Γεννητική Ιντελιγένσια στο Χρηματοοικονομικό Τόμο: FinGPT, BloombergGPT & Πέρα

Η γεννητική ιντελιγένσια 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 διάφορους τομείς, ενθαρρύνοντας τις επιχειρήσεις να σχεδιάσουν τα δικά τους μεγάλης κλίμακας γλωσσικά μοντέλα. Ο χρηματοοικονομικός τομέας, ο οποίος είναι βασισμένος σε δεδομένα, είναι τώρα ακόμη πιο εντατικός σε δεδομένα από ποτέ.

Πρόσφατες εκτιμήσεις από το McKinsey δείχνουν ότι αυτή η γεννητική ΙΙ μπορεί να προσφέρει ετήσιες οικονομίες μέχρι $340 δισεκατομμύρια μόνο για τον τραπεζικό τομέα.

BloombergGPT & Οικονομικά της Γεννητικής ΙΙ

Τον Μάρτιο του 2023, η Bloomberg παρουσίασε το BloombergGPT. Είναι ένα γλωσσικό μοντέλο που κατασκευάστηκε από την αρχή με 50 δισεκατομμύρια παραμέτρους, εξειδικευμένο ειδικά για χρηματοοικονομικά δεδομένα.

Για να σώσετε χρήματα, đôifois πρέπει να δαπανήσετε χρήματα. Η εκπαίδευση μοντέλων όπως το BloombergGPT ή το Llama 2 της Meta δεν είναι φτηνά.

Η εκπαίδευση του μοντέλου Llama 2 με 70 δισεκατομμύρια παραμέτρους απαιτούσε 1.700.000 ώρες GPU. Σε εμπορικές υπηρεσίες cloud, η χρήση της Nvidia A100 GPU (που χρησιμοποιείται για το Llama 2) μπορεί να κοστίσει έως $1-$2 για κάθε ώρα GPU. Κάνοντας τα μαθηματικά, ένα μοντέλο 10 δισεκατομμυρίων παραμέτρων θα μπορούσε να κοστίσει γύρω στα $150.000, ενώ ένα μοντέλο 100 δισεκατομμυρίων παραμέτρων θα μπορούσε να κοστίσει έως $1.500.000.

Αν δεν νοικιάζεται, η αγορά των GPU απευθείας είναι μια εναλλακτική λύση. Ωστόσο, η αγορά γύρω στα 1000 A100 GPUs για να σχηματίσετε ένα cluster θα μπορούσε να κοστίσει περισσότερα από $10 εκατομμύρια.

Η επένδυση της Bloomberg πάνω από $1 εκατομμύριο δολάρια είναι ιδιαίτερα εντυπωσιακή όταν αντιπαραβάλλεται με τις ταχύτατες προόδους στην ΙΙ. Εκπληκτικά, ένα μοντέλο που κοστίζει μόνο $100 κατάφερε να ξεπεράσει την απόδοση του BloombergGPT σε μόλις έξι μήνες. Ενώ η εκπαίδευση του BloombergGPT ενσωμάτωσε ιδιόκτητα δεδομένα, μια τεράστια πλειοψηφία (99,30%) του συνόλου των δεδομένων ήταν δημόσια προσβάσιμα. Εμφανίζεται το FinGPT.

FinGPT

Το FinGPT είναι ένα state-of-the-art χρηματοοικονομικό εξειδικευμένο μεγάλο γλωσσικό μοντέλο (FinLLM). Αναπτύχθηκε από το AI4Finance-Foundation, το FinGPT είναι目前 outperforming άλλα μοντέλα όσον αφορά cả την κοστοαποτελεσματικότητα και την ακρίβεια γενικά.

Τώρα έχει 3 εκδόσεις· η σειρά FinGPT v3 είναι μοντέλα που βελτιώθηκαν χρησιμοποιώντας τη μέθοδο LoRA, και εκπαιδεύτηκαν σε ειδήσεις και tweets για να αναλύσουν συναισθήματα. Εκτελούν το καλύτερο σε πολλά χρηματοοικονομικά τεστ συναισθήματος. Το FinGPT v3.1 είναι βασισμένο στο μοντέλο chatglm2-6B, ενώ το FinGPT v3.2 είναι βασισμένο στο Llama2-7b μοντέλο.

FINGPT

Λειτουργίες του FinGPT:

1. Προέλευση και Μηχανική Δεδομένων:
   • Προμήθεια Δεδομένων: Χρησιμοποιώντας δεδομένα από αξιόπιστες πηγές όπως Yahoo, Reuters και άλλα, το FinGPT συνδυάζει μια τεράστια ποικιλία χρηματοοικονομικών ειδήσεων, από μετοχές ΗΠΑ σε μετοχές Κίνας.
   • Επεξεργασία Δεδομένων: Αυτά τα ακατέργαστα δεδομένα υποβάλλονται σε πολλά στάδια καθαρισμού, tokenization και μηχανικής προώθησης για να διασφαλιστεί η σχετικότητά τους και η ακρίβειά τους.
2. Μεγάλα Γλωσσικά Μοντέλα (LLMs):
   • Εκπαίδευση: Χρησιμοποιώντας τα επιλεγμένα δεδομένα, όχι μόνο μπορούν τα LLMs να εξειδικευτούν για να γεννήσουν ελαφριά μοντέλα που προσαρμόζονται σε συγκεκριμένες ανάγκες, αλλά και υπάρχοντα μοντέλα ή APIs μπορούν να προσαρμοστούν για να υποστηρίξουν εφαρμογές.
   • Στρατηγικές Εξειδίκευσης:
     • Στρώματα Τανυστών (LoRA): Ένα από τα βασικά προβλήματα στην ανάπτυξη μοντέλων όπως το FinGPT είναι η απόκτηση υψηλής ποιότητας ετικετών δεδομένων. Αναγνωρίζοντας这一 πρόβλημα, το FinGPT υιοθετεί μια καινοτόμο προσέγγιση. Αντί να βασιστεί αποκλειστικά σε παραδοσιακή ετικέτα, οι μεταβολές των τιμών των μετοχών χρησιμοποιούνται ως ετικέτες, μετατρέποντας τη συναισθηματική ανάλυση ειδήσεων σε ουσιαστικές ετικέτες όπως θετικές, αρνητικές ή ουδέτερες. Αυτό οδηγεί σε τεράστιες βελτιώσεις στις προβλέψεις του μοντέλου, ιδιαίτερα στη διάκριση θετικών και αρνητικών συναισθημάτων. Μέσω τεχνικών εξειδίκευσης όπως η LoRA, το FinGPT v3 κατάφερε να βελτιώσει την απόδοση ενώ μειώνει τον υπολογιστικό φόρτο.
     • Ενίσχυση από Ανθρώπινη Ανταπόκριση: Το FinGPT χρησιμοποιεί “RLHF (Ενίσχυση από Ανθρώπινη Ανταπόκριση)“. Μια λειτουργία που λείπει στο BloombergGPT, η RLHF εξοπλίζει το LLM μοντέλο με την ικανότητα να διακρίνει ατομικές προτιμήσεις—είτε是一 χρήστη που έχει ρίσκο, επενδυτικά μοτίβα ή ρυθμίσεις ρομποτικών συμβούλων. Αυτή η τεχνική, ένας ακρογωνιαίος λίθος τόσο του ChatGPT όσο και του GPT4, εξασφαλίζει μια πιο εξατομικευμένη και直觀ική εμπειρία χρήστη.
3. Εφαρμογές και Καινοτομίες:
   • Ρομποτικό Σύμβουλος: Όπως ένας έμπειρος χρηματοοικονομικός σύμβουλος, το FinGPT μπορεί να αναλύσει συναισθήματα ειδήσεων και να προβλέψει τάσεις της αγοράς με μεγάλη ακρίβεια.
   • Κυβερνητική Εμπορία: Αναγνωρίζοντας συναισθήματα από διάφορες πηγές, από ειδησεογραφικές υπηρεσίες σε Twitter, το FinGPT μπορεί να δημιουργήσει αποτελεσματικές στρατηγικές εμπορίου. Πράγματι, ακόμη και όταν κατευθύνεται μόνο από συναισθήματα Twitter, παρουσιάζει υποσχόμενες εμπορικές αποτελέσματα.

FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT

Τρέχουσα Πορεία και Μέλλον του FinGPT: Ο Ιούλιος του 2023 σηματοδοτεί ένα ενθουσιαστικό ορόσημο για το FinGPT. Η ομάδα παρουσίασε μια έρευνα με τίτλο, “Instruct-FinGPT: Χρηματοοικονομική Ανάλυση Συναισθήματος από την Εξειδίκευση Οδηγιών των Γενικών Μεγάλων Γλωσσικών Μοντέλων.” Κεντρικό σε αυτό το έγγραφο είναι η διερεύνηση της εξειδίκευσης οδηγιών, μιας τεχνικής που επιτρέπει στο FinGPT να εκτελεί σύνθετες χρηματοοικονομικές αναλύσεις συναισθήματος.

Αλλά το FinGPT δεν περιορίζεται μόνο στην ανάλυση συναισθήματος. Πράγματι, 19 άλλες διαφορετικές εφαρμογές είναι διαθέσιμες, каждая από τις οποίες υποσχόμενη να αξιοποιήσει τα LLMs με καινούργιους τρόπους. Από την μηχανική προώθησης έως την κατανόηση σύνθετων χρηματοοικονομικών контекστ, το FinGPT καθιστάται ως ένα πολύπλευρο μοντέλο γεννητικής ΙΙ στον χρηματοοικονομικό τομέα.

Πώς οι Παγκόσμιες Τράπεζες Υιοθετούν τη Γεννητική ΙΙ

Ενώ η έναρξη του 2023 είδε μερικούς από τους μεγαλύτερους χρηματοοικονομικούς παίκτες όπως η Bank of America, Citigroup και Goldman Sachs να επιβάλλουν περιορισμούς στη χρήση του OpenAI’s ChatGPT από τους υπαλλήλους τους, άλλοι αντίπαλοι στον κλάδο έχουν αποφασίσει να υιοθετήσουν μια πιο ανοιχτή στάση.

Morgan Stanley, για παράδειγμα, έχει ενσωματώσει chatbots που βασίζονται στο OpenAI ως εργαλείο για τους χρηματοοικονομικούς συμβούλους. Μέσω της πρόσβασης στα εκτεταμένα εσωτερικά ερευνά τους και δεδομένα, αυτά τα chatbots υπηρετούν ως εμπλουτισμένες πηγές γνώσεων, αυξάνοντας την αποτελεσματικότητα και την ακρίβεια των χρηματοοικονομικών συμβουλών.

Τον Μάρτιο του έτους, Hedge fund Citadel ήταν σε διαπραγματεύσεις για να εξασφαλίσει μια εταιρική άδεια για το ChatGPT. Η προοπτική εφαρμογή προβλέπει την ενίσχυση περιοχών όπως η ανάπτυξη λογισμικού και η σύνθετη ανάλυση πληροφοριών.

JPMorgan Chase επίσης επενδύει προσπάθειες για να αξιοποιήσει τα μεγάλα γλωσσικά μοντέλα για την ανίχνευση απάτης. Η μεθοδολογία τους περιστρέφεται γύρω από την उपयποίηση μοτίβων email για την ανίχνευση πιθανών παραβιάσεων. Δεν σταματάει εκεί, η τράπεζα έχει επίσης ορίσει ένα φιλόδοξο στόχο: να προσθέσει μέχρι $1,5 δισεκατομμύρια σε αξία με την ΙΙ μέχρι το τέλος του έτους.

Όσον αφορά τη Goldman Sachs, δεν είναι εντελώς αντίθετη στην έλξη της ΙΙ. Η τράπεζα εξερευνά τη δύναμη της γεννητικής ΙΙ για να ενισχύσει το τομέα της μηχανικής λογισμικού. Όπως λέει ο Marco Argenti, Chief Information Officer της Goldman Sachs, αυτή η ενσωμάτωση έχει το δυναμικό να μετατρέψει την εργατική δύναμή τους σε κάτι “υπεράνθρωπο“.

Εφαρμογές της Γεννητικής ΙΙ στον Χρηματοοικονομικό και Τραπεζικό Τομέα

Generative AI in Finance Use Cases

Η γεννητική ΙΙ μεταμορφώνει ουσιαστικά τις χρηματοοικονομικές λειτουργίες, την λήψη αποφάσεων και τις αλληλεπιδράσεις με τους πελάτες. Εδώ είναι μια λεπτομερής διερεύνηση των εφαρμογών της:

1. Πρόληψη Απάτης: Η γεννητική ΙΙ βρίσκεται στην πρώτη γραμμή της ανάπτυξης μεθόδων ανίχνευσης απάτης. Αναλύοντας τεράστιες πισίνες δεδομένων, μπορεί να αναγνωρίσει σύνθετα μοτίβα και ανωμαλίες, προσφέροντας μια πιο προληπτική προσέγγιση. Τα παραδοσιακά συστήματα, συχνά καταβεβλημένα από την τεράστια ποσότητα δεδομένων, μπορεί να παράγουν ψευδείς θετικές. Η γεννητική ΙΙ, αντίθετα, συνεχώς βελτιώνει την κατανόησή της, μειώνοντας τα λάθη και εξασφαλίζοντας πιο ασφαλείς χρηματοοικονομικές συναλλαγές.

2. Αξιολόγηση Κινδύνου Πίστωσης: Οι παραδοσιακές μεθόδους αξιολόγησης της πιστωτικής αξιοπιστίας, ενώ αξιόπιστες, γίνονται ξεπερασμένες. Τα μοντέλα γεννητικής ΙΙ, μέσω διαφόρων παραμέτρων – από ιστορικά πίστωσης σε λεπτά μοτίβα συμπεριφοράς – προσφέρουν một πλήρη προφίλ κινδύνου. Αυτό δεν μόνο εξασφαλίζει ασφαλέστερη δανειοδότηση αλλά και εξυπηρετεί ένα ευρύτερο κοινό, συμπεριλαμβανομένων εκείνων που μπορεί να είναι υποαπασχολούμενοι από τις παραδοσιακές μετρήσεις.

3. Βελτίωση της Αλληλεπίδρασης με τους Πελάτες: Ο χρηματοοικονομικός κόσμος βιώνει μια επανάσταση στις υπηρεσίες πελάτη, χάρη στα μοντέλα NLP που βασίζονται στη γεννητική ΙΙ. Αυτά τα μοντέλα είναι ικανά να κατανοούν και να απαντούν σε διάφορες ερωτήσεις πελάτών, προσφέροντας εξατομικευμένες λύσεις άμεσα. Αυτοματοποιώντας τις ρουτίνας εργασίες, οι χρηματοοικονομικές εταιρείες μπορούν να μειώσουν τα έξοδα, να ροηματοποιήσουν τις λειτουργίες και, το πιο σημαντικό, να βελτιώσουν την ικανοποίηση των πελάτών.

4. Προσωπικά Χρηματοοικονομικά: Το “ένα μέγεθος για όλους” είναι ένα λείψανο του παρελθόντος. Σήμερα, οι πελάτες απαιτούν χρηματοοικονομική σχεδίαση που προσαρμόζεται στις μοναδικές ανάγκες και φιλοδοξίες τους. Η γεννητική ΙΙ excels εδώ. Αναλύοντας δεδομένα – από μοτίβα δαπανών σε προτιμήσεις επενδύσεων – μπορεί να δημιουργήσει εξατομικευμένα χρηματοοικονομικά οδικά χάρτη. Αυτή η ολιστική προσέγγιση εξασφαλίζει ότι οι πελάτες είναι καλύτερα ενημερωμένοι και πιο εξοπλισμένοι για να πλοηγηθούν τις χρηματοοικονομικές τους μελλοντικές προοπτικές.

5. Αλγοριθμική Εμπορία: Η αναλυτική ικανότητα της γεννητικής ΙΙ αποδεικνύεται πολύτιμη στον ασταθή κόσμο της αλγοριθμικής εμπορίας. Αναλύοντας δεδομένα – από τάσεις της αγοράς σε συναισθήματα ειδήσεων – παρέχει εντυπωσιακές ενημερώσεις, επιτρέποντας στους χρηματοοικονομικούς εμπειρογνώμονες να βελτιώσουν τις στρατηγικές, να προβλέψουν μεταβολές της αγοράς και να μειώσουν τους πιθανούς κινδύνους.

6. Ενίσχυση Πλαισίων Συμμόρφωσης: Οι κανονισμοί κατά της Λευκής Απομύζευσης (AML) είναι κρίσιμοι για τη διατήρηση της ακεραιότητας των χρηματοοικονομικών συστημάτων. Η γεννητική ΙΙ απλοποιεί τη συμμόρφωση αναλύοντας σύνθετα δεδομένα συναλλαγών για να αναγνωρίσει ύποπτες δραστηριότητες. Αυτό όχι μόνο εξασφαλίζει ότι οι χρηματοοικονομικές εταιρείες συμμορφώνονται με τις παγκόσμιες προδιαγραφές αλλά cũng μειώνει σημαντικά τις πιθανότητες ψευδών θετικών, ροηματοποιώντας τις λειτουργίες.

7. Κυβερνοασφάλεια: Με τις κυβερνοαπειλές να εξελίσσονται συνεχώς, ο χρηματοοικονομικός τομέας χρειάζεται ευέλικτες λύσεις. Η γεννητική ΙΙ προσφέρει ακριβώς αυτό. Υλοποιώντας δυναμικά προβλεπτικά μοντέλα, μπορεί να ενισχύσει την ανίχνευση απειλών, εξασφαλίζοντας τις χρηματοοικονομικές υποδομές ενάντια σε πιθανές παραβιάσεις.

Ωστόσο, όπως συμβαίνει με οποιαδήποτε εξελισσόμενη τεχνολογία, η γεννητική ΙΙ έρχεται με το δικό της σύνολο προκλήσεων στον χρηματοοικονομικό τομέα.

Οι Προκλήσεις

1. Ενίσχυση Προκαταλήψεων: Τα μοντέλα ΙΙ, όσο περίπλοκα κι αν είναι, εξακολουθούν να βασίζονται σε δεδομένα που παράγονται από ανθρώπους. Αυτά τα δεδομένα, με τις εγγενείς προκαταλήψεις—είτε είναι σκόπιμες είτε όχι—μπορούν να οδηγήσουν σε προκατειλημμένα αποτελέσματα. Για παράδειγμα, αν μια συγκεκριμένη δημογραφική ομάδα είναι υποαντιπροσωπεύεται στο σύνολο δεδομένων, τα επόμενα αποτελέσματα του ΙΙ θα μπορούσαν να διαιωνίσουν αυτή την παράλειψη. Σε einen τομέα όπως ο χρηματοοικονομικός, όπου η ισότητα και η δίκαιος είναι απαραίτητες, τέτοιες προκαταλήψεις θα μπορούσαν να οδηγήσουν σε σοβαρές συνέπειες. Οι χρηματοοικονομικοί ηγέτες πρέπει να είναι προσεκτικοί στην αναγνώριση αυτών των προκαταλήψεων και να εξασφαλίζουν ότι τα σύνολα δεδομένων τους είναι τόσο ολοκληρωμένα και αντιπροσωπευτικά όσο είναι δυνατό.
2. Αξιοπιστία Εξόδου & Λήψη Αποφάσεων: Η γεννητική ΙΙ, σε ορισμένες περιπτώσεις, μπορεί να παράγει αποτελέσματα που είναι και λανθασμένα και παραπλανητικά—συχνά ονομάζονται “οπτασίες“. Αυτά τα λάθη είναι κάπως αναμενόμενα καθώς τα μοντέλα ΙΙ βελτιώνονται και μαθαίνουν, αλλά οι επιπτώσεις στον χρηματοοικονομικό τομέα, όπου η ακρίβεια είναι απαραίτητη, είναι σοβαρές. Η εξάρτηση αποκλειστικά από την ΙΙ για κρίσιμες αποφάσεις, όπως οι έγκρισεις δανείων, είναι επικίνδυνη. Αντίθετα, η ΙΙ πρέπει να θεωρηθεί ως ένα πολύπλευρο εργαλείο που βοηθά τους χρηματοοικονομικούς εμπειρογνώμονες, όχι ως ένα που τους αντικαθιστά. Θα πρέπει να χειρίζεται το υπολογιστικό βάρος, παρέχοντας ενημερώσεις για τους ανθρώπινους επαγγελματίες να λάβουν τις τελικές, ενημερωμένες αποφάσεις.
3. Προστασία Δεδομένων & Συμμόρφωση: Η προστασία ευαίσθητων δεδομένων πελάτών παραμένει μια σημαντική ανησυχία με τις εφαρμογές της γεννητικής ΙΙ. Είναι κρίσιμο να εξασφαλιστεί ότι το σύστημα συμμορφώνεται με παγκόσμιες προδιαγραφές όπως τον Κανονισμό Γενικής Προστασίας Δεδομένων (GDPR) και τον Νόμο Προστασίας Καταναλωτών της Καλιφόρνιας (CCPA). Η ΙΙ μπορεί να μην γνωρίζει ή να μην σεβαστεί αυτές τις προδιαγραφές, οπότε η χρήση της πρέπει να μετριάζεται με αυστηρές οδηγίες προστασίας δεδομένων, ιδιαίτερα στον χρηματοοικονομικό τομέα όπου η εμπιστευτικότητα είναι απαραίτητη.
4. Ποιότητα Εισόδου Δεδομένων: Η γεννητική ΙΙ είναι τόσο καλή όσο και τα δεδομένα που της παρέχονται. Λανθασμένα ή ελλιπή δεδομένα μπορούν να οδηγήσουν σε κακά χρηματοοικονομικά συμβουλευτικά ή αποφάσεις.

Συμπέρασμα

Από την βελτίωση των στρατηγικών εμπορίου έως την ενίσχυση της ασφάλειας, οι εφαρμογές της γεννητικής ΙΙ είναι τεράστιες και μεταμορφωτικές. Ωστόσο, όπως συμβαίνει με οποιαδήποτε τεχνολογία, είναι απαραίτητο να προσεγγιστεί η υιοθέτησή της με προσοχή, λαμβάνοντας υπόψη τις ηθικές και προστασίας δεδομένων επιπτώσεις.

Οι θεσμοί που θα καταφέρουν να εκμεταλλευτούν την ικανότητα της γεννητικής ΙΙ, ενώ同時 σεβόμενοι τις περιορισμούς και τους πιθανούς κινδύνους της, θα διαμορφώσουν αναμφισβήτητα τη μελλοντική πορεία του παγκόσμιου χρηματοοικονομικού τομέα.