AI-analyse af positive og negative nyheder skal hjælpe startup med at finde de grønne investeringer

Alexander Harrington (i midten) er CTO i Matter. Han er uddannet fra Aarhus Universitet og har tidligere være recommendation agent specialist hos artboost.com. Illustration: Matter
Nye, prætrænede NLP-modeller har redefineret state-of-the-art inden for sprogforståelse. Det udnytter Matter til at tilbyde en bæredygtig pensionopsparing.

Matter er egentlig en pensionsstartup. Men nedenunder er der en teknologivirksomhed, der har specialiseret sig i at bruge avanceret dataanalyse til at vurdere, om selskaber er værd at investere i.

Nu er Matter i færd med at tage næste skridt i jagten på viden om potentielle investeringsmuligheder: en sentiment-analyse af pressens omtale af virksomhederne for at forstå, hvordan selskaberne omtales i nyhederne. Det fortæller Alexander Harrington, der er CTO i Matter.

»I første omgang har vi tagget omkring 20.000 sætninger efter, om de er positive, neutrale eller negative i en bæredygtighedskontekst,« forklarer han og fortsætter:

»Efter vi gjorde det, havde vi en sentiment-model, der med over 90 procent sandsynlighed kunne sige, hvorvidt et menneske ville vurdere, om en sætning var positiv eller negativ. Det gav os ret tidligt et proof-of-concept, som overbeviste os om, at det godt kan lade sig gøre.«

Våben og tobak

Matter har i samarbejde med Skandia og AP Pension lanceret bæredygtige pensionsopsparinger, der undgår at sætte penge i f.eks. kul, gas, våben og tobak, og i stedet investere i grøn teknologi og sundhed. Samtidig lever selskabet af at screene potentielle investeringer og porteføljer for andre virksomheder.

I begge tilfælde er det værdifuldt at vide, hvordan virksomheder, der eventuelt kunne være i en porteføljen, omtales i forhold til en række temaer inden for bæredygtighed. Temaerne er primært hentet fra FN's 17 verdensmål – eller SDG'er.

»De 17 verdensmål er det politiske framework, der har været bredest enighed omkring på internationalt niveau, som noget, vi kan rette vores indsatser efter for at gøre en positiv forskel i verden,« forklarer Alexander Harrington.

Dette er en forkortet version af en artikel bragt på DataTech. I den oprindelige artikel kan man læse om, hvordan Matter bruger Googles NLP-model BERT som basis for deres egen model, hvordan Matter efter sentimentanalysen benytter en machine learning-model til såkaldt Fuzzy String Matching, der kan matche to datasæt og merge på virksomhedsnavne, og endelig hvad virksomhedens næste skridt er.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere