प्रॉम्प्ट इंजीनियरिंग
वित्त में जनरेटिव एआई: फिनजीपीटी, ब्लूमबर्गजीपीटी और आगे
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
जनरेटिव एआई मॉडल्स को संदर्भित करता है जो नए डेटा नमूने उत्पन्न कर सकते हैं जो इनपुट डेटा के समान होते हैं। चैटजीपीटी की सफलता ने कई उद्योगों में अवसर खोले, जिससे उद्यमों को अपने बड़े भाषा मॉडल डिज़ाइन करने के लिए प्रेरित किया गया। डेटा से चलने वाला वित्त क्षेत्र अब पहले से कहीं अधिक डेटा-गहन हो गया है।
मैं एक फ्रांस-आधारित वित्तीय सेवा कंपनी में एक डेटा वैज्ञानिक के रूप में काम करता हूं। एक साल से अधिक समय से वहां रहते हुए, मैंने हाल ही में सभी विभागों में कार्य स्वचालन और सुरक्षित एआई प्रणालियों के निर्माण के लिए एलएलएम के उपयोग में महत्वपूर्ण वृद्धि देखी है।
प्रत्येक वित्तीय सेवा अपने स्वयं के फाइन-ट्यून्ड एलएलएम बनाने का प्रयास कर रही है, जो खुले स्रोत मॉडल जैसे एलएएमए 2 या फाल्कन का उपयोग करके। विशेष रूप से विरासत बैंक जिनके पास दशकों का वित्तीय डेटा है।
अब तक, इस विशाल डेटा को एक ही मॉडल में शामिल करना संभव नहीं था क्योंकि सीमित कंप्यूटिंग संसाधन और कम जटिल/निम्न-पैरामीटर मॉडल थे। हालांकि, ये खुले स्रोत मॉडल, जिनमें अरबों पैरामीटर हैं, अब बड़ी मात्रा में पाठ डेटासेट पर फाइन-ट्यून किए जा सकते हैं। डेटा इन मॉडलों के लिए ईंधन की तरह है; जितना अधिक डेटा होगा, उतने ही बेहतर परिणाम होंगे।
दोनों डेटा और एलएलएम मॉडल बैंकों और अन्य वित्तीय सेवाओं को स्वचालन, दक्षता, सटीकता और अधिक में सुधार करके लाखों डॉलर बचा सकते हैं।
हाल के अनुमानों के अनुसार, मैककिंसे का सुझाव है कि यह जनरेटिव एआई बैंकिंग क्षेत्र के लिए अकेले $340 बिलियन की वार्षिक बचत प्रदान कर सकता है।
ब्लूमबर्गजीपीटी और जनरेटिव एआई की अर्थव्यवस्था
मार्च 2023 में, ब्लूमबर्ग ने ब्लूमबर्गजीपीटी का प्रदर्शन किया। यह एक भाषा मॉडल है जो विशेष रूप से वित्तीय डेटा के लिए 50 बिलियन पैरामीटर के साथ तैयार किया गया है।
पैसे बचाने के लिए, आपको कभी-कभी पैसे खर्च करने पड़ते हैं। ब्लूमबर्गजीपीटी या मेटा के एलएएमए 2 जैसे मॉडलों को प्रशिक्षित करना सस्ता नहीं है।
एलएएमए 2 के 70 बिलियन पैरामीटर मॉडल को प्रशिक्षित करने में 1,700,000 जीपीयू घंटे लगे। व्यावसायिक क्लाउड सेवाओं पर, एनवीडिया ए100 जीपीयू (एलएएमए 2 के लिए उपयोग किया जाता है) का उपयोग करने से प्रति जीपीयू घंटे $1-$2 का खर्च आ सकता है। गणित करने पर, 10 बिलियन पैरामीटर वाला मॉडल $150,000 का खर्च आ सकता है, जबकि 100 बिलियन पैरामीटर वाला मॉडल $1,500,000 तक का खर्च आ सकता है।
यदि आप इसे किराए पर नहीं ले रहे हैं, तो जीपीयू को सीधे खरीदना एक विकल्प है। हालांकि, 1000 ए100 जीपीयू खरीदने से आपको $10 मिलियन से अधिक का खर्च आ सकता है।
ब्लूमबर्ग का एक मिलियन डॉलर से अधिक का निवेश, एआई में तेजी से आगे बढ़ने के संदर्भ में, विशेष रूप से आंखें खोलने वाला है। आश्चर्यजनक रूप से, एक मॉडल जिसकी लागत केवल $100 थी, उसने ब्लूमबर्गजीपीटी के प्रदर्शन को महज छह महीने में पार कर लिया। जबकि ब्लूमबर्गजीपीटी के प्रशिक्षण में प्रोप्राइटरी डेटा का उपयोग किया गया था, उनके डेटासेट का एक बड़ा हिस्सा (99.30%) सार्वजनिक रूप से सुलभ था। फिनजीपीटी आता है।
फिनजीपीटी
फिनजीपीटी एक राज्य-ऑफ-द-आर्ट वित्तीय फाइन-ट्यून्ड बड़ा भाषा मॉडल (फिनएलएलएम) है। एआई4फाइनेंस-फाउंडेशन द्वारा विकसित, फिनजीपीटी वर्तमान में लागत प्रभावशीलता और सामान्य सटीकता दोनों में अन्य मॉडलों को पीछे छोड़ रहा है।
इसके वर्तमान में 3 संस्करण हैं; फिनजीपीटी वी3 श्रृंखला मॉडल हैं जो लोरा विधि का उपयोग करके सुधारे गए हैं, और वे समाचार और ट्वीट्स पर प्रशिक्षित हैं ताकि भावनाओं का विश्लेषण किया जा सके। वे कई वित्तीय भावना परीक्षणों में सर्वश्रेष्ठ प्रदर्शन करते हैं। फिनजीपीटी वी3.1 चैटजीएलएम2-6बी मॉडल पर आधारित है, जबकि फिनजीपीटी वी3.2 एलएएमए2-7बी मॉडल पर आधारित है।
फिंगपीटी
फिनजीपीटी के संचालन:
- डेटा सोर्सिंग और इंजीनियरिंग:
- डेटा अधिग्रहण: याहू, रॉयटर्स जैसे प्रतिष्ठित स्रोतों से डेटा का उपयोग करके, फिनजीपीटी वित्तीय समाचार का एक विशाल संग्रह एकत्र करता है, जो यूएस स्टॉक से लेकर सीएन स्टॉक तक फैला हुआ है।
- डेटा प्रोसेसिंग: इस कच्चे डेटा को साफ करने, टोकनाइज करने और प्रॉम्प्ट इंजीनियरिंग के कई चरणों से गुजरना पड़ता है ताकि इसकी प्रासंगिकता और सटीकता सुनिश्चित की जा सके।
- बड़े भाषा मॉडल (एलएलएम):
- प्रशिक्षण: क्यूरेटेड डेटा का उपयोग करके, न केवल एलएलएम को विशिष्ट आवश्यकताओं के लिए हल्के मॉडल में फाइन-ट्यून किया जा सकता है, बल्कि मौजूदा मॉडल या एपीआई को भी अनुकूलित किया जा सकता है ताकि अनुप्रयोगों का समर्थन किया जा सके।
- फाइन-ट्यूनिंग रणनीतियाँ:
- टेंसर लेयर्स (लोरा): फिनजीपीटी जैसे मॉडल विकसित करने में एक प्रमुख चुनौती उच्च गुणवत्ता वाले लेबल वाले डेटा प्राप्त करना है। इस चुनौती को स्वीकार करते हुए, फिनजीपीटी एक नवाचारी दृष्टिकोण अपनाता है। पारंपरिक लेबलिंग पर पूरी तरह से निर्भर न होकर, फिनजीपीटी बाजार से प्रेरित स्टॉक मूल्य में उतार-चढ़ाव को लेबल के रूप में नियुक्त करता है, जो समाचार भावना को मूर्त लेबल जैसे सकारात्मक, नकारात्मक या तटस्थ में अनुवाद करता है। इसके परिणामस्वरूप मॉडल की भविष्यसूचक क्षमता में बड़े सुधार होते हैं, विशेष रूप से सकारात्मक और नकारात्मक भावनाओं के बीच अंतर करने में। लोरा जैसी फाइन-ट्यूनिंग तकनीकों के माध्यम से, फिनजीपीटी वी3 ने प्रदर्शन को अनुकूलित करने के साथ-साथ गणना ओवरहेड को कम किया।
- मानव प्रतिक्रिया से प्रबलित सीखना: फिनजीपीटी “आरएलएचएफ (मानव प्रतिक्रिया से प्रबलित सीखना)” का उपयोग करता है। ब्लूमबर्गजीपीटी में अनुपस्थित एक सुविधा, आरएलएचएफ एलएलएम मॉडल को व्यक्तिगत प्राथमिकताओं को समझने की क्षमता प्रदान करता है – चाहे वह उपयोगकर्ता की जोखिम उठाने की क्षमता हो, निवेश पैटर्न या अनुकूलित रोबो-सलाहकार सेटिंग्स। यह तकनीक, चैटजीपीटी और जीपीटी4 दोनों में एक कोने का पत्थर, एक अधिक अनुकूलित और सहज उपयोगकर्ता अनुभव सुनिश्चित करती है।
- अनुप्रयोग और नवाचार:
- रोबो-सलाहकार: एक अनुभवी वित्तीय सलाहकार की तरह, फिनजीपीटी समाचार भावना का विश्लेषण कर सकता है और बाजार के रुझानों की भविष्यवाणी कर सकता है।
- परिमाणात्मक व्यापार: विभिन्न स्रोतों से भावना की पहचान करके, फिनजीपीटी प्रभावी व्यापार रणनीतियों का निर्माण कर सकता है। वास्तव में, यहां तक कि केवल ट्विटर भावना के निर्देशानुसार, यह वादा दिखाने वाले व्यापारिक परिणाम दिखाता है।
फिनजीपीटी की तुलना चैटजीएलएम, एलएएमए 2, ब्लूमबर्गजीपीटी से
फिनजीपीटी की वर्तमान दिशा और भविष्य: जुलाई 2023 फिनजीपीटी के लिए एक रोमांचक मील का पत्थर है। टीम ने एक शोध पत्र प्रकाशित किया जिसका शीर्षक है, “इन्सट्रक्ट-फिनजीपीटी: सामान्य-उद्देश्य वाले बड़े भाषा मॉडल के निर्देश ट्यूनिंग द्वारा वित्तीय भावना विश्लेषण।” इस पत्र के केंद्र में निर्देश ट्यूनिंग की तकनीक है, जो फिनजीपीटी को जटिल वित्तीय भावना विश्लेषण करने में सक्षम बनाती है।
लेकिन फिनजीपीटी केवल भावना विश्लेषण तक ही सीमित नहीं है। वास्तव में, 19 अन्य विविध अनुप्रयोग उपलब्ध हैं, प्रत्येक एलएलएम को वित्त क्षेत्र में नए तरीकों से लागू करने का वादा करता है।
वैश्विक बैंक जनरेटिव एआई को कैसे अपना रहे हैं
जबकि 2023 की शुरुआत में बैंक ऑफ अमेरिका, सिटीग्रुप और गोल्डमैन सैक्स जैसे कुछ प्रमुख वित्तीय खिलाड़ियों ने अपने कर्मचारियों द्वारा ओपनएआई के चैटजीपीटी के उपयोग पर प्रतिबंध लगा दिया, उद्योग में उनके समकक्षों ने इसके लिए एक अधिक खुला दृष्टिकोण अपनाया है।
मॉर्गन स्टैनली, उदाहरण के लिए, अपने वित्तीय सलाहकारों के लिए एक उपकरण के रूप में ओपनएआई-संचालित चैटबॉट को एकीकृत कर रहा है। कंपनी के व्यापक आंतरिक शोध और डेटा का लाभ उठाकर, ये चैटबॉट समृद्ध ज्ञान संसाधन के रूप में कार्य करते हैं, वित्तीय सलाहकारों की दक्षता और सटीकता में सुधार करते हैं।
मार्च में, हेज फंड सिटाडेल एक एंटरप्राइज-वाइड चैटजीपीटी लाइसेंस के लिए बातचीत कर रहा था। संभावित कार्यान्वयन सॉफ्टवेयर विकास और जटिल जानकारी विश्लेषण जैसे क्षेत्रों में सुधार की कल्पना करता है।
जेपी मॉर्गन चेस बड़े भाषा मॉडल का उपयोग करके धोखाधड़ी का पता लगाने के लिए प्रयास कर रहा है। उनकी विधि ईमेल पैटर्न का उपयोग करके संभावित समझौतों की पहचान करने पर केंद्रित है। यहीं नहीं रुकते हुए, बैंक ने एक महत्वाकांक्षी लक्ष्य निर्धारित किया है: वर्ष के अंत तक एआई के साथ $1.5 बिलियन का मूल्य बनाना।
गोल्डमैन सैक्स पूरी तरह से एआई के आकर्षण से मुक्त नहीं है। बैंक अपने सॉफ्टवेयर इंजीनियरिंग डोमेन को मजबूत करने के लिए जनरेटिव एआई की शक्ति का अन्वेषण कर रहा है। जैसा कि मार्को अर्जेंटी, गोल्डमैन सैक्स के मुख्य सूचना अधिकारी कहते हैं, ऐसा एकीकरण उनके कार्यबल को “सुपरह्यूमन” बनाने की क्षमता रखता है।
बैंकिंग और वित्त उद्योग में जनरेटिव एआई के उपयोग के मामले
वित्त में जनरेटिव एआई उपयोग के मामले
जनरेटिव एआई वित्तीय संचालन, निर्णय लेने और ग्राहक इंटरैक्शन को मूल रूप से बदल रहा है। यहाँ इसके अनुप्रयोगों का एक विस्तृत अन्वेषण है:
1. धोखाधड़ी रोकथाम: जनरेटिव एआई धोखाधड़ी का पता लगाने के तंत्र विकसित करने में सबसे आगे है। विशाल डेटा पूल का विश्लेषण करके, यह जटिल पैटर्न और असामान्यताओं का पता लगा सकता है, एक अधिक सक्रिय दृष्टिकोण प्रदान करता है। पारंपरिक प्रणाली, अक्सर डेटा की भारी मात्रा से अभिभूत, झूठे सकारात्मक परिणाम उत्पन्न कर सकती हैं। जनरेटिव एआई, इसके विपरीत, अपनी समझ को लगातार परिष्कृत करता है, त्रुटियों को कम करता है और अधिक सुरक्षित वित्तीय लेनदेन सुनिश्चित करता है।
2. क्रेडिट जोखिम मूल्यांकन: उधारकर्ता की क्रेडिट योग्यता का मूल्यांकन करने के पारंपरिक तरीके, जबकि विश्वसनीय, पुराने हो रहे हैं। जनरेटिव एआई मॉडल विभिन्न पैरामीटर के माध्यम से – क्रेडिट इतिहास से लेकर सूक्ष्म व्यवहारिक पैटर्न तक – एक व्यापक जोखिम प्रोफ़ाइल प्रदान करते हैं। यह न केवल सुरक्षित उधार सुनिश्चित करता है, बल्कि उन लोगों को भी सेवा प्रदान करता है जिन्हें पारंपरिक मेट्रिक्स द्वारा कम सेवा प्रदान की जा सकती है।
3. ग्राहक इंटरैक्शन को बढ़ाना: वित्तीय दुनिया ग्राहक सेवा में एक क्रांति का अनुभव कर रही है, धन्यवाद जनरेटिव एआई-संचालित एनएलपी मॉडल। ये मॉडल विभिन्न ग्राहक प्रश्नों को समझने और व्यक्तिगत समाधान प्रदान करने में सक्षम हैं। दिनचर्या कार्यों को स्वचालित करके, वित्तीय संस्थान लागत को कम कर सकती हैं, संचालन को स्ट्रीमलाइन कर सकती हैं और सबसे महत्वपूर्ण बात, ग्राहक संतुष्टि में सुधार कर सकती हैं।
4. व्यक्तिगत वित्त: एक-आकार-फिट-सभी अब इतिहास है। आज के ग्राहक अपनी विशिष्ट आवश्यकताओं और आकांक्षाओं के अनुरूप वित्तीय योजना की मांग करते हैं। जनरेटिव एआई यहां उत्कृष्टता प्राप्त करता है। डेटा का विश्लेषण करके – खर्च पैटर्न से लेकर निवेश प्राथमिकताओं तक – यह व्यक्तिगत वित्तीय रोडमैप तैयार करता है। यह समग्र दृष्टिकोण सुनिश्चित करता है कि ग्राहक बेहतर सूचित हैं और अपने वित्तीय भविष्य को नेविगेट करने के लिए अधिक सक्षम हैं।
5. अल्गोरिदमिक ट्रेडिंग: जनरेटिव एआई की विश्लेषणात्मक क्षमता अल्गोरिदमिक ट्रेडिंग की दुनिया में मूल्यवान साबित हो रही है। डेटा का विश्लेषण करके – बाजार के रुझानों से लेकर समाचार भावना तक – यह सटीक अंतर्दृष्टि प्रदान करता है, वित्तीय विशेषज्ञों को रणनीतियों को अनुकूलित करने, बाजार के संकेतों की भविष्यवाणी करने और संभावित जोखिमों को कम करने में सक्षम बनाता है।
6. अनुपालन ढांचे को मजबूत करना: एंटी-मनी लॉन्ड्रिंग (एएमएल) नियम वित्तीय प्रणालियों की अखंडता बनाए रखने में महत्वपूर्ण हैं। जनरेटिव एआई अनुपालन को सरल बनाता है bằng लेन-देन डेटा को छानने के लिए जटिल डेटा का उपयोग करके संदिग्ध गतिविधियों की पहचान करने में मदद करता है। यह न केवल वित्तीय संस्थानों को वैश्विक मानकों का पालन करने में मदद करता है, बल्कि झूठे सकारात्मक परिणामों की संभावना को भी कम करता है, जिससे संचालन स्ट्रीमलाइन हो जाते हैं।
7. साइबर सुरक्षा: साइबर खतरे लगातार विकसित हो रहे हैं, वित्तीय क्षेत्र को लचीले समाधानों की आवश्यकता है। जनरेटिव एआई ठीक ऐसा ही प्रदान करता है। गतिशील पूर्वानुमान मॉडल लागू करके, यह खतरों का तेजी से पता लगाने में सक्षम बनाता है, वित्तीय बुनियादी ढांचे को संभावित उल्लंघनों से बचाता है।
हालांकि, जैसा कि किसी भी विकसित होती तकनीक के साथ होता है, जनरेटिव एआई वित्त उद्योग में अपनी चुनौतियों के साथ आता है।
चुनौतियाँ
- पूर्वाग्रह का विस्तार: एआई मॉडल, जितने भी परिष्कृत हों, मानव-निर्मित प्रशिक्षण डेटा पर निर्भर करते हैं। यह डेटा, अपने निहित पूर्वाग्रहों के साथ – चाहे वह जानबूझकर हो या नहीं – पक्षपातपूर्ण परिणामों को जन्म दे सकता है। वित्त जैसे क्षेत्र में, जहां समानता और निष्पक्षता सर्वोपरि हैं, ऐसे पूर्वाग्रह गंभीर परिणाम ला सकते हैं। वित्तीय नेताओं को इन पूर्वाग्रहों की पहचान करने और यह सुनिश्चित करने में सक्रिय रहने की आवश्यकता है कि उनके डेटासेट व्यापक और प्रतिनिधित्व करने योग्य हैं।
- आउटपुट विश्वसनीयता और निर्णय लेना: जनरेटिव एआई कभी-कभी गलत और भ्रामक परिणाम उत्पन्न कर सकता है – अक्सर ‘हॉलुसिनेशन‘ के रूप में जाना जाता है। ये चूकें एआई मॉडल के परिष्करण और सीखने की प्रक्रिया का एक हिस्सा हैं, लेकिन वित्त में, जहां सटीकता गैर-परक है, परिणाम गंभीर हैं। क्रेडिट अनुमोदन जैसे महत्वपूर्ण निर्णयों के लिए केवल एआई पर भरोसा करना जोखिम भरा है। इसके बजाय, एआई को एक परिष्कृत उपकरण के रूप में देखा जाना चाहिए जो वित्तीय विशेषज्ञों को सूचित निर्णय लेने में मदद करता है, उन्हें प्रतिस्थापित नहीं करता है।
- डेटा गोपनीयता और अनुपालन: संवेदनशील ग्राहक डेटा की सुरक्षा जनरेटिव एआई अनुप्रयोगों के साथ एक महत्वपूर्ण चिंता बनी हुई है। यह सुनिश्चित करना कि प्रणाली वैश्विक मानकों जैसे जनरल डेटा प्रोटेक्शन रेगुलेशन (जीडीपीआर) और कैलिफोर्निया कंज्यूमर प्राइवेसी एक्ट (सीसीपीए) का पालन करती है, महत्वपूर्ण है। एआई को इन सीमाओं को स्वाभाविक रूप से नहीं पता होगा या उनका सम्मान नहीं करेगा, इसलिए इसका उपयोग कठोर डेटा सुरक्षा दिशानिर्देशों के साथ मॉडरेट किया जाना चाहिए, विशेष रूप से वित्तीय क्षेत्र में जहां गोपनीयता सर्वोपरि है।
- इनपुट डेटा की गुणवत्ता: जनरेटिव एआई केवल तभी उतना ही अच्छा है जब तक डेटा जो इसे खिलाया जाता है। असटीक या अधूरा डेटा अनजाने में subpar वित्तीय सलाह या निर्णयों की ओर ले जा सकता है।
निष्कर्ष
व्यापार रणनीतियों को बेहतर बनाने से लेकर सुरक्षा को मजबूत करने तक, जनरेटिव एआई के अनुप्रयोग व्यापक और परिवर्तनकारी हैं। हालांकि, जैसा कि किसी भी प्रौद्योगिकी के साथ होता है, इसके अपनाने के साथ सावधानी से आगे बढ़ना आवश्यक है, नैतिक और गोपनीयता के प्रभावों पर विचार करते हुए।
वे संस्थान जो जनरेटिव एआई की क्षमता का सफलतापूर्वक दोहन करते हैं, साथ ही साथ इसकी सीमाओं और संभावित जोखिमों का सम्मान करते हैं, निश्चित रूप से वैश्विक वित्तीय क्षेत्र के भविष्य के मार्ग को आकार देंगे।
