Model Besar dalam Industri Keuangan: Dari Kecemasan ke Rasionalitas

Dengan lahirnya ChatGPT, kecemasan industri keuangan terhadap teknologi kecerdasan buatan menyebar dengan cepat. Industri yang penuh kepercayaan pada teknologi baru ini khawatir akan tertinggal oleh gelombang zaman. Suasana kecemasan ini sempat menyebar ke tempat yang tidak terduga, di mana seorang pelaku industri mengungkapkan bahwa pada bulan Mei tahun ini, saat dia bertugas di Dali, dia bahkan bisa menemui para profesional keuangan yang mendiskusikan model besar di dalam kuil.

Namun, kecemasan ini secara bertahap mereda, dan cara berpikir orang menjadi lebih jelas dan rasional. CTO dari bisnis perbankan sebuah perusahaan perangkat lunak menggambarkan beberapa tahap sikap industri keuangan terhadap model besar tahun ini: Februari-Maret, secara umum merasa cemas, khawatir tertinggal; April-Mei, banyak yang membentuk tim untuk melakukan pekerjaan; beberapa bulan setelahnya, menghadapi kesulitan dalam mencari arah dan menerapkan, menjadi lebih rasional; sekarang, mereka fokus pada proyek acuan, mencoba untuk memverifikasi skenario aplikasi yang telah diuji.

Sebuah tren baru adalah bahwa banyak lembaga keuangan mulai memberikan perhatian strategis terhadap model besar. Menurut statistik yang tidak lengkap, setidaknya ada 11 bank di perusahaan yang terdaftar di A-share yang secara jelas menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang menjelajahi aplikasi model besar. Dari tindakan terbaru, mereka sedang melakukan pemikiran dan perencanaan jalur yang lebih jelas dari sisi strategis dan desain tingkat atas.

Dibandingkan dengan beberapa bulan yang lalu, pemahaman klien keuangan tentang model besar telah meningkat secara signifikan. Ketika ChatGPT baru muncul di awal tahun, meskipun antusiasme tinggi, pemahaman tentang sifat dan cara aplikasi model besar masih terbatas. Beberapa bank besar mengambil langkah pertama, mulai melakukan berbagai promosi. Sementara itu, dengan dirilisnya model besar oleh beberapa perusahaan teknologi, departemen teknologi di beberapa institusi keuangan terkemuka mulai aktif mendiskusikan pembangunan model besar dengan perusahaan teknologi besar.

Setelah bulan Mei, situasinya mulai berubah. Dipengaruhi oleh kekurangan sumber daya komputasi dan biaya yang tinggi, banyak lembaga keuangan mulai beralih dari sekadar berharap untuk membangun sumber daya dan model sendiri, ke fokus yang lebih besar pada nilai aplikasi. Saat ini, setiap lembaga keuangan memperhatikan bagaimana lembaga lain menggunakan model besar dan efeknya.

Untuk perusahaan dengan ukuran yang berbeda, muncul dua jalur pengembangan. Institusi keuangan besar yang memiliki data keuangan yang besar dan berbagai skenario aplikasi dapat memperkenalkan model dasar besar yang terdepan, membangun model besar perusahaan sendiri, dan menggunakan metode fine-tuning untuk membentuk model tugas di bidang profesional, dengan cepat memberdayakan bisnis. Sementara itu, institusi keuangan kecil dan menengah dapat membawa berbagai API model besar publik atau layanan penyebaran privat sesuai kebutuhan berdasarkan pengembalian investasi, untuk langsung memenuhi kebutuhan bisnis.

Namun, karena industri keuangan memiliki persyaratan yang tinggi terhadap kepatuhan data, keamanan, dan kepercayaan, beberapa orang berpendapat bahwa kemajuan penerapan model besar di industri ini sebenarnya sedikit lebih lambat daripada yang diperkirakan pada awal tahun. Beberapa lembaga keuangan telah mulai mencari cara untuk mengatasi berbagai hambatan dalam proses penerapan model besar.

Dalam hal komputasi, industri keuangan saat ini muncul dengan beberapa solusi: pertama adalah membangun komputasi sendiri, yang biayanya lebih tinggi tetapi keamanannya cukup; kedua adalah penerapan komputasi campuran, di mana dalam kondisi data sensitif tidak bocor, menerima pemanggilan layanan antarmuka model besar dari cloud publik, sambil menangani layanan data lokal melalui penerapan privat.

Selain masalah kekuatan komputasi, dengan eksplorasi penerapan model besar selama lebih dari setengah tahun terakhir, banyak lembaga keuangan juga secara bertahap memperkuat tata kelola data. Beberapa bank sedang menyelesaikan masalah data dengan menggabungkan model besar dan MLOps, yang mencapai otomatisasi seluruh proses serta manajemen dan pemrosesan data heterogen multi-sumber yang efisien.

Sumber Konten