Generatiivinen tekoäly rahoituksessa: FinGPT, BloombergGPT ja sen ulkopuolella

Generatiivinen tekoäly viittaa malleihin, jotka voivat luoda uusia datanäytteitä, jotka ovat samanlaisia kuin syötteenä käytetty data. ChatGPT:n menestys avasi monia mahdollisuuksia eri aloilla, inspiroi yrityksiä suunnittelemaan omat suuret kielimallinsa. Rahoitusala, joka on aina ollut, on nyt vielä enemmän kuin koskaan.

Työskentelenänä ranskalaisessa rahoituspalveluyrityksessä. Ollessani siellä yli vuoden ajan, olen havainnut merkittävän kasvun LLM-käytössä kaikissa osastoissa tehtävien automatisoinnissa ja vahvasti turvallisten tekoälyjärjestelmien rakentamisessa.

Jokainen rahoituspalvelu pyrkii luomaan omat hienosäätönsä avoimien lähtökohtaisista malleista, kuten LLAMA 2 tai Falcon. Erityisesti perinteiset pankit, joilla on vuosikymmenten mittaiset rahoitusdata.

Tähän asti ei ole ollut mahdollista sisällyttää tätä valtavaa määrää dataa yhteen malliin rajoitettujen laskentaresurssien ja vähemmän monimutkaisten/matalaparametristen mallien vuoksi. Kuitenkin nämä avoimet mallit, joissa on miljardeja parametreja, voidaan hienosäätää suurten tekstidatamäärien kanssa. Data on kuin polttoainetta näille malleille; mitä enemmän sitä on, sitä parempia tulokset ovat.

Sekä data että LLM-mallit voivat säästää pankeille ja muille rahoituspalveluille miljoonia parantamalla automaatiota, tehokkuutta, tarkkuutta ja paljon muuta.

Viimeaikaiset arviot McKinsey suggeroi, että tämä generatiivinen tekoäly voi tarjota vuosittaisia säästöjä jopa 340 miljardia dollaria ainoastaan pankkisektorille.

BloombergGPT & Generatiivisen tekoälyn talous

Maaliskuussa 2023 Bloomberg esitteli BloombergGPT:n. Se on kielen malli, joka on rakennettu alusta alkaen 50 miljardin parametrin kanssa, ja se on suunniteltu erityisesti rahoitusdataa varten.

Jotta voit säästää rahaa, sinun joskus on vietävä rahaa. Mallien kuten BloombergGPT tai Meta:n Llama 2 kouluttaminen ei ole halpaa.

Llama 2:n 70 miljardin parametrin mallin kouluttaminen vaati 1 700 000 GPU-tuntia. Kaupallisten pilvipalvelujen käyttäminen, kuten Nvidia A100 GPU (jota käytetään Llama 2:ssa), voi maksaa 1-2 dollaria jokaisesta GPU-tunnista. Tekemällä laskelmat, 10 miljardin parametrin malli voi maksaa noin 150 000 dollaria, kun taas 100 miljardin parametrin malli voi maksaa jopa 1,5 miljoonaa dollaria.

Jos et vuokraa, voit ostaa GPU:t suoraan. Ostamalla noin 1000 A100 GPU:ta voidaksesi muodostaa klusterin, se voi maksaa yli 10 miljoonaa dollaria.

Bloombergin yli miljoonan dollarin sijoitus on erityisen silmiä avaava, kun se asetetaan nopeiden edistysten rinnalle tekoälyssä. Hämmästyttävästi malli, joka maksoi vain 100 dollaria, pystyi ohittamaan BloombergGPT:n suorituskyvyn vain puolessa vuodessa. Vaikka BloombergGPT:n koulutus sisälsi omistuksellista dataa, suurin osa (99,30 %) heidän tietokannastaan oli julkisesti saatavilla. Tästä syntyy FinGPT.

FinGPT

FinGPT on viimeisimmän sukupolven rahoitusalan hienosäätöinen suuri kielen malli (FinLLM). AI4Finance-Foundationin kehittämä FinGPT on tällä hetkellä ylittänyt muiden mallien suorituskyvyn sekä kustannustehokkuuden että tarkkuuden suhteen yleisesti.

Sillä on tällä hetkellä kolme versiota; FinGPT v3 -sarja on malleja, jotka on parannettu LoRA-menetelmällä, ja ne on koulutettu uutisista ja twiiteistä tunteiden analysointia varten. Ne suoriutuvat parhaiten monissa rahoitusalan tunteiden testeissä. FinGPT v3.1 perustuu chatglm2-6B-malliin, kun taas FinGPT v3.2 perustuu Llama2-7b-malliin.

FINGPT

FinGPT:n toiminta:

1. Datankeruu ja -tekniikka:
   • Datankeruu: Käyttäen luotettavia lähteitä kuten Yahoo, Reuters ja muita, FinGPT yhdistää laajan valikoiman rahoitusuutisia, kattavasti Yhdysvaltain osakkeista Kiinan osakkeisiin.
   • Dataprosessi: Tämä raaka data käy läpi useita puhdistus-, tokenisointi- ja ohjelmointivaiheita, jotta varmistetaan sen merkitys ja tarkkuus.
2. Suuret kielimallit (LLM):
   • Koulutus: Käyttäen kuratoitua dataa, LLM:itä voidaan hienosäätää kevyiksi malleiksi, jotka on suunniteltu tiettyihin tarpeisiin, ja olemassa olevia malleja tai API:ja voidaan sovittaa tukemaan sovelluksia.
   • Hienosäätöstrategiat:
     • Tensorigraafiset kerrokset (LoRA): Yksi avainhaasteista kehittää malleja kuten FinGPT on saada korkealaatuista merkittyä dataa. Tunnistamalla tämän haasteen, FinGPT ottaa käyttöön innovatiivisen lähestymistavan. Sen sijaan, että se luottaisi ainoastaan perinteisiin merkintätapoihin, markkinavoimien osakekurssien heilahtelut käytetään merkintöinä, kääntäen uutisten tunteita konkreettisiksi merkinnöiksi, kuten positiiviseksi, negatiiviseksi tai neutraaliksi. Tämä johtaa massiivisiin parannuksiin mallin ennustuskyvyssä, erityisesti positiivisen ja negatiivisen tunneasteikon erottelussa. LoRA-hienosäätötekniikoiden kautta FinGPT v3 onnistui optimoimaan suorituskyvyn vähentämällä laskennallista kuormitusta.
     • Vahvistusoppiminen ihmisten palautteen perusteella: FinGPT käyttää “RLHF (Vahvistusoppiminen ihmisten palautteen perusteella)“. Tämä ominaisuus, joka puuttuu BloombergGPT:stä, antaa LLM-mallille kyvyn havaita yksilöllisiä preferenssejä – olipa kyse riskinottokyvystä, sijoituspatterneista tai räätälöidyistä robo-ohjelmista. Tämä tekniikka, joka on olennainen osa sekä ChatGPT:tä että GPT4:ää, takaa entistä henkilökohtaisemman ja viihdyttävämmän käyttökokemuksen.
3. Sovellukset ja innovaatiot:
   • Robo-ohjelma: Kuin kokenut rahoitusneuvonantaja, FinGPT voi analyysin uutisten tunteita ja ennustaa markkinatrendeja suurella tarkkuudella.
   • Quantitatiivinen kaupankäynti: Tunneiden havainnoinnista moninaisista lähteistä, uutislehtien ja Twitterin kautta, FinGPT voi muodostaa tehokkaita kaupankäyntistrategioita. Itse asiassa, jopa ohjatessaan ainoastaan Twitterin tunteiden mukaan, se osoittaa lupaavia kaupankäyntituloksia.

FinGPT vertailu ChatGLM, LLAMA 2, BloombergGPT

FinGPT:n nykyinen kehitys ja tulevaisuus: Heinäkuu 2023 on merkittävä merkkipaalu FinGPT:lle. Tiimi julkaisi tutkimuspaperin, jonka otsikko on “Instruct-FinGPT: Rahoitusalan tunneanalyysi yleisten suurten kielimallien ohjaamisella“. Tämä paperi keskittyy ohjaamisen tekniikan tutkimiseen, joka mahdollistaa FinGPT:lle monimutkaisten rahoitusalan tunneanalyysien suorittamisen.

Mutta FinGPT ei rajoitu pelkästään tunneanalyysiin. Se tarjoaa tosiasiassa 19 muuta monipuolista sovellusta, joista jokainen lupaa hyödyntää LLM:itä uudella tavalla. Ohjelmointitekniikasta monimutkaisten rahoituskontekstien ymmärtämiseen, FinGPT vakiinnuttaa itsensä monipuoliseksi GenAI-malliksi rahoitusalueella.

Kuinka kansainväliset pankit omaksuvat generatiivista tekoälyä

Vaikka vuoden 2023 alussa jotkut suuret rahoitusalan toimijat, kuten Bank of America, Citigroup ja Goldman Sachs, asettivat rajoituksia OpenAI:n ChatGPT:n käytölle työntekijöidensä keskuudessa, toiset alan toimijat ovat valinneet avoimemman asenteen.

Morgan Stanley on esimerkiksi integroinut OpenAI-pohjaiset chatbotit välineiksi rahoitusneuvonantajilleen. Hyödyntämällä yrityksen laajaa sisäistä tutkimus- ja dataa, nämä chatbotit toimivat rikastettuina tietovarastoina, parantaen rahoitusneuvonnan tehokkuutta ja tarkkuutta.

Maaliskuussa tämä vuosi Hedge fund Citadel oli neuvotteluissa yrityskohtaisen ChatGPT-lisenssin hankkimisesta. Mahdollinen toteutus näkee vahvistamisen alueilla kuten ohjelmistokehityksessä ja monimutkaisessa tietojen analyysissä.

JPMorgan Chase on myös panostamassa suurten kielimallien hyödyntämiseen petosten havaitsemisessa. Heidän menetelmänsä perustuu sähköpostien mallien analysointiin mahdollisten uhkausten tunnistamiseksi. Eikä pankki pysähtynyt tähän, sillä se on asettanut kunnianhimoisen tavoitteen: lisätä jopa 1,5 miljardia dollaria arvoa tekoälyllä vuoden loppuun mennessä.

Kun tulee Goldman Sachsiin, he eivät ole täysin vastustamattomia tekoälyn viehätysvoimalle. Pankki tutkii generatiivisen tekoälyn voimaa vahvistaakseen ohjelmistokehitysaluettaan. Kuten Marco Argenti, Goldman Sachsin Chief Information Officer, toteaa, tällainen integraatio voi muuttaa heidän työvoimansa “yliluonnolliseksi”.

Generatiivisen tekoälyn sovellukset pankki- ja rahoitusalan

Generatiivinen tekoäly rahoituksessa KÄYTTÖTAPAUKSET

Generatiivinen tekoäly muuttaa perustavanlaatuisesti rahoitusoperaatioita, päätöksentekoa ja asiakasvuorovaikutuksia. Tässä on yksityiskohtainen katsaus sen sovelluksista:

1. Petosten ehkäisy: Generatiivinen tekoäly on kehittämässä kehittyneitä petosten havaitsemismekanismeja. Analysoimalla laajoja datapooleja, se voi erottaa monimutkaisia kuvioita ja epäsäännöllisyyksiä, tarjoten enemmän proaktiivisen lähestymistavan. Perinteiset järjestelmät, jotka usein jäävät jälkeen datan määrästä, voivat tuottaa vääräpositiivisia tuloksia. Generatiivinen tekoäly sen sijaan hienostaa jatkuvasti ymmärrystään, vähentäen virheitä ja varmistaen turvallisemmat rahoitustransaktiot.

2. Luottoriskien arviointi: Perinteiset menetelmät velallisen luottokelpoisuuden arvioinnissa, vaikka luotettavia, ovat vanhentumassa. Generatiivisen tekoälyn mallit moninaisten parametrejä kuten luottohistorioita ja hienovaraisia käyttäytymismalleja kautta, tarjoavat kattavan riskiprofiilin. Tämä ei ainoastaan takaa turvallisempaa lainaa, vaan myös palvelee laajempaa asiakaskuntaa, mukaan lukien ne, jotka saattavat olla perinteisten mittareiden ulottumattomissa.

3. Asiakasvuorovaikutuksen parantaminen: Rahoitusmaailma on todistamassa vallankumousta asiakaspalvelussa kiitos generatiivisen tekoälyn voiman. Nämä mallit ovat taitavia ymmärtämään ja vastaamaan moninaisiin asiakaskysymyksiin, tarjoten räätälöityjä ratkaisuja nopeasti. Automatisoimalla rutiininomaiset tehtävät, rahoituslaitokset voivat vähentää kuluja, suorittaa operaatioita ja parantaa asiakastyytyväisyyttä.

4. Henkilökohtainen rahoitus: Yksi kokoa sopii kaikille on jäänyt historiaan. Nykyään asiakkaat vaativat rahoitussuunnittelua, joka on räätälöity heidän yksilöllisiin tarpeisiinsa ja toiveisiinsa. Generatiivinen tekoäly erottuu tässä. Analysoimalla dataa – kulutusmallista sijoitussuosiin – se rakentaa yksilöllisiä rahoituspolkuja. Tämä kokonainen lähestymistapa varmistaa, että asiakkaat ovat paremmin informoituja ja valmistautuneempia navigoimaan heidän rahoitusasioissaan.

5. Algoritminen kaupankäynti: Generatiivisen tekoälyn analytiikka on osoittautunut arvokkaaksi algoritmisen kaupankäynnin maailmassa. Analysoimalla dataa – markkinatrendeistä uutisten tunteisiin – se tarjoaa teräviä näkemyksiä, mahdollistaen rahoitusasiantuntijoille optimoida strategioita, ennakoida markkinamuutoksia ja vähentää potentiaalisia riskejä.

6. Sääntelykehyksen lujittaminen: Rahanpesun (AML) säännökset ovat kriittisiä rahoitusjärjestelmien eheyyden ylläpitämisessä. Generatiivinen tekoäly yksinkertaisee sääntelyä siivilöimällä monimutkaisia transaktiodataa epäilyttävien toimien havaitsemiseksi. Tämä ei ainoastaan varmista, että rahoituslaitokset noudattavat kansainvälisiä standardeja, vaan myös vähentää merkittävästi vääräpositiivisten havaintojen määrää, suorittaen operaatioita.

7. Kyberturva: Koska kyberuhkat kehittyvät jatkuvasti, rahoitusala tarvitsee joustavia ratkaisuja. Generatiivinen tekoäly tarjoaa täsmälleen sen. Toteuttamalla dynaamisia ennustemalleja, se mahdollistaa nopeamman uhkaiden havaitsemisen, lujittaen rahoitusinfrastruktuureja potentiaalista uhkaa vastaan.

Kuitenkin, kuten kaikki kehittyvä teknologia, generatiivinen tekoäly tulee omilla haasteillaan rahoitusalan.

Haasteet

1. Harhan vahvistaminen: Tekoälymallit, niin kehittyneitä kuin ne ovat, riippuvat edelleen ihmisten luomasta koulutusdatasta. Tämä data, joka sisältää sisäisiä harhoja – olkoon niiden tarkoitus tahallinen tai ei – voi johtaa vääristyneisiin tuloksiin. Esimerkiksi, jos tietty demografinen ryhmä on aliedustettu koulutusjoukossa, tekoälyn myöhemmät tulokset voivat jatkaa tätä puutetta. Rahoitusalan, jossa tasapuolisuus ja reiluus ovat olennaisia, tällaiset harhat voivat johtaa vakaviin seurauksiin. Rahoitusjohtajien on oltava proaktiivisia tunnistamassa näitä harhoja ja varmistamassa, että heidän tietokannansa on mahdollisimman kattava ja edustava.
2. Tulosten luotettavuus ja päätöksenteko: Generatiivinen tekoäly voi toisinaan tuottaa tuloksia, jotka ovat sekä väärä että harhaanjohtavia – usein kutsutaan “harhailuksi“. Nämä virheet ovat jossain määrin odotettavissa, kun tekoälymallit jalostuvat ja oppivat, mutta vaikutukset rahoituksessa, jossa tarkkuus on ehdoton, ovat vakavia. Riippumaton tekoälystä kriittisten päätösten tekemiseen, kuten lainojen hyväksymiseen, on vaarallista. Sen sijaan tekoälyä tulisi pitää kehittyneenä työkaluna, joka tukee rahoitusammattilaisia, ei korvaa heitä. Se käsittelee laskennallisen kuorman, tarjoten näkemyksiä, joiden perusteella ihmisten ammattilaisten on tehtävä lopulliset, perustellut päätökset.
3. Dataturvallisuus ja sääntely: Sensitive asiakasdatan suojaaminen on edelleen merkittävä huolenaihe generatiivisen tekoälyn sovelluksissa. On tärkeää varmistaa, että järjestelmä noudattaa kansainvälisiä standardeja, kuten Yleistä tietosuoja-asetusta (GDPR) ja Kalifornian kuluttajansuojalakia (CCPA). Tekoäly ei välttämättä tiedä tai kunnioita näitä rajoja, joten sen käyttö on oltava säädeltyä tiukkojen datansuojaoikeuksien puitteissa, erityisesti rahoitusalan, jossa luottamuksellisuus on ensisijaista.
4. Syötteen laatu: Generatiivinen tekoäly on vain yhtä hyvä kuin sille syötettävä data. Virheellinen tai epätäydellinen data voi johtaa alentuneeseen rahoitusneuvontaan tai päätöksiin.

Johtopäätös

Generatiivisen tekoälyn sovellukset ovat laajat ja muodonmuuttavia, parantamalla kaupankäyntistrategioita ja lujittaen turvallisuutta. Kuitenkin, kuten kaikki teknologia, on tärkeää lähestyä sen omaksumista varovasti, ottaen huomioon eettiset ja yksityisyyden vaikutukset.

Ne rahoituslaitokset, jotka onnistuvat hyödyntämään generatiivisen tekoälyn voimaa samalla kunnioittaen sen rajoituksia ja mahdollisia vaaroja, muokkaavat varmasti tulevaisuuden suuntaa globaalilla rahoitusareenalla.