Büyük Modeller Finans Sektöründe: Kaygıdan Rasyonelliğe

ChatGPT’nin doğuşuyla birlikte, finans sektöründeki yapay zeka teknolojisine dair endişe duygusu hızla yayıldı. Yeni teknolojiye olan güvenle dolu olan bu sektör, zamanın dalgaları tarafından geride bırakılmaktan endişe ediyor. Bu endişe ortamı, beklenmedik yerlere kadar yayıldı; sektör içinden bir kişi, bu yıl Mayıs ayında Dali’de iş seyahatinde bulunduğunda, bir tapınakta bile büyük modelleri tartışan finans uzmanlarıyla karşılaştığını açıkladı.

Ancak, bu kaygı giderek azalıyor ve insanların düşünceleri daha net ve mantıklı hale geliyor. Bir yazılım şirketinin bankacılık CTO'su, bu yıl finans sektörünün büyük modellere karşı tutumunun birkaç aşamasını tanımladı: 2-3. aylar, genel olarak kaygı hissedildi, geride kalma korkusu vardı; 4-5. aylar, ekipler kurarak çalışmalara başladılar; sonraki birkaç ayda, yön bulma ve uygulama sürecinde zorluklarla karşılaştılar, daha mantıklı hale geldiler; şimdi, ölçek projelerine odaklanıyorlar ve doğrulanmış uygulama senaryolarını test etmeye çalışıyorlar.

Yeni bir trend, birçok finansal kurumun stratejik düzeyde büyük modelleri önemsemeye başlamasıdır. Tam olmayan verilere göre, A-hisse senedi borsasında yer alan şirketlerden en az 11 banka, en son altı aylık raporlarında büyük modellerin uygulamasını keşfetmeye başladıklarını açıkça belirtmiştir. Son dönemdeki hareketlere bakıldığında, stratejik ve üst düzey tasarım açısından daha net düşünme ve yol haritası planlaması yaptıkları görülmektedir.

Birkaç ay öncesine göre, finansal müşterilerin büyük model anlayışı önemli ölçüde arttı. Yılın başında ChatGPT ilk çıktığında, heyecan yüksek olmasına rağmen, büyük modelin doğası ve uygulama şekilleri hakkında sınırlı bir bilgiye sahipti. Bazı büyük bankalar öncü olarak harekete geçti ve çeşitli tanıtımlar yapmaya başladı. Aynı zamanda, birçok teknoloji şirketinin büyük modelleri piyasaya sürmesiyle birlikte, bazı önde gelen finansal kuruluşların teknoloji departmanları büyük teknoloji şirketleriyle büyük model inşası konusunu aktif olarak tartışmaya başladı.

Mayıs ayından sonra durum yavaş yavaş değişmeye başladı. Hesaplama gücü kaynaklarının kıtlığı, yüksek maliyet gibi faktörlerin etkisiyle, birçok finans kurumu sadece kendi hesaplama gücünü ve modellerini kurma arzusundan, uygulama değerine daha fazla odaklanmaya geçti. Şu anda her finans kurumu, diğer kurumların büyük modelleri nasıl kullandığına ve bu kullanımın sonuçlarına dikkat ediyor.

Farklı ölçeklerdeki işletmeler için iki farklı gelişim yolu ortaya çıkmıştır. Büyük finansal kuruluşlar, büyük miktarda finansal veriye ve uygulama senaryolarına sahip olarak, öncü temel büyük modelleri benimseyebilir, kendi kurumsal büyük modellerini oluşturabilir ve aynı zamanda mikro ayar yöntemi ile uzmanlık alanlarına yönelik görev büyük modelleri geliştirebilir, böylece işlerini hızlı bir şekilde destekleyebilir. Küçük ve orta ölçekli finansal kuruluşlar ise, yatırım getirisine göre, talebe bağlı olarak çeşitli büyük model kamu bulut API'lerini veya özel dağıtım hizmetlerini entegre ederek doğrudan iş ihtiyaçlarını karşılayabilir.

Ancak, finans sektörünün veri uyumluluğu, güvenliği ve güvenilirliği konusunda yüksek talepleri nedeniyle, bazı kişiler bu sektörün büyük model uygulamasının aslında yılın başındaki beklentilere göre biraz yavaş ilerlediğini düşünüyor. Bazı finans kurumları, büyük model uygulama sürecindeki çeşitli engelleri aşmanın yollarını aramaya başladı.

Hesaplama gücü açısından, finans sektöründe şu anda birkaç çözüm önerisi ortaya çıkmıştır: birincisi, doğrudan kendi hesaplama gücünü inşa etmektir; maliyet yüksek ancak güvenlik yeterlidir; ikincisi, hesaplama gücünün karma dağıtımıdır; hassas verilerin dışarıya akmadığı durumlarda, kamu bulutundan büyük model hizmeti arayüzlerini kabul etmekte, aynı zamanda yerel veri hizmetlerini işlemek için özel dağıtım kullanmaktadır.

Son altı ayda büyük modellerin uygulanmasına yönelik keşiflerin yanı sıra, birçok finans kurumu veri yönetimini giderek güçlendirdi. Bazı bankalar, veri sorunlarını çözmek ve tüm sürecin otomasyonu ile çok kaynaklı heterojen verilerin birleşik yönetimi ve verimli işlenmesini sağlamak için büyük modelleri MLOps ile birleştirerek kullanıyor.

İçerik Kaynağı