Modelos grandes en la industria financiera: de la ansiedad a la racionalidad

Con el nacimiento de ChatGPT, la ansiedad de la industria financiera hacia la tecnología de inteligencia artificial se ha propagado rápidamente. Esta industria, que tiene confianza en las nuevas tecnologías, teme quedar rezagada por la ola del tiempo. Esta atmósfera de ansiedad se ha extendido incluso a lugares inesperados; un profesional del sector reveló que, en mayo de este año, durante un viaje de trabajo a Dali, se encontró con profesionales financieros discutiendo sobre grandes modelos en un templo.

Sin embargo, esta ansiedad está disminuyendo gradualmente y el pensamiento de las personas se está volviendo más claro y racional. El CTO de banca de una empresa de software describió las varias etapas de la actitud de la industria financiera hacia los grandes modelos este año: de febrero a marzo, había una sensación general de ansiedad, preocupados por quedarse atrás; de abril a mayo, comenzaron a formar equipos para trabajar; durante los meses siguientes, encontraron dificultades al buscar dirección y aplicar, volviéndose más racionales; ahora, se centran en proyectos de referencia y tratan de validar escenarios de aplicación probados.

Una nueva tendencia es que muchas instituciones financieras han comenzado a darle importancia estratégica a los grandes modelos. Según estadísticas incompletas, al menos 11 bancos en las empresas que cotizan en A-shares han declarado en sus últimos informes semestrales que están explorando la aplicación de grandes modelos. Según las acciones recientes, están realizando un pensamiento y planificación de rutas más claros desde el nivel estratégico y de diseño superior.

En comparación con hace unos meses, la comprensión de los clientes financieros sobre los grandes modelos ha mejorado notablemente. A principios de año, cuando apareció ChatGPT, aunque había un gran entusiasmo, el conocimiento sobre la naturaleza y las aplicaciones de los grandes modelos era limitado. Algunos grandes bancos tomaron la iniciativa y comenzaron a realizar diversas campañas de promoción. Al mismo tiempo, con el lanzamiento de grandes modelos por parte de varias empresas tecnológicas, algunos departamentos de tecnología de instituciones financieras líderes comenzaron a discutir activamente sobre la construcción de grandes modelos con grandes empresas tecnológicas.

A partir de mayo, la situación comenzó a cambiar. Debido a la escasez de recursos de computación y los altos costos, muchas instituciones financieras han comenzado a pasar de simplemente desear construir su propia potencia de cálculo y modelos, a enfocarse más en el valor de la aplicación. Actualmente, cada institución financiera está prestando atención a cómo otras instituciones utilizan grandes modelos y sus resultados.

Para empresas de diferentes tamaños, han surgido dos rutas de desarrollo. Las grandes instituciones financieras, que cuentan con una gran cantidad de datos financieros y escenarios de aplicación, pueden introducir modelos de base avanzados, construir sus propios modelos empresariales y, al mismo tiempo, adoptar el ajuste fino para formar modelos de tarea en áreas profesionales, lo que permite una rápida potenciación del negocio. Las instituciones financieras pequeñas y medianas, por su parte, pueden introducir según la rentabilidad de la inversión, API de nube pública de diversos modelos grandes o servicios de implementación privatizada, para satisfacer directamente las necesidades del negocio.

Sin embargo, debido a las altas exigencias del sector financiero en cuanto a la conformidad, seguridad y fiabilidad de los datos, algunas personas consideran que el avance en la implementación de grandes modelos en este sector es en realidad un poco más lento de lo esperado a principios de año. Algunas instituciones financieras ya han comenzado a buscar soluciones para superar los diversos obstáculos en el proceso de implementación de grandes modelos.

En términos de computación, actualmente hay varias soluciones en la industria financiera: una es construir la capacidad de cómputo de manera directa, lo que tiene un costo alto pero una seguridad suficiente; la segunda es una implementación híbrida de la capacidad de cómputo, aceptando la llamada a interfaces de servicios de modelos grandes desde la nube pública, mientras se procesan los servicios de datos locales a través de una implementación privatizada, en caso de que no se filtren datos sensibles.

Además de los problemas de potencia de cálculo, con la exploración de la implementación de grandes modelos en los últimos seis meses, muchas instituciones financieras también han comenzado a fortalecer la gobernanza de datos. Algunos bancos están resolviendo problemas de datos mediante el uso de grandes modelos combinados con MLOps, logrando la automatización de todo el proceso y la gestión unificada y el procesamiento eficiente de datos heterogéneos de múltiples fuentes.

Fuente del contenido