Proyecto subvencionado por el CDTI
PROYECTO
SNEO-20231162
TÍTULO PROYECTO
DESARROLLO DE UNA SOLUCIÓN “DEEP TECH” PARA FUSIONES Y ADQUISICIONES ENTRE EMPRESAS E INVERSORES
PERIODO DE EJECUCION
1 de enero de 2023 hasta 31 de diciembre de 2024.
PRESUPUESTO DE AYUDA INICIAL APROBADO
325.000 euros
BREVE RESUMEN DE LOS OBJETIVOS
Desarrollar una capa inteligente de ingesta de datos para el enriquecimiento de información empresarial durante los primeros pasos del proceso (“discovery” y “acquisition”).Desarrollar una tecnología de herramientas para estructurar datos desestructurados procedentes de múltiples fuentes, utilizando toolkits avanzados, técnicas de modelado de lenguaje enmascarado (MLM) aplicadas a Vision Transformer (ViT), conexión con Querying Transformers y modelos auto-supervisados. Desarrollar una capa inteligente de modelos algorítmicos de acoplamiento a nuestra base de datos. Ésta será capaz de analizar y recomendar empresas (etapa de Discovery del proceso empresarial) y de generar resúmenes financieros y de calidad (etapa de Target Evaluation y Due diligence), utilizando datos almacenados y extraídos de la capa de ingesta determinada en el objetivo 1. Mediante estos desarrollos, conseguiremos el desarrollo de una tecnología de lenguaje natural, extracción de documentos y algoritmos de recomendación, potenciado además por una capa de agentes de inteligencia artificial, para construir el primer modelo automatización inteligente de la decisión de inversión en M&A para PYMEs
SNEO-20231162
TÍTULO PROYECTO
DESARROLLO DE UNA SOLUCIÓN “DEEP TECH” PARA FUSIONES Y ADQUISICIONES ENTRE EMPRESAS E INVERSORES
PERIODO DE EJECUCION
1 de enero de 2023 hasta 31 de diciembre de 2024.
PRESUPUESTO DE AYUDA INICIAL APROBADO
325.000 euros
BREVE RESUMEN DE LOS OBJETIVOS
Desarrollar una capa inteligente de ingesta de datos para el enriquecimiento de información empresarial durante los primeros pasos del proceso (“discovery” y “acquisition”).Desarrollar una tecnología de herramientas para estructurar datos desestructurados procedentes de múltiples fuentes, utilizando toolkits avanzados, técnicas de modelado de lenguaje enmascarado (MLM) aplicadas a Vision Transformer (ViT), conexión con Querying Transformers y modelos auto-supervisados. Desarrollar una capa inteligente de modelos algorítmicos de acoplamiento a nuestra base de datos. Ésta será capaz de analizar y recomendar empresas (etapa de Discovery del proceso empresarial) y de generar resúmenes financieros y de calidad (etapa de Target Evaluation y Due diligence), utilizando datos almacenados y extraídos de la capa de ingesta determinada en el objetivo 1. Mediante estos desarrollos, conseguiremos el desarrollo de una tecnología de lenguaje natural, extracción de documentos y algoritmos de recomendación, potenciado además por una capa de agentes de inteligencia artificial, para construir el primer modelo automatización inteligente de la decisión de inversión en M&A para PYMEs
