Ingénierie rapide
IA gĂ©nĂ©rative en finance : FinGPT, BloombergGPT et au-delĂ
L'IA générative fait référence à des modèles capables de générer de nouveaux échantillons de données similaires aux données d'entrée. Le succès de ChatGPT a ouvert de nombreuses opportunités dans tous les secteurs, incitant les entreprises à concevoir leurs propres grands modèles de langage. Le secteur financier, piloté par les données, est désormais encore plus gourmand en données que jamais.
Je travaille en tant que data scientist dans une société de services financiers basée en France. Ayant travaillé là -bas pendant plus d'un an, j'ai récemment observé une augmentation significative des cas d'utilisation LLM dans toutes les divisions pour l'automatisation des tâches et la construction de systèmes d'IA robustes et sécurisés.
Chaque service financier vise à créer ses propres LLM affinés à l'aide de modèles open source tels que LAMA 2 or Falcon. En particulier les banques traditionnelles qui disposent de plusieurs décennies de données financières.
Jusqu'à présent, il n'a pas été possible d'incorporer cette grande quantité de données dans un seul modèle en raison des ressources informatiques limitées et des modèles moins complexes/à faibles paramètres. Cependant, ces modèles open source comportant des milliards de paramètres peuvent désormais être affiné à de grandes quantités d’ensembles de données textuelles. Les données sont comme le carburant de ces modèles ; plus il y en a, meilleurs sont les résultats.
Les modèles de données et LLM peuvent faire économiser des millions aux banques et autres services financiers en améliorant l’automatisation, l’efficacité, la précision, etc.
Des estimations récentes de McKinsey suggèrent que cette IA générative pourrait offrir des économies annuelles allant jusqu'à 340 milliards de dollars pour le seul secteur bancaire.
BloombergGPT et économie de l'IA générative
En mars 2023, Bloomberg a présenté BloombergGPT. Il s'agit d'un modèle de langage construit à partir de zéro avec 50 milliards de paramètres, spécialement conçu pour les données financières.
Pour économiser de l’argent, il faut parfois dépenser de l’argent. Les modèles de formation comme BloombergGPT ou Meta's Llama 2 ne sont pas bon marché.
La formation du modèle de 2 milliards de paramètres de Llama 70 a nécessité 1,700,000 XNUMX XNUMX heures GPU. Sur les services cloud commerciaux, employant le GPU Nvidia A100 (utilisé pour Llama 2) peut en réduire un de 1 à 2 $ pour chaque heure GPU. En faisant le calcul, un modèle à 10 milliards de paramètres pourrait coûter environ 150,000 100 dollars, tandis qu'un modèle à 1,500,000 milliards de paramètres pourrait coûter jusqu'à XNUMX XNUMX XNUMX dollars.
Si vous ne louez pas, l’achat pur et simple des GPU est une alternative. Pourtant, acheter environ 1000 100 GPU A10 pour former un cluster pourrait coûter plus de XNUMX millions de dollars.
L’investissement de plus d’un million de dollars de Bloomberg est particulièrement révélateur lorsqu’on le compare aux progrès rapides de l’IA. Étonnamment, un modèle coûtant seulement 100 $ a réussi à surpasser les performances de BloombergGPT en seulement six mois. Même si la formation de BloombergGPT incorporait des données exclusives, la grande majorité (99.30 %) de leur ensemble de données était accessible au public. Vient FinGPT.
FinGPT
FinGPT est un modèle de langage financier à grande échelle (FinLLM) de pointe. Développé par AI4Finance-Foundation, FinGPT surpasse actuellement les autres modèles en termes de rentabilité et de précision en général.
Il existe actuellement 3 versions ; la série FinGPT v3 sont des modèles améliorés à l'aide de la méthode LoRA, et ils sont formés aux actualités et aux tweets pour analyser les sentiments. Ils obtiennent les meilleurs résultats dans de nombreux tests de sentiment financier. FinGPT v3.1 est construit sur le modèle chatglm2-6B, tandis que FinGPT v3.2 est basé sur le modèle chatglmXNUMX-XNUMXB. Lama2-Modèle 7b.
FINPT
Opérations de FinGPT:
- Source de données et ingénierie:
- Acquisition de données: Utilisant des données provenant de sources réputées comme Yahoo, Reuters et plus encore, FinGPT fusionne une vaste gamme d'actualités financières, allant des actions américaines aux actions du CN.
- Traitement de l'information: Ces données brutes subissent de nombreuses étapes de nettoyage, de tokenisation et d'ingénierie rapide pour garantir leur pertinence et leur exactitude.
- Grands modèles de langage (LLM):
- Formation: Grâce aux données conservées, non seulement les LLM peuvent être affinés pour créer des modèles légers adaptés à des besoins spécifiques, mais les modèles ou API existants peuvent également être adaptés pour prendre en charge les applications.
- Stratégies de réglage fin:
- Couches tensorielles (LoRA): L'un des principaux défis du développement de modèles comme FinGPT est d'obtenir des données étiquetées de haute qualité. Conscient de ce défi, FinGPT adopte une approche innovante. Au lieu de s’appuyer uniquement sur l’étiquetage traditionnel, les fluctuations des cours des actions induites par le marché sont utilisées comme étiquettes, traduisant le sentiment d’actualité en étiquettes tangibles comme positives, négatives ou neutres. Cela se traduit par des améliorations massives des capacités prédictives du modèle, notamment en matière de discernement des sentiments positifs et négatifs. Grâce à des techniques de réglage telles que LoRA, FinGPT v3 a réussi à optimiser les performances tout en réduisant les frais de calcul.
- Apprentissage par renforcement à partir de la rétroaction humaine: FinGPT utilise «RLHF (Apprentissage par renforcement à partir du feedback humain)« . Fonctionnalité absente de BloombergGPT, RLHF donne au modèle LLM la capacité de discerner les préférences individuelles, qu'il s'agisse de l'appétit pour le risque d'un utilisateur, des modèles d'investissement ou des paramètres personnalisés du robot-conseiller. Cette technique, pierre angulaire de ChatGPT et de GPT4, garantit une expérience utilisateur plus personnalisée et intuitive.
- Applications et innovations:
- Conseiller Robo: À l'instar d'un conseiller financier chevronné, FinGPT peut analyser l'actualité et prédire les tendances du marché avec une grande précision.
- Trading quantitatif: En identifiant les sentiments provenant de diverses sources, des médias à Twitter, FinGPT peut formuler des stratégies de trading efficaces. En fait, même lorsqu'il est uniquement dirigé par les sentiments de Twitter, il présente des résultats commerciaux prometteurs.
Comparaison FinGPT avec ChatGLM, LLAMA 2, BloombergGPT
Trajectoire actuelle et future de FinGPT: juillet 2023 marque une étape passionnante pour FinGPT. L’équipe a dévoilé un document de recherche intitulé «Instruct-FinGPT : analyse du sentiment financier par réglage des instructions de grands modèles de langage à usage général.» Au cœur de cet article se trouve l’exploration du réglage des instructions, une technique permettant à FinGPT d’exécuter des analyses complexes du sentiment financier.
Mais FinGPT ne se limite pas à la seule analyse des sentiments. En fait, 19 autres applications diverses sont disponibles, chacune promettant d’exploiter les LLM de manière innovante. De l’ingénierie rapide à la compréhension de contextes financiers complexes, FinGPT s’impose comme un modèle GenAI polyvalent dans le domaine financier.
Comment les banques mondiales adoptent l’IA générative
Alors qu'au début de 2023, certains des principaux acteurs financiers comme Bank of America, Citigroup et Goldman Sachs ont imposé des contraintes sur l'utilisation de ChatGPT d'OpenAI par leurs employés, d'autres homologues du secteur ont décidément opté pour une position plus ouverte.
Morgan Stanley, par exemple, a intégré des chatbots basés sur OpenAI comme outil pour ses conseillers financiers. En exploitant les recherches et les données internes approfondies de l'entreprise, ces chatbots servent de ressources de connaissances enrichies, augmentant l'efficacité et la précision des conseils financiers.
En mars de cette année, Fonds spéculatif Citadelle cherchait à obtenir une licence ChatGPT à l'échelle de l'entreprise. La mise en œuvre prospective envisage de renforcer des domaines tels que le développement de logiciels et l'analyse d'informations complexes.
JPMorgan Chase s'efforce également d'exploiter de grands modèles linguistiques pour la détection des fraudes. Leur méthodologie consiste à utiliser des modèles de courrier électronique pour identifier les compromissions potentielles. Ne se contentant pas de cela, la banque s'est également fixé un objectif ambitieux : ajouter jusqu'à 1.5 milliard de dollars de valeur grâce à l'IA d'ici la fin de l'année.
Quant à Goldman Sachs, ils ne résistent pas totalement aux attraits de l’IA. La banque explore la puissance de l’IA générative pour renforcer son domaine d’ingénierie logicielle. Comme Marco Argenti, directeur de l'information de Goldman Sachs, dit-il, une telle intégration a le potentiel de transformer leur main-d'œuvre en quelque chose "surhumain. »
Cas d'utilisation de l'IA générative dans le secteur bancaire et financier
L'IA générative dans les cas d'utilisation de la finance
L'IA générative transforme fondamentalement les opérations financières, la prise de décision et les interactions avec les clients. Voici une exploration détaillée de ses applications :
1. Prévention de la fraude : L’IA générative est à l’avant-garde du développement de mécanismes de détection de fraude de pointe. En analysant de vastes pools de données, il peut discerner des modèles et des irrégularités complexes, offrant ainsi une approche plus proactive. Les systèmes traditionnels, souvent submergés par le volume de données, peuvent produire des faux positifs. L’IA générative, en revanche, affine continuellement sa compréhension, réduisant ainsi les erreurs et garantissant des transactions financières plus sécurisées.
2. Évaluation du risque de crédit : Les méthodes traditionnelles d'évaluation de la solvabilité d'un emprunteur, bien que fiables, deviennent obsolètes. Les modèles d’IA génératifs via divers paramètres – des historiques de crédit aux modèles comportementaux subtils – offrent un profil de risque complet. Cela garantit non seulement des prêts plus sûrs, mais s’adresse également à une clientèle plus large, y compris à celles qui pourraient être mal desservies par les paramètres traditionnels.
3. Augmenter l'interaction client : Le monde financier est témoin d’une révolution dans le service client, grâce aux modèles NLP génératifs basés sur l’IA. Ces modèles sont capables de comprendre et de répondre aux requêtes variées des clients, en proposant rapidement des solutions personnalisées. En automatisant les tâches de routine, les institutions financières peuvent réduire leurs frais généraux, rationaliser leurs opérations et, surtout, améliorer la satisfaction de leurs clients.
4. Finances personnalisées : La taille unique est une relique du passé. Les clients d'aujourd'hui exigent une planification financière adaptée à leurs besoins et aspirations uniques. L’IA générative excelle ici. En analysant les données – des modèles de dépenses aux préférences d’investissement – ​​il élabore des feuilles de route financières individualisées. Cette approche holistique garantit que les clients sont mieux informés et mieux équipés pour naviguer dans leur avenir financier.
5. Trading algorithmique : Les prouesses analytiques de l’IA générative s’avèrent inestimables dans le monde volatile du trading algorithmique. En disséquant les données – des tendances du marché au sentiment de l’actualité – il fournit des informations incisives, permettant aux experts financiers d’optimiser leurs stratégies, d’anticiper les évolutions du marché et d’atténuer les risques potentiels.
6. Renforcement des cadres de conformité : Les réglementations anti-blanchiment d’argent (AML) sont essentielles au maintien de l’intégrité des systèmes financiers. L'IA générative simplifie la conformité en passant au crible des données transactionnelles complexes pour identifier les activités suspectes. Cela garantit non seulement que les institutions financières adhèrent aux normes mondiales, mais réduit également considérablement les risques de faux positifs, rationalisant ainsi les opérations.
7. Cybersécurité : Face à l’évolution constante des cybermenaces, le secteur financier a besoin de solutions agiles. L’IA générative offre exactement cela. Mettant en œuvre des modèles prédictifs dynamiques, il permet une détection plus rapide des menaces, renforçant ainsi les infrastructures financières contre les violations potentielles.
Cependant, comme c’est le cas pour toute technologie en évolution, l’IA générative comporte son lot de défis dans le secteur financier.
Les défis
- Amplification de biais : Les modèles d’IA, aussi sophistiqués soient-ils, s’appuient toujours sur des données d’entraînement générées par l’homme. Ces données, avec leurs biais inhérents, intentionnels ou non, peuvent conduire à des résultats faussés. Par exemple, si un groupe démographique particulier est sous-représenté dans l’ensemble de formation, les résultats ultérieurs de l’IA pourraient perpétuer cet oubli. Dans un secteur comme la finance, où l’équité et la justice sont primordiales, de tels préjugés pourraient avoir de graves conséquences. Les dirigeants financiers doivent être proactifs pour identifier ces biais et garantir que leurs ensembles de données sont aussi complets et représentatifs que possible.
- Fiabilité des résultats et prise de décision : L'IA générative peut parfois produire des résultats à la fois erronés et trompeurs, souvent qualifiés de « »hallucinations'. Ces faux pas sont quelque peu attendus à mesure que les modèles d’IA s’affinent et apprennent, mais les répercussions dans le domaine financier, où la précision n’est pas négociable, sont graves. S’appuyer uniquement sur l’IA pour des décisions critiques, telles que l’approbation de prêts, est périlleux. L’IA doit plutôt être considérée comme un outil sophistiqué qui assiste les experts financiers, et non comme un outil qui les remplace. Il doit gérer le poids informatique, fournissant des informations permettant aux professionnels humains de prendre des décisions finales et éclairées.
- Confidentialité et conformité des données : La protection des données sensibles des clients reste une préoccupation majeure avec les applications d’IA générative. S'assurer que le système adhère aux normes mondiales telles que Règlement Général de Protection des Données (GDPR) et le Loi sur la protection des consommateurs en Californie (CCPA) est crucial. L’IA peut ne pas connaître ou respecter intrinsèquement ces limites, son utilisation doit donc être modérée par des directives strictes en matière de protection des données, en particulier dans le secteur financier où la confidentialité est primordiale.
- Qualité des données d'entrée : L’IA générative n’est aussi efficace que les données qui lui sont fournies. Des données inexactes ou incomplètes peuvent par inadvertance conduire à des conseils ou à des décisions financières médiocres.
Conclusion
De l’amélioration des stratégies commerciales au renforcement de la sécurité, les applications de l’IA générative sont vastes et transformatrices. Cependant, comme pour toute technologie, il est essentiel d’aborder son adoption avec prudence, compte tenu des implications éthiques et en matière de confidentialité.
Les institutions qui réussiront à exploiter les prouesses de l’IA générative, tout en respectant ses limites et ses pièges potentiels, façonneront sans aucun doute la trajectoire future de la scène financière mondiale.
