Generatiivinen tekoäly rahoituksessa: FinGPT, BloombergGPT ja muut

Generatiivinen tekoäly viittaa malleihin, jotka voivat luoda uusia tietoaineistoja, jotka muistuttavat syötetietoja. ChatGPT:n menestys on avannut monia mahdollisuuksia eri aloilla, ja yritykset ovat inspiroituneita suunnittelemaan omia suuria kielen malleja. Rahoitusala, joka on jo nyt tietopohjainen, on nyt entistä tietopohjaisempi.

Viimeaikaiset arviot McKinseyn mukaan viittaavat siihen, että generatiivinen tekoäly voisi tarjota vuosittaisia säästöjä jopa 340 miljardia dollaria ainoastaan pankkisektorille.

BloombergGPT & generatiivisen tekoälyn taloustiede

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

Joskus on syytä käyttää rahaa säästääkseen rahaa. Koulutusmallit, kuten BloombergGPT tai Metan Llama 2, eivät ole halpoja.

Llama 2:n 70 miljardin parametrin mallin koulutus vaati 1 700 000 GPU-tuntia. Kaupallisilla pilvipalveluilla Nvidia A100 GPU:n (jota käytetään Llama 2:ssa) käyttäminen voi maksaa 1-2 dollaria GPU-tunnissa. Laskemalla voidaan arvioida, että 10 miljardin parametrin mallin koulutus voi maksaa noin 150 000 dollaria, kun taas 100 miljardin parametrin mallin koulutus voi maksaa jopa 1,5 miljoonaa dollaria.

GPU:n ostaminen on vaihtoehto, mutta se voi maksaa yli 10 miljoonaa dollaria, jos haluaa hankkia noin 1000 A100 GPU:ta.

Bloombergin yli miljoonan dollarin sijoitus on erittäin mielenkiintoinen, kun se verrataan tekoälyn nopeaan kehitykseen. Yllättäen malli, joka maksoi vain 100 dollaria, pystyi ohittamaan BloombergGPT:n suorituskyvyn vain puolessa vuodessa. Vaikka BloombergGPT:n koulutus sisälsi omistuksessa olevia tietoja, suurin osa (99,30 %) heidän tietokokoelmastaan oli julkisesti saatavilla. Tästä syntyy FinGPT.

FinGPT

FinGPT on viimeisimmän sukupolven rahoitusalan suurten kielen mallien hienosäätö. AI4Finance-Foundationin kehittämä FinGPT on tällä hetkellä muita malleja parempi sekä kustannustehokkuuden että tarkkuuden suhteen yleisesti.

FinGPT:stä on tällä hetkellä kolme versiota; FinGPT v3 -sarjan mallit on parannettu LoRA-menetelmällä, ja ne on koulutettu uutisista ja twiiteistä tunteiden analyysiä 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. Tietojen hankinta ja käsittely:
   • Tietojen hankinta: FinGPT kerää tietoja luotettavista lähteistä kuten Yahoo, Reuters ja muista, ja se yhdistää laajan valikoiman rahoitusuutisia, kattavasti Yhdysvaltain osakkeista Kiinan osakkeisiin.
   • Tietojen käsittely: Tämä raaka tieto käy läpi useita puhdistus-, tokenisointi- ja ohjelmointivaiheita, jotta varmistetaan sen merkitys ja tarkkuus.
2. Suuret kielen mallit (LLM):
   • Koulutus: Käyttäen kuratoitua tietoa, LLM-malleja voidaan hienosäätää syntymään kevyitä malleja, jotka on suunniteltu tiettyihin tarpeisiin, ja olemassa olevia malleja tai API:ja voidaan sovittaa tukemaan sovelluksia.
   • Hienosäätöstrategiat:
     • Tensor-kerrokset (LoRA): Yksi haasteista FinGPT:n kehittämisessä on saada korkealaatuisia merkittyjä tietoja. Tunnistamalla tämän haasteen, FinGPT ottaa käyttöön innovatiivisen lähestymistavan. Sen sijaan, että se riippuisi ainoastaan perinteisestä merkitsemisestä, se käyttää markkinoiden ohjaamia osakkeiden hintamuutoksia merkkienä, kääntäen uutisten tunteita konkreettisiksi merkeiksi kuten positiivinen, negatiivinen tai neutraali. Tämä johtaa massiivisiin parannuksiin mallin ennustuskyvyssä, erityisesti positiivisten ja negatiivisten tunteiden erottelussa. LoRA-hienosäätötekniikoiden avulla FinGPT v3 onnistui optimoimaan suorituskyvyn vähentämällä laskentaresursseja.
     • Vahvistusoppi ihmisten palautteen avulla: FinGPT käyttää “RLHF (Vahvistusoppi ihmisten palautteen avulla)“. Tämä ominaisuus, jota ei ole BloombergGPT:ssä, antaa LLM-mallille kyvyn havaita yksilöllisiä preferenssejä – olipa se käyttäjän riskinottokyky, sijoituspatterneja tai räätälöity robotti-neuvoja. Tämä tekniikka, joka on ChatGPT:n ja GPT4:n kulmakivi, takaa enemmän räätälöityn ja intuitiivisen käyttökokemuksen.
3. Sovellukset ja innovaatiot:
   • Robo-neuvoja: FinGPT voi analyysin uutisten tunteita ja ennustaa markkinatrendeja suurella tarkkuudella.
   • Quantitative kaupankäynti: Tuntemalla tunteita eri lähteistä, uutislehtien ja Twitterin, FinGPT voi kehittää tehokkaita kaupankäyntistrategioita. Itse asiassa, jopa ohjattuna ainoastaan Twitterin tunteilla, 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 nimeltä “Instruct-FinGPT: Rahoitusalan tunteiden analyysi yleisten suurten kielen mallien ohjaamisella“. Tämä paperi keskittyy ohjaamisen tekniikkaan, joka mahdollistaa FinGPT:lle suorittaa monimutkaisia rahoitusalan tunteiden analyysejä.

Mutta FinGPT ei rajoitu pelkästään tunteiden analyysiin. Se on todellakin 19 muuta monipuolista sovellusta, joista jokainen lupaa hyödyntää LLM-malleja uudella tavalla. Ohjelmoinnista kompleksisten rahoituskontekstien ymmärtämiseen, FinGPT vakiinnuttaa itsensä monipuoliseksi GenAI-malliksi rahoitusalueella.

Kuinka maailman pankit omaksuvat generatiivisen tekoälyn

Vuoden 2023 alussa jotkut suuret rahoitusalan toimijat, kuten Bank of America (BAC ), Citigroup ja Goldman Sachs, asettivat rajoituksia OpenAI:n ChatGPT:n käytölle työntekijöidensä keskuudessa, kun taas toiset alan toimijat ovat valinneet avoimemman asenteen.

Morgan Stanley (MS ) on esimerkiksi integroinut OpenAI-pohjaiset chatbotit välineiksi rahoitusneuvojilleen. Hyödyntämällä yrityksen laajaa sisäistä tutkimusta ja tietoja, nämä chatbotit toimivat rikastettuina tietoresursseina, jotka parantavat rahoitusneuvonnan tehokkuutta ja tarkkuutta.

Maaliskuussa tänä vuonna Hedge fund Citadel oli neuvotteluissa yrityksen laajuisen ChatGPT-lisenssin hankkimisesta. Tuleva toteutus on tarkoitus vahvistaa alueita, kuten ohjelmistokehitystä ja monimutkaista tietoanalyysiä.

JPMorgan Chase on myös pyrkinyt hyödyntämään suuria kielen malleja petosten havaitsemiseen. Heidän menetelmänsä perustuu sähköpostien mallien tunnistamiseen mahdollisten uhkausten havaitsemiseksi. Pankki on myös asettanut kunnianhimoisen tavoitteen: se aikoo luoda 1,5 miljardia dollaria arvosta tekoälyllä vuoden loppuun mennessä.

Goldman Sachs ei ole täysin vastustamaton tekoälyn viehätysvoimalle. Pankki tutkii generatiivisen tekoälyn voimaa ohjelmistokehitysalueen vahvistamiseksi. Marco Argenti, Goldman Sachsin CIO, toteaa, että tämä integrointi voi muuttaa heidän työvoimansa “yli-inhimilliseksi”.

Generatiivisen tekoälyn sovellukset rahoitus- ja pankkisektorilla

Generatiivinen tekoäly rahoituksessa sovellukset

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

1. Petosten estäminen: Generatiivinen tekoäly on edelläkävijä kehittäessään älykkäitä petosten havaitsemismekanismeja. Analysoimalla laajoja tietopohjia, se voi havaita monimutkaisia malleja ja epäsäännöllisyyksiä, tarjoten enemmän proaktiivisen lähestymistavan. Perinteiset järjestelmät, jotka usein joutuvat tietomäärän alle, voivat tuottaa virheellisiä positiivisia tuloksia. Generatiivinen tekoäly, taas, parantaa jatkuvasti ymmärrystään, vähentäen virheitä ja varmistaen turvallisemmat rahoitustoimet.

2. Luottoriskien arviointi: Perinteiset menetelmät arvioida lainanottajan luottokelpoisuutta ovat vanhentuneita. Generatiivisen tekoälyn mallit, jotka käyttävät monia parametreja – luottohistoriasta hienoihin käyttäytymismalleihin – tarjoavat kattavan riskiprofiilin. Tämä ei ainoastaan varmista turvallisempaa lainanantoa, vaan myös palvelee laajempaa asiakaskuntaa, mukaan lukien ne, jotka ovat perinteisten mittareiden mukaan huonosti palveltuja.

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

4. Räätälöity rahoitus: Yksi kokoa ei sovi kaikille. Nykyään asiakkaat vaativat rahoitussuunnitelmaa, joka on räätälöity heidän yksilöllisiin tarpeisiinsa ja tavoitteisiinsa. Generatiivinen tekoäly menestyy tässä. Analysoimalla tietoja – kulutusmalleista sijoitussuosiin – se luo yksilöllisiä rahoituskarttoja. Tämä holistinen lähestymistapa varmistaa, että asiakkaat ovat paremmin perillä ja paremmin varustautuneita navigoimaan rahoitusmaailmassa.

5. Algoritminen kaupankäynti: Generatiivisen tekoälyn analytiikka on osoittautunut arvokkaaksi algoritmisen kaupankäynnin maailmassa. Analysoimalla tietoja – markkinatrendeistä uutisten tunteisiin – se tarjoaa teräviä näkemyksiä, mahdollistaen rahoitusasiantuntijoille strategioiden optimoinnin, markkinamuutosten ennakoinnin ja potentiaalisten riskien vähentämisen.

6. Sääntelykehysten vahvistaminen: Rahanpesun (AML) säännökset ovat kriittisiä rahoitusjärjestelmien eheyyden ylläpitämisessä. Generatiivinen tekoäly yksinkertaa sääntelyä analysoimalla monimutkaisia transaktiotietoja, jotta voidaan havaita epäilyttäviä toimia. Tämä ei ainoastaan varmista, että rahoituslaitokset noudattavat kansainvälisiä standardeja, vaan myös vähentää virheellisiä positiivisia tuloksia, suorittaen toimintoja.

7. Kyberturva: Koska kyberuhkat kehittyvät jatkuvasti, rahoitussektorin on tarve joustavia ratkaisuja. Generatiivinen tekoäly tarjoaa tämän. Toteuttaa dynaamisia ennustemalleja, se mahdollistaa nopeamman uhkausten havaitsemisen, vahvistaen rahoitusinfrastruktuureja potentiaalisten rikkomisten varalta.

Mutta kuten kaikkien kehittyvien teknologioiden kanssa, generatiivisella tekoälyllä on omat haasteensa rahoitussektorilla.

Haasteet

1. Harhan vahvistaminen: AI-mallit, niin kehittyneitä kuin ne ovat, riippuvat edelleen ihmisten luomasta koulutusaineistosta. Tämä aineisto, joka sisältää sisäisiä harhoja – olkoon se tietoisesti tai ei – voi johtaa vääristyneisiin tuloksiin. Rahoitussektorilla, jossa oikeudenmukaisuus ja reiluus ovat olennaisia, tällaiset harhat voivat johtaa vakaviin seuraamuksiin. Rahoitusjohtajien on oltava aktiivisia tunnistamassa ja varmistamassa, että heidän tietokokoelmansa on kattava ja edustava.
2. Tulosten luotettavuus ja päätöksenteko: Generatiivinen tekoäly voi toisinaan tuottaa tuloksia, jotka ovat sekä virheellisiä että harhaanjohtavia – usein kutsutaan “harhamaan“. Tämäntapaiset virheet ovat jossain määrin odotettavissa, kun AI-mallit paranevat ja oppivat, mutta vaikutukset rahoituksessa, jossa tarkkuus on ehdoton, ovat vakavia. Riippuminen ainoastaan AI:sta kriittisissä päätöksissä, kuten lainojen hyväksymisessä, on vaarallista. Sen sijaan AI:n tulisi nähdä kehittyneenä työkaluna, joka tukee rahoitusammattilaisia, ei korvaa heitä. Se tulisi kantaa laskennallinen taakka ja tarjota näkemyksiä, jotta ihmisammattilaiset voivat tehdä lopulliset, perustellut päätökset.
3. Tietosuojelu ja sääntely: Säilyttääkseen arkaluontoisia asiakastietoja on edelleen merkittävä haaste generatiivisen tekoälyn sovelluksissa. On tärkeää varmistaa, että järjestelmä noudattaa kansainvälisiä standardeja, kuten Yleistä tietosuoja-asetusta (GDPR) ja Kalifornian kuluttajansuojalakia (CCPA). AI ei välttämättä tiedä tai kunnioita näitä rajoituksia, joten sen käytön on oltava moderoida tarkoilla tietosuojaohjeilla, erityisesti rahoitussektorilla, jossa luottamuksellisuus on olennainen.
4. Syötetietojen laatu: Generatiivinen tekoäly on vain yhtä hyvä kuin sille syötettävät tiedot. Virheelliset tai epätäydelliset tiedot voivat johtaa alentuneeseen rahoitussuunnitteluun tai päätöksiin.

Johtopäätös

Rahoitusstrategioiden parantamisesta turvallisuuden lujittamiseen, generatiivisen tekoälyn sovellukset ovat laajat ja muuntavat. Kuitenkin, kuten kaikkien teknologioiden kanssa, on tärkeää lähestyä sen omaksumista varovasti, ottaen huomioon eettiset ja yksityisyyden vaikutukset.

Nämä laitokset, jotka onnistuvat hyödyntämään generatiivisen tekoälyn voimaa samalla kunnioittaen sen rajoituksia ja mahdollisia vaaroja, muokkaavat ilman muuta tulevaisuuden suunnan maailmanlaajuisessa rahoitusareenassa.