Generative AI στα Οικονομικά: FinGPT, BloombergGPT & Beyond

Το Generative AI αναφέρεται σε μοντέλα που μπορούν να δημιουργήσουν νέα δείγματα δεδομένων που είναι παρόμοια με τα δεδομένα εισόδου. Η επιτυχία του ChatGPT άνοιξε πολλές ευκαιρίες σε όλους τους κλάδους, εμπνέοντας τις επιχειρήσεις να σχεδιάσουν τα δικά τους μεγάλα γλωσσικά μοντέλα. Ο χρηματοοικονομικός τομέας, με γνώμονα τα δεδομένα, είναι τώρα ακόμη πιο εντάσεως δεδομένων από ποτέ.

Πρόσφατες εκτιμήσεις από McKinsey προτείνουν ότι αυτό το Generative AI θα μπορούσε να προσφέρει ετήσια εξοικονόμηση έως και 340 δισεκατομμυρίων δολαρίων μόνο για τον τραπεζικό τομέα.

BloombergGPT & Economics of Generative AI 

Τον Μάρτιο του 2023, το Bloomberg παρουσίασε BloombergGPT. Είναι ένα μοντέλο γλώσσας κατασκευασμένο από την αρχή με 50 δισεκατομμύρια παραμέτρους, ειδικά προσαρμοσμένο για οικονομικά δεδομένα.

Για να εξοικονομήσετε χρήματα, μερικές φορές χρειάζεται να ξοδέψετε χρήματα. Τα μοντέλα εκπαίδευσης όπως το BloombergGPT ή το Meta's Llama 2 δεν είναι φθηνά.

Η εκπαίδευση του μοντέλου των 2 δισεκατομμυρίων παραμέτρων του Llama 70 απαιτούσε 1,700,000 ώρες GPU. Στις εμπορικές υπηρεσίες cloud, χρησιμοποιώντας το GPU Nvidia A100 (χρησιμοποιείται για το Llama 2) μπορεί να ρυθμίσει το ένα από $1-$2 για κάθε ώρα GPU. Κάνοντας τα μαθηματικά, ένα μοντέλο παραμέτρων 10 δισεκατομμυρίων θα μπορούσε να κοστίσει περίπου 150,000 δολάρια, ενώ ένα μοντέλο παραμέτρων 100 δισεκατομμυρίων θα μπορούσε να κοστίσει έως και 1,500,000 δολάρια.

Εάν δεν ενοικιάζετε, η αγορά των GPU είναι μια εναλλακτική λύση. Ωστόσο, η αγορά περίπου 1000 GPU A100 για να σχηματιστεί ένα σύμπλεγμα θα μπορούσε να μειώσει το ένα πάνω από 10 εκατομμύρια δολάρια.

Η επένδυση του Bloomberg άνω του ενός εκατομμυρίου δολαρίων είναι ιδιαίτερα εντυπωσιακή όταν αντιπαρατίθεται στις ραγδαίες εξελίξεις στην τεχνητή νοημοσύνη. Παραδόξως, ένα μοντέλο που κοστίζει μόλις $100 κατάφερε να ξεπεράσει τις επιδόσεις του BloombergGPT σε μόλις μισό χρόνο. Ενώ η εκπαίδευση του BloombergGPT ενσωμάτωσε ιδιόκτητα δεδομένα, η συντριπτική πλειοψηφία (99.30%) του συνόλου των δεδομένων του ήταν δημόσια προσβάσιμη. Έρχεται FinGPT.

FinGPT

Το FinGPT είναι ένα υπερσύγχρονο οικονομικό μοντέλο μεγάλης γλώσσας (FinLLM). Αναπτύχθηκε από το AI4Finance-Foundation, το FinGPT έχει επί του παρόντος καλύτερες επιδόσεις από άλλα μοντέλα όσον αφορά τόσο τη σχέση κόστους-αποτελεσματικότητας όσο και την ακρίβεια γενικότερα.

Αυτή τη στιγμή έχει 3 εκδόσεις? η σειρά FinGPT v3 είναι μοντέλα βελτιωμένα με τη μέθοδο LoRA και έχουν εκπαιδευτεί σε ειδήσεις και tweets για να αναλύουν συναισθήματα. Αποδίδουν τα καλύτερα σε πολλά τεστ οικονομικού κλίματος. Το FinGPT v3.1 είναι χτισμένο στο μοντέλο chatglm2-6B, ενώ το FinGPT v3.2 βασίζεται στο Λάμα2-7b μοντέλο.

FINGPT

Λειτουργίες του FinGPT:

1. Πηγή Δεδομένων και Μηχανική:
   • Απόκτηση δεδομένων: Χρησιμοποιεί δεδομένα από αξιόπιστες πηγές όπως το Yahoo, το Reuters και άλλα.
   • Επεξεργασία δεδομένων: Αυτά τα ακατέργαστα δεδομένα υποβάλλονται σε πολλά στάδια καθαρισμού, διαμόρφωσης διακριτικών και άμεσης μηχανικής για να διασφαλιστεί η συνάφεια και η ακρίβειά τους.
2. Μεγάλα μοντέλα γλωσσών (LLM):
   • Προπόνηση: Χρησιμοποιώντας τα επιμελημένα δεδομένα, όχι μόνο τα LLM μπορούν να προσαρμοστούν με ακρίβεια σε ελαφριά μοντέλα γέννησης προσαρμοσμένα σε συγκεκριμένες ανάγκες, αλλά και υπάρχοντα μοντέλα ή API μπορούν επίσης να προσαρμοστούν για την υποστήριξη εφαρμογών.
   • Στρατηγικές τελειοποίησης:
     • Επίπεδα τανυστήρα (LoRA): Μία από τις βασικές προκλήσεις στην ανάπτυξη μοντέλων όπως το FinGPT είναι η απόκτηση δεδομένων υψηλής ποιότητας με ετικέτα. Αναγνωρίζοντας αυτή την πρόκληση, η FinGPT υιοθετεί μια καινοτόμο προσέγγιση. Αντί να βασίζονται αποκλειστικά στην παραδοσιακή επισήμανση, οι διακυμάνσεις των τιμών των μετοχών που καθοδηγούνται από την αγορά χρησιμοποιούνται ως ετικέτες, μετατρέποντας το συναίσθημα των ειδήσεων σε απτές ετικέτες όπως θετικές, αρνητικές ή ουδέτερες. Αυτό έχει ως αποτέλεσμα τεράστιες βελτιώσεις στις προγνωστικές ικανότητες του μοντέλου, ιδιαίτερα στη διάκριση θετικών και αρνητικών συναισθημάτων. Μέσω τεχνικών λεπτομέρειας όπως το LoRA, το FinGPT v3 κατάφερε να βελτιστοποιήσει την απόδοση μειώνοντας ταυτόχρονα την υπολογιστική επιβάρυνση.
     • Ενίσχυση της μάθησης από την ανθρώπινη ανατροφοδότηση: Το FinGPT χρησιμοποιεί "RLHF (Ενίσχυση μάθησης από την ανθρώπινη ανατροφοδότηση)". Ένα χαρακτηριστικό που απουσιάζει στο BloombergGPT, το RLHF εξοπλίζει το μοντέλο LLM με τη δυνατότητα να διακρίνει μεμονωμένες προτιμήσεις—είτε είναι η διάθεση κινδύνου του χρήστη, τα επενδυτικά μοτίβα ή οι προσαρμοσμένες ρυθμίσεις Robo-Advisor. Αυτή η τεχνική, ο ακρογωνιαίος λίθος τόσο του ChatGPT όσο και του GPT4, εξασφαλίζει μια πιο προσαρμοσμένη και διαισθητική εμπειρία χρήστη.
3. Εφαρμογές και Καινοτομίες:
   • Σύμβουλος Robo: Όπως ένας έμπειρος χρηματοοικονομικός σύμβουλος, το FinGPT μπορεί να αναλύσει τα συναισθήματα των ειδήσεων και να προβλέψει τις τάσεις της αγοράς με μεγάλη ακρίβεια.
   • Ποσοτική διαπραγμάτευση: Εντοπίζοντας συναισθήματα από διάφορες πηγές, από ειδησεογραφικά πρακτορεία έως Twitter, το FinGPT μπορεί να διαμορφώσει αποτελεσματικές στρατηγικές συναλλαγών. Στην πραγματικότητα, ακόμη και όταν κατευθύνεται αποκλειστικά από τα συναισθήματα του Twitter, παρουσιάζει πολλά υποσχόμενα αποτελέσματα συναλλαγών.

Σύγκριση FinGPT με ChatGLM, LLAMA 2, BloombergGPT

Τρέχουσα τροχιά και μέλλον του FinGPT: Ο Ιούλιος 2023 σηματοδοτεί ένα συναρπαστικό ορόσημο για το FinGPT. Η ομάδα αποκάλυψε μια ερευνητική εργασία με τίτλο, "Instruct-FinGPT: Ανάλυση χρηματοοικονομικού συναισθήματος μέσω συντονισμού οδηγιών μοντέλων μεγάλων γλωσσών γενικού σκοπού.» Κεντρική θέση σε αυτό το έγγραφο είναι η εξερεύνηση του συντονισμού εντολών, μια τεχνική που επιτρέπει στο FinGPT να εκτελεί περίπλοκες αναλύσεις οικονομικού κλίματος.

Αλλά το FinGPT δεν περιορίζεται μόνο στην ανάλυση συναισθήματος. Στην πραγματικότητα, 19 άλλες διαφορετικές εφαρμογές είναι διαθέσιμες, καθεμία από τις οποίες υπόσχεται να αξιοποιήσει τα LLM με νέους τρόπους. Από την άμεση μηχανική μέχρι την κατανόηση πολύπλοκων οικονομικών πλαισίων, το FinGPT καθιερώνεται ως ένα ευέλικτο μοντέλο GenAI στον χρηματοοικονομικό τομέα.

Πώς οι παγκόσμιες τράπεζες αγκαλιάζουν το Generative AI

Ενώ η έναρξη του 2023 είδε ορισμένους από τους σημαντικότερους χρηματοοικονομικούς παράγοντες όπως η Bank of America, η Citigroup και η Goldman Sachs να επιβάλλουν περιορισμούς στη χρήση του ChatGPT του OpenAI από τους υπαλλήλους τους, άλλοι ομολόγοι του κλάδου επέλεξαν αναμφίβολα μια πιο φιλική στάση.

Morgan StanleyΗ , για παράδειγμα, έχει ενσωματώσει chatbot που υποστηρίζονται από OpenAI ως εργαλείο για τους οικονομικούς συμβούλους τους. Αξιοποιώντας την εκτεταμένη εσωτερική έρευνα και τα δεδομένα της εταιρείας, αυτά τα chatbot χρησιμεύουν ως εμπλουτισμένοι πόροι γνώσης, αυξάνοντας την αποτελεσματικότητα και την ακρίβεια των οικονομικών συμβουλών.

Φέτος τον Μάρτιο, Hedge fund Citadel πλοηγούσε για να εξασφαλίσει μια άδεια ChatGPT σε ολόκληρη την επιχείρηση. Η μελλοντική υλοποίηση προβλέπει την ενίσχυση τομέων όπως η ανάπτυξη λογισμικού και η περίπλοκη ανάλυση πληροφοριών.

JPMorgan Chase καταβάλλει επίσης προσπάθειες για την αξιοποίηση μεγάλων γλωσσικών μοντέλων για τον εντοπισμό απάτης. Η μεθοδολογία τους περιστρέφεται γύρω από τη χρήση μοτίβων email για τον εντοπισμό πιθανών συμβιβασμών. Χωρίς να επαναπαύεται εδώ, η τράπεζα έχει θέσει επίσης έναν φιλόδοξο στόχο: να προσθέσει τόσο ψηλά  Αξία 1.5 δισεκατομμυρίων δολαρίων με AI μέχρι το τέλος του έτους.

Όσο για την Goldman Sachs, δεν είναι εντελώς ανθεκτική στη γοητεία της τεχνητής νοημοσύνης. Η τράπεζα διερευνά τη δύναμη της παραγωγικής τεχνητής νοημοσύνης για να ενισχύσει τον τομέα της μηχανικής λογισμικού. Οπως και Marco Argenti, Chief Information Officer της Goldman Sachs, το θέτει, μια τέτοια ενσωμάτωση έχει τη δυνατότητα να μεταμορφώσει το εργατικό δυναμικό τους σε κάτι "υπεράνθρωπος. "

Χρησιμοποιήστε περιπτώσεις Generative AI στον τραπεζικό και χρηματοοικονομικό κλάδο

Δημιουργική τεχνητή νοημοσύνη σε περιπτώσεις χρήσης χρηματοοικονομικών

Το Generative AI μεταμορφώνει θεμελιωδώς τις οικονομικές λειτουργίες, τη λήψη αποφάσεων και τις αλληλεπιδράσεις με τους πελάτες. Ακολουθεί μια λεπτομερής εξερεύνηση των εφαρμογών του:

1. Πρόληψη απάτης: Το Generative AI βρίσκεται στην πρώτη γραμμή της ανάπτυξης μηχανισμών ανίχνευσης απάτης αιχμής. Αναλύοντας τεράστιες δεξαμενές δεδομένων, μπορεί να διακρίνει περίπλοκα μοτίβα και παρατυπίες, προσφέροντας μια πιο προληπτική προσέγγιση. Τα παραδοσιακά συστήματα, που συχνά κατακλύζονται από τον τεράστιο όγκο δεδομένων, ενδέχεται να παράγουν ψευδώς θετικά αποτελέσματα. Το Generative AI, αντίθετα, βελτιώνει συνεχώς την κατανόησή του, μειώνοντας τα λάθη και διασφαλίζοντας πιο ασφαλείς οικονομικές συναλλαγές.

2. Αξιολόγηση πιστωτικού κινδύνου: Οι παραδοσιακές μέθοδοι αξιολόγησης της πιστοληπτικής ικανότητας ενός δανειολήπτη, αν και αξιόπιστες, γίνονται ξεπερασμένες. Τα παραγωγικά μοντέλα τεχνητής νοημοσύνης μέσω διαφορετικών παραμέτρων – από πιστωτικά ιστορικά έως ανεπαίσθητα πρότυπα συμπεριφοράς – προσφέρουν ένα ολοκληρωμένο προφίλ κινδύνου. Αυτό όχι μόνο διασφαλίζει ασφαλέστερο δανεισμό, αλλά εξυπηρετεί επίσης ένα ευρύτερο πελατολόγιο, συμπεριλαμβανομένων εκείνων που ενδέχεται να υποστηριχθούν από τις παραδοσιακές μετρήσεις.

3. Αύξηση της αλληλεπίδρασης με τον πελάτη: Ο οικονομικός κόσμος είναι μάρτυρας μιας επανάστασης στην εξυπηρέτηση πελατών, χάρη στα μοντέλα NLP που λειτουργούν με τεχνητή νοημοσύνη. Αυτά τα μοντέλα είναι ικανά να κατανοούν και να ανταποκρίνονται σε ποικίλα ερωτήματα πελατών, προσφέροντας άμεσα εξατομικευμένες λύσεις. Με την αυτοματοποίηση των εργασιών ρουτίνας, τα χρηματοπιστωτικά ιδρύματα μπορούν να μειώσουν τα γενικά έξοδα, να εξορθολογίσουν τις λειτουργίες και το πιο σημαντικό, να βελτιώσουν την ικανοποίηση των πελατών.

4. Εξατομικευμένα οικονομικά: Το One-size-fits-all είναι λείψανο του παρελθόντος. Οι σημερινοί πελάτες απαιτούν οικονομικό σχεδιασμό προσαρμοσμένο στις μοναδικές ανάγκες και φιλοδοξίες τους. Το Generative AI υπερέχει εδώ. Αναλύοντας δεδομένα – από τα πρότυπα δαπανών έως τις επενδυτικές προτιμήσεις – δημιουργεί εξατομικευμένους οικονομικούς οδικούς χάρτες. Αυτή η ολιστική προσέγγιση διασφαλίζει ότι οι πελάτες είναι καλύτερα ενημερωμένοι και πιο εξοπλισμένοι για να πλοηγηθούν στα οικονομικά τους μέλλοντα.

5. Αλγοριθμικές συναλλαγές: Η αναλυτική ικανότητα του Generative AI αποδεικνύεται ανεκτίμητη στον ασταθή κόσμο των αλγοριθμικών συναλλαγών. Αναλύοντας δεδομένα – από τις τάσεις της αγοράς έως το συναίσθημα των ειδήσεων – παρέχει ξεκάθαρες πληροφορίες, επιτρέποντας στους χρηματοοικονομικούς εμπειρογνώμονες να βελτιστοποιήσουν τις στρατηγικές, να προβλέψουν τις αλλαγές στην αγορά και να μετριάσουν τους πιθανούς κινδύνους.

6. Ενίσχυση των πλαισίων συμμόρφωσης: Οι κανονισμοί για την καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AML) είναι κρίσιμοι για τη διατήρηση της ακεραιότητας των χρηματοπιστωτικών συστημάτων. Το Generative AI απλοποιεί τη συμμόρφωση εξετάζοντας περίπλοκα δεδομένα συναλλαγών για τον εντοπισμό ύποπτων δραστηριοτήτων. Αυτό όχι μόνο διασφαλίζει ότι τα χρηματοπιστωτικά ιδρύματα συμμορφώνονται με τα παγκόσμια πρότυπα, αλλά μειώνει επίσης σημαντικά τις πιθανότητες ψευδών θετικών στοιχείων, εξορθολογίζοντας τις λειτουργίες.

7. Κυβερνοασφάλεια: Με τις απειλές στον κυβερνοχώρο να εξελίσσονται συνεχώς, ο χρηματοπιστωτικός τομέας χρειάζεται ευέλικτες λύσεις. Το Generative AI προσφέρει ακριβώς αυτό. Εφαρμόζοντας δυναμικά μοντέλα πρόβλεψης, επιτρέπει ταχύτερο εντοπισμό απειλών, ενισχύοντας τις χρηματοοικονομικές υποδομές έναντι πιθανών παραβιάσεων.

Ωστόσο, όπως συμβαίνει με κάθε εξελισσόμενη τεχνολογία, η γενετική τεχνητή νοημοσύνη συνοδεύεται από τις προκλήσεις της στον χρηματοοικονομικό κλάδο.

Οι ΠΡΟΚΛΗΣΕΙΣ

1. Ενίσχυση πόλωσης: Τα μοντέλα AI, όσο εξελιγμένα κι αν είναι, εξακολουθούν να βασίζονται σε δεδομένα εκπαίδευσης που δημιουργούνται από τον άνθρωπο. Αυτά τα δεδομένα, με τις εγγενείς μεροληψίες τους - είτε σκόπιμα είτε όχι - μπορούν να οδηγήσουν σε λοξά αποτελέσματα. Για παράδειγμα, εάν ένα συγκεκριμένο δημογραφικό στοιχείο υποεκπροσωπείται στο εκπαιδευτικό σύνολο, τα επακόλουθα αποτελέσματα της τεχνητής νοημοσύνης θα μπορούσαν να διαιωνίσουν αυτήν την επίβλεψη. Σε έναν τομέα όπως ο χρηματοοικονομικός, όπου η ισότητα και η δικαιοσύνη είναι πρωταρχικής σημασίας, τέτοιες προκαταλήψεις θα μπορούσαν να οδηγήσουν σε σοβαρές συνέπειες. Οι οικονομικοί ηγέτες πρέπει να είναι προορατικοί στον εντοπισμό αυτών των μεροληψιών και να διασφαλίζουν ότι τα σύνολα δεδομένων τους είναι όσο το δυνατόν πιο ολοκληρωμένα και αντιπροσωπευτικά.
2. Αξιοπιστία εξόδου και λήψη αποφάσεων: Η γενετική τεχνητή νοημοσύνη, κατά καιρούς, μπορεί να παράγει αποτελέσματα που είναι τόσο λανθασμένα όσο και παραπλανητικά—συχνά αποκαλούμενα ως «ψευδαισθήσεις'. Αυτά τα λάθη είναι κάπως αναμενόμενα καθώς τα μοντέλα τεχνητής νοημοσύνης βελτιώνονται και μαθαίνουν, αλλά οι επιπτώσεις στα οικονομικά, όπου η ακρίβεια είναι αδιαπραγμάτευτη, είναι σοβαρές. Το να βασίζεσαι αποκλειστικά στην τεχνητή νοημοσύνη για κρίσιμες αποφάσεις, όπως οι εγκρίσεις δανείων, είναι επικίνδυνο. Αντίθετα, η τεχνητή νοημοσύνη θα πρέπει να θεωρείται ως ένα εξελιγμένο εργαλείο που βοηθά τους οικονομικούς εμπειρογνώμονες και όχι ως ένα εργαλείο που τους αντικαθιστά. Θα πρέπει να χειρίζεται το υπολογιστικό βάρος, παρέχοντας γνώσεις στους επαγγελματίες επαγγελματίες για να λάβουν τις τελικές, τεκμηριωμένες αποφάσεις.
3. Απόρρητο και συμμόρφωση δεδομένων: Η προστασία ευαίσθητων δεδομένων πελατών εξακολουθεί να αποτελεί σημαντικό μέλημα με τις γενετικές εφαρμογές τεχνητής νοημοσύνης. Διασφάλιση ότι το σύστημα συμμορφώνεται με παγκόσμια πρότυπα όπως το Γενικός κανονισμός για την προστασία των δεδομένων (GDPR) και το Καταπολέμηση της ιδιωτικής ζωής των καταναλωτών (CCPA) είναι ζωτικής σημασίας. Η τεχνητή νοημοσύνη μπορεί εγγενώς να μην γνωρίζει ή να μην σέβεται αυτά τα όρια, επομένως η χρήση της πρέπει να μετριάζεται με αυστηρές οδηγίες προστασίας δεδομένων, ιδιαίτερα στον χρηματοπιστωτικό τομέα όπου η εμπιστευτικότητα είναι πρωταρχικής σημασίας.
4. Ποιότητα δεδομένων εισαγωγής: Το Generative AI είναι τόσο καλό όσο τα δεδομένα που του τροφοδοτούνται. Τα ανακριβή ή ελλιπή δεδομένα μπορεί να οδηγήσουν ακούσια σε κατώτερες οικονομικές συμβουλές ή αποφάσεις.

Συμπέρασμα

Από τη βελτίωση των στρατηγικών συναλλαγών έως την ενίσχυση της ασφάλειας, οι εφαρμογές Generative AI είναι τεράστιες και μεταμορφωτικές. Ωστόσο, όπως συμβαίνει με κάθε τεχνολογία, είναι απαραίτητο να προσεγγίσετε την υιοθέτησή της με προσοχή, λαμβάνοντας υπόψη τις ηθικές συνέπειες και τις επιπτώσεις της ιδιωτικής ζωής.

Εκείνα τα ιδρύματα που αξιοποιούν με επιτυχία την ανδρεία της γενετικής τεχνητής νοημοσύνης, ενώ ταυτόχρονα σέβονται τους περιορισμούς και τις πιθανές παγίδες της, αναμφίβολα θα διαμορφώσουν τη μελλοντική τροχιά της παγκόσμιας χρηματοπιστωτικής αρένας.