Великі моделі у фінансовій справі: від тривоги до раціональності

З появою ChatGPT тривога фінансової індустрії щодо технологій штучного інтелекту швидко поширилася. Ця галузь, яка впевнена в нових технологіях, турбується, що може залишитися позаду у часи змін. Ця тривожна атмосфера врешті-решт поширилася в несподівані місця: деякі фахівці галузі розповіли, що в травні цього року під час відрядження до Далі вони навіть зустрічали фінансових працівників, які обговорювали великі моделі в храмі.

Однак ця тривога поступово згасає, а думки людей стають більш ясними та раціональними. CTO банківських послуг однієї програмної компанії описав кілька етапів ставлення фінансової сфери до великих моделей цього року: у лютому-березні панувала загальна тривога, побоювання відставання; у квітні-травні почали формувати команди для роботи; у наступні кілька місяців зіткнулися з труднощами в пошуку напрямку та реалізації, ставши більш раціональними; зараз вони звертають увагу на еталонні проекти, намагаючись перевірити відомі сценарії застосування.

Новим трендом є те, що багато фінансових установ почали стратегічно приділяти увагу великим моделям. За неофіційними даними, принаймні 11 банків, що торгуються на фондовому ринку A, у своїх останніх піврічних звітах чітко зазначили, що досліджують застосування великих моделей. Судячи з недавніх дій, вони здійснюють більш чітке обговорення та планування шляхів на стратегічному та верхньому рівні.

Порівняно з кількома місяцями тому, розуміння фінансовими клієнтами великих моделей помітно зросло. На початку року, коли з'явився ChatGPT, незважаючи на високу зацікавленість, розуміння суті та способів застосування великих моделей було обмеженим. Деякі великі банки першими почали діяти та проводити різні рекламні кампанії. Водночас, оскільки кілька технологічних компаній випустили великі моделі, деякі провідні фінансові установи почали активно обговорювати питання будівництва великих моделей з великими технологічними компаніями.

Після травня ситуація поступово змінюється. Через брак ресурсів обчислювальної потужності та високі витрати багато фінансових установ починають переходити від простого бажання створити власні обчислювальні потужності та моделі до більшої уваги на застосункову цінність. Наразі кожна фінансова установа звертає увагу на те, як інші установи використовують великі моделі та їхні результати.

Для підприємств різного масштабу виникло два шляхи розвитку. Великі фінансові установи, які мають величезні обсяги фінансових даних та сценаріїв застосування, можуть впроваджувати провідні базові великі моделі, створювати власні корпоративні великі моделі, а також використовувати методи доопрацювання для створення великих моделей завдань у спеціалізованих галузях, що швидко надає можливості для бізнесу. Маленькі та середні фінансові установи можуть відповідно до рівня прибутковості впроваджувати різні публічні API великих моделей або послуги приватного розгортання на вимогу, щоб безпосередньо задовольнити бізнес-потреби.

Однак, оскільки фінансовий сектор має високі вимоги до відповідності даних, безпеки та надійності, деякі вважають, що прогрес у впровадженні великих моделей у цій галузі насправді трохи повільніший, ніж очікувалося на початку року. Деякі фінансові установи вже почали шукати способи подолання різних бар'єрів у процесі впровадження великих моделей.

У сфері обчислювальної потужності фінансовий сектор наразі розглядає кілька рішень: по-перше, пряма побудова обчислювальної потужності, що є дорогим, але безпечним варіантом; по-друге, змішане розгортання обчислювальної потужності, яке приймає великомасштабні сервіси з публічного хмари, за умови, що чутливі дані не витікають, одночасно обробляючи локальні дані через приватне розгортання.

Окрім проблеми обчислювальної потужності, останні півроку багато фінансових установ поступово посилили управління даними завдяки впровадженню великих моделей. Деякі банки вирішують проблеми з даними за допомогою великих моделей у поєднанні з MLOps, реалізуючи автоматизацію всього процесу, а також єдине управління та ефективну обробку багатоджерельних гетерогенних даних.

Джерело контенту