAIJ falls into the present pertinent scope of understanding what role AI models have in serving as tools to improve society and how can they aid, for example, journalists in untangling unsustainable financial practices from companies.