Ingeniería rápida
IA generativa en finanzas: FinGPT, BloombergGPT y más allá
La IA generativa se refiere a modelos que pueden generar nuevas muestras de datos que son similares a los datos de entrada. El éxito de ChatGPT abrió muchas oportunidades en todas las industrias, inspirando a las empresas a diseñar sus propios modelos de lenguaje de gran tamaño. El sector financiero, impulsado por los datos, ahora utiliza más datos que nunca.
Trabajo como científico de datos en una empresa de servicios financieros con sede en Francia. Después de haber estado allí durante más de un año, recientemente observé un aumento significativo en los casos de uso de LLM en todas las divisiones para la automatización de tareas y la construcción de sistemas de inteligencia artificial robustos y seguros.
Cada servicio financiero tiene como objetivo crear sus propios LLM optimizados utilizando modelos de código abierto como LLAMA 2 or halcón. Especialmente los bancos tradicionales que tienen décadas de datos financieros consigo.
Hasta ahora, no ha sido factible incorporar esta gran cantidad de datos en un solo modelo debido a recursos informáticos limitados y modelos menos complejos y de bajos parámetros. Sin embargo, estos modelos de código abierto con miles de millones de parámetros ahora pueden ser afinado a grandes cantidades de conjuntos de datos textuales. Los datos son como combustible para estos modelos; cuanto más haya, mejores serán los resultados.
Tanto los modelos de datos como los de LLM pueden ahorrar millones a los bancos y otros servicios financieros al mejorar la automatización, la eficiencia, la precisión y más.
Estimaciones recientes de McKinsey sugieren que esta IA generativa podría ofrecer ahorros anuales de hasta 340 mil millones de dólares sólo para el sector bancario.
BloombergGPT y la economía de la IA generativa
En marzo de 2023, Bloomberg presentó BloombergGPT. Es un modelo de lenguaje creado desde cero con 50 mil millones de parámetros, diseñado específicamente para datos financieros.
Para ahorrar dinero, a veces es necesario gastar dinero. Los modelos de entrenamiento como BloombergGPT o Meta's Llama 2 no son baratos.
Entrenar el modelo de 2 mil millones de parámetros de Llama 70 requirió 1,700,000 horas de GPU. En servicios comerciales en la nube, empleando el GPU Nvidia A100 (usado para Llama 2) puede costar entre $ 1 y $ 2 por cada hora de GPU. Haciendo los cálculos, un modelo de 10 mil millones de parámetros podría costar alrededor de 150,000 dólares, mientras que un modelo de 100 mil millones de parámetros podría costar hasta 1,500,000 dólares.
Si no se alquila, la compra directa de las GPU es una alternativa. Sin embargo, comprar alrededor de 1000 GPU A100 para formar un clúster podría costar más de 10 millones de dólares.
La inversión de Bloomberg de más de un millón de dólares es particularmente reveladora cuando se yuxtapone a los rápidos avances en IA. Sorprendentemente, un modelo que cuesta sólo 100 dólares logró superar el rendimiento de BloombergGPT en sólo medio año. Si bien la capacitación de BloombergGPT incorporó datos patentados, una gran mayoría (99.30%) de su conjunto de datos era de acceso público. Llega FinGPT.
FinGPT
FinGPT es un modelo de lenguaje grande optimizado financiero (FinLLM) de última generación. Desarrollado por AI4Finance-Foundation, FinGPT actualmente supera a otros modelos en términos de rentabilidad y precisión en general.
Actualmente cuenta con 3 versiones; La serie FinGPT v3 son modelos mejorados mediante el método LoRA y están entrenados en noticias y tweets para analizar sentimientos. Tienen los mejores resultados en muchas pruebas de sentimiento financiero. FinGPT v3.1 se basa en el modelo chatglm2-6B, mientras que FinGPT v3.2 se basa en el llama2-Modelo 7b.
FINGPT
Operaciones de FinGPT:
- Ingeniería y abastecimiento de datos:
- Adquisición de Datos: Utiliza datos de fuentes acreditadas como Yahoo, Reuters y más, FinGPT fusiona una amplia gama de noticias financieras, que abarcan desde acciones estadounidenses hasta acciones CN.
- Procesamiento de datos: Estos datos sin procesar pasan por muchas etapas de limpieza, tokenización e ingeniería rápida para garantizar su relevancia y precisión.
- Modelos de lenguaje grande (LLM):
- Formación: Utilizando los datos seleccionados, los LLM no solo pueden ajustarse para generar modelos livianos adaptados a necesidades específicas, sino que también se pueden adaptar los modelos o API existentes para admitir aplicaciones.
- Estrategias de ajuste:
- Capas tensoriales (lora): Uno de los desafíos clave en el desarrollo de modelos como FinGPT es obtener datos etiquetados de alta calidad. Al reconocer este desafío, FinGPT adopta un enfoque innovador. En lugar de depender únicamente del etiquetado tradicional, las fluctuaciones del precio de las acciones impulsadas por el mercado se emplean como etiquetas, traduciendo el sentimiento de las noticias en etiquetas tangibles como positivo, negativo o neutral. Esto da como resultado mejoras masivas en las capacidades predictivas del modelo, particularmente en el discernimiento de sentimientos positivos y negativos. A través de técnicas de ajuste como LoRA, FinGPT v3 logró optimizar el rendimiento y al mismo tiempo reducir la sobrecarga computacional.
- Aprendizaje por refuerzo a partir de la retroalimentación humana: FinGPT utiliza “RLHF (Aprendizaje por refuerzo a partir de retroalimentación humana)“. Una característica ausente en BloombergGPT, RLHF equipa al modelo LLM con la capacidad de discernir preferencias individuales, ya sea el apetito de riesgo de un usuario, patrones de inversión o configuraciones personalizadas de robo-advisor. Esta técnica, piedra angular tanto de ChatGPT como de GPT4, garantiza una experiencia de usuario más personalizada e intuitiva.
- Aplicaciones e innovaciones:
- Asesor Robo: Como un asesor financiero experimentado, FinGPT puede analizar las noticias y predecir las tendencias del mercado con gran precisión.
- Comercio cuantitativo: Al identificar sentimientos de diversas fuentes, desde medios de comunicación hasta Twitter, FinGPT puede formular estrategias comerciales efectivas. De hecho, incluso cuando está dirigido únicamente por los sentimientos de Twitter, muestra resultados comerciales prometedores.
Comparación de FinGPT con ChatGLM, LLAMA 2, BloombergGPT
La trayectoria actual y el futuro de FinGPT: Julio de 2023 marca un hito emocionante para FinGPT. El equipo dio a conocer un trabajo de investigación titulado "Instruct-FinGPT: Análisis del sentimiento financiero mediante el ajuste de instrucciones de modelos de lenguaje grande de uso general.” Un elemento central de este artículo es la exploración del ajuste de instrucciones, una técnica que permite a FinGPT ejecutar complejos análisis de sentimiento financiero.
Pero FinGPT no se limita únicamente al análisis de sentimientos. De hecho, hay disponibles otras 19 aplicaciones diversas, cada una de las cuales promete aprovechar los LLM de formas novedosas. Desde la ingeniería rápida hasta la comprensión de contextos financieros complejos, FinGPT se está estableciendo como un modelo GenAI versátil en el ámbito financiero.
Cómo los bancos globales están adoptando la IA generativa
Si bien a principios de 2023 algunos de los principales actores financieros como Bank of America, Citigroup y Goldman Sachs impusieron restricciones al uso de ChatGPT de OpenAI por parte de sus empleados, otras contrapartes de la industria han optado decididamente por una postura más abrazadora.
Morgan Stanley, por ejemplo, ha integrado chatbots con tecnología OpenAI como herramienta para sus asesores financieros. Al aprovechar la extensa investigación y datos internos de la empresa, estos chatbots sirven como recursos de conocimiento enriquecidos, aumentando la eficiencia y precisión del asesoramiento financiero.
En marzo de este año, Fondo de cobertura Ciudadela estaba buscando obtener una licencia ChatGPT para toda la empresa. La posible implementación prevé reforzar áreas como el desarrollo de software y el análisis complejo de información.
JPMorgan Chase También se está esforzando en aprovechar grandes modelos lingüísticos para la detección de fraudes. Su metodología gira en torno a la utilización de patrones de correo electrónico para identificar posibles compromisos. Sin quedarse ahí, el banco también se ha fijado un objetivo ambicioso: añadir hasta 1.5 millones de dólares en valor con IA para fin de año.
En cuanto a Goldman Sachs, no se resisten del todo al atractivo de la IA. El banco está explorando el poder de la IA generativa para fortalecer su dominio de ingeniería de software. Como Marco Argenti, director de información de Goldman Sachs, dice, dicha integración tiene el potencial de transformar su fuerza laboral en algo “sobrehumano."
Casos de uso de IA generativa en la industria bancaria y financiera
IA generativa en casos de uso financieros
La IA generativa está transformando fundamentalmente las operaciones financieras, la toma de decisiones y las interacciones con los clientes. Aquí hay una exploración detallada de sus aplicaciones:
1. Prevención de fraudes: La IA generativa está a la vanguardia del desarrollo de mecanismos de detección de fraude de vanguardia. Al analizar grandes conjuntos de datos, puede discernir patrones e irregularidades intrincados, lo que ofrece un enfoque más proactivo. Los sistemas tradicionales, a menudo abrumados por el gran volumen de datos, pueden producir falsos positivos. La IA generativa, por el contrario, perfecciona continuamente su comprensión, reduce los errores y garantiza transacciones financieras más seguras.
2. Evaluación del Riesgo Crediticio: Los métodos tradicionales para evaluar la solvencia de un prestatario, si bien son fiables, se están volviendo obsoletos. Los modelos de IA generativa a través de diversos parámetros (desde historiales crediticios hasta patrones de comportamiento sutiles) ofrecen un perfil de riesgo integral. Esto no sólo garantiza préstamos más seguros, sino que también atiende a una clientela más amplia, incluidos aquellos que podrían estar desatendidos por las métricas tradicionales.
3. Aumentar la interacción con el cliente: El mundo financiero está siendo testigo de una revolución en el servicio al cliente, gracias a los modelos de PNL generativos impulsados por IA. Estos modelos son expertos en comprender y responder a diversas consultas de los clientes, ofreciendo soluciones personalizadas con prontitud. Al automatizar las tareas rutinarias, las instituciones financieras pueden reducir los gastos generales, optimizar las operaciones y, lo más importante, mejorar la satisfacción del cliente.
4. Financiero personalizado: La solución única es una reliquia del pasado. Los clientes de hoy exigen una planificación financiera adaptada a sus necesidades y aspiraciones únicas. La IA generativa sobresale aquí. Al analizar datos (desde patrones de gasto hasta preferencias de inversión), elabora hojas de ruta financieras individualizadas. Este enfoque holístico garantiza que los clientes estén mejor informados y más equipados para afrontar su futuro financiero.
5. Trading algorítmico: La destreza analítica de la IA generativa está resultando invaluable en el volátil mundo del comercio algorítmico. Al analizar datos (desde las tendencias del mercado hasta el sentimiento de las noticias), proporciona información incisiva que permite a los expertos financieros optimizar estrategias, anticipar cambios en el mercado y mitigar riesgos potenciales.
6. Fortalecimiento de los marcos de cumplimiento: Las regulaciones contra el lavado de dinero (AML) son fundamentales para mantener la integridad de los sistemas financieros. La IA generativa simplifica el cumplimiento al examinar datos transaccionales complejos para identificar actividades sospechosas. Esto no solo garantiza que las instituciones financieras cumplan con los estándares globales, sino que también reduce significativamente las posibilidades de falsos positivos, lo que agiliza las operaciones.
7. Ciberseguridad: Dado que las ciberamenazas evolucionan constantemente, el sector financiero necesita soluciones ágiles. La IA generativa ofrece exactamente eso. Al implementar modelos predictivos dinámicos, permite una detección de amenazas más rápida, fortaleciendo las infraestructuras financieras contra posibles infracciones.
Sin embargo, como ocurre con cualquier tecnología en evolución, la IA generativa presenta una serie de desafíos en la industria financiera.
Los desafios
- Amplificación de polarización: Los modelos de IA, por más sofisticados que sean, todavía dependen de datos de entrenamiento generados por humanos. Estos datos, con sus sesgos inherentes (intencionales o no), pueden conducir a resultados sesgados. Por ejemplo, si un grupo demográfico en particular está subrepresentado en el conjunto de capacitación, los resultados posteriores de la IA podrían perpetuar esta supervisión. En un sector como el financiero, donde la equidad y la justicia son primordiales, esos sesgos podrían tener graves consecuencias. Los líderes financieros deben ser proactivos a la hora de identificar estos sesgos y garantizar que sus conjuntos de datos sean lo más completos y representativos posible.
- Confiabilidad de salida y toma de decisiones: La IA generativa, en ocasiones, puede producir resultados erróneos y engañosos, a menudo denominados como "alucinaciones'. Estos errores son algo esperados a medida que los modelos de IA se perfeccionan y aprenden, pero las repercusiones en las finanzas, donde la precisión no es negociable, son graves. Depender únicamente de la IA para tomar decisiones críticas, como la aprobación de préstamos, es peligroso. En cambio, la IA debería verse como una herramienta sofisticada que ayuda a los expertos financieros, no como una que los reemplaza. Debería manejar el peso computacional, proporcionando información para que los profesionales humanos tomen decisiones finales e informadas.
- Privacidad y cumplimiento de datos: La protección de los datos confidenciales de los clientes sigue siendo una preocupación importante en las aplicaciones de IA generativa. Garantizar que el sistema cumpla con estándares globales como el Reglamento General de Protección de Datos (GDPR) y el Ley de privacidad del consumidor de California (CCPA) es crucial. Es posible que la IA no conozca ni respete inherentemente estos límites, por lo que su uso debe moderarse con pautas estrictas de protección de datos, particularmente en el sector financiero donde la confidencialidad es primordial.
- Calidad de los datos de entrada: La IA generativa es tan buena como los datos que recibe. Los datos inexactos o incompletos pueden conducir inadvertidamente a decisiones o consejos financieros deficientes.
Conclusión
Desde mejorar las estrategias comerciales hasta fortalecer la seguridad, las aplicaciones de IA generativa son amplias y transformadoras. Sin embargo, como ocurre con cualquier tecnología, es esencial abordar su adopción con cautela, considerando las implicaciones éticas y de privacidad.
Aquellas instituciones que aprovechen con éxito las proezas de la IA generativa, respetando al mismo tiempo sus limitaciones y peligros potenciales, sin duda darán forma a la trayectoria futura del ámbito financiero mundial.
