Kecerdasan Buatan Generatif di Keuangan: FinGPT, BloombergGPT & Beyond

Kecerdasan Buatan Generatif merujuk pada model yang dapat menghasilkan sampel data baru yang mirip dengan data input. Kesuksesan ChatGPT membuka banyak peluang di berbagai industri, menginspirasi perusahaan untuk merancang model bahasa besar mereka sendiri. Sektor keuangan, yang didorong oleh data, sekarang lebih intensif data daripada sebelumnya.

Perkiraan terbaru oleh McKinsey menunjukkan bahwa Kecerdasan Buatan Generatif ini dapat menawarkan penghematan tahunan hingga $340 miliar untuk sektor perbankan saja.

BloombergGPT & Ekonomi Kecerdasan Buatan Generatif

Pada Maret 2023, Bloomberg memperkenalkan BloombergGPT. Ini adalah model bahasa yang dibangun dari awal dengan 50 miliar parameter, dirancang khusus untuk data keuangan.

Untuk menghemat uang, Anda kadang-kadang perlu mengeluarkan uang. Melatih model seperti BloombergGPT atau Llama 2 Meta tidak murah.

Melatih model Llama 2 dengan 70 miliar parameter memerlukan 1.700.000 jam GPU. Pada layanan cloud komersial, menggunakan Nvidia A100 GPU (NVDA ) (digunakan untuk Llama 2) dapat menghabiskan biaya sekitar $1-$2 untuk setiap jam GPU. Dengan melakukan perhitungan, model dengan 10 miliar parameter dapat menghabiskan biaya sekitar $150.000, sedangkan model dengan 100 miliar parameter dapat menghabiskan hingga $1.500.000.

Jika tidak menyewa, membeli GPU secara langsung adalah alternatif. Namun, membeli sekitar 1000 A100 GPU untuk membentuk klaster dapat menghabiskan biaya lebih dari $10 juta.

Investasi Bloomberg sebesar lebih dari satu juta dolar sangat menarik ketika dibandingkan dengan kemajuan pesat dalam AI. Mengagumkan, model yang hanya menghabiskan biaya $100 dapat mengungguli kinerja BloombergGPT dalam waktu setengah tahun. Sementara pelatihan BloombergGPT menggabungkan data propietary, sebagian besar (99,30%) dari dataset mereka dapat diakses secara publik. Maka, FinGPT hadir.

FinGPT

FinGPT adalah model bahasa besar yang disesuaikan dengan baik untuk keuangan (FinLLM). Dikembangkan oleh AI4Finance-Foundation, FinGPT saat ini outperform model lain dalam hal efisiensi biaya dan akurasi secara umum.

Saat ini, FinGPT memiliki tiga versi; seri FinGPT v3 adalah model yang ditingkatkan menggunakan metode LoRA, dan mereka dilatih pada berita dan tweet untuk menganalisis sentimen. Mereka berkinerja terbaik dalam banyak tes sentimen keuangan. FinGPT v3.1 dibangun di atas model chatglm2-6B, sedangkan FinGPT v3.2 berbasis pada model Llama2-7b.

FINGPT

Operasi FinGPT:

1. Pengolahan Data dan Teknik:
   • Pengumpulan Data: Menggunakan data dari sumber terpercaya seperti Yahoo, Reuters, dan lain-lain, FinGPT menggabungkan berbagai berita keuangan, mulai dari saham AS hingga saham CN.
   • Pengolahan Data: Data mentah ini menjalani beberapa tahap pembersihan, tokenisasi, dan teknik prompt untuk memastikan relevansi dan akurasi.
2. Model Bahasa Besar (LLM):
   • Pelatihan: Menggunakan data yang dikurasi, LLM tidak hanya dapat disesuaikan dengan baik untuk menghasilkan model ringan yang disesuaikan dengan kebutuhan spesifik, tetapi juga dapat disesuaikan dengan model atau API yang ada untuk mendukung aplikasi.
   • Strategi Penyesuaian:
     • Lapisan Tensor (LoRA): Salah satu tantangan utama dalam mengembangkan model seperti FinGPT adalah mendapatkan data label yang berkualitas tinggi. Mengenali tantangan ini, FinGPT mengadopsi pendekatan inovatif. Sebagai gantinya untuk hanya mengandalkan labeling tradisional, fluktuasi harga saham yang dipimpin oleh pasar digunakan sebagai label, menerjemahkan sentimen berita menjadi label yang dapat diukur seperti positif, negatif, atau netral. Ini menghasilkan peningkatan besar dalam kemampuan prediktif model, terutama dalam membedakan sentimen positif dan negatif. Melalui teknik penyesuaian seperti LoRA, FinGPT v3 berhasil mengoptimalkan kinerja sambil mengurangi beban komputasi.
     • Pembelajaran Penguatan dari Umpan Balik Manusia: FinGPT menggunakan “RLHF (Pembelajaran Penguatan dari Umpan Balik Manusia)“. Fitur yang tidak ada di BloombergGPT, RLHF memungkinkan model LLM untuk memahami preferensi individu—baik itu nafsu risiko pengguna, pola investasi, atau pengaturan robo-advisor yang disesuaikan. Teknik ini, yang merupakan fondasi dari ChatGPT dan GPT4, memastikan pengalaman pengguna yang lebih disesuaikan dan intuitif.
3. Aplikasi dan Inovasi:
   • Penasihat Robo: Seperti penasihat keuangan berpengalaman, FinGPT dapat menganalisis sentimen berita dan memprediksi tren pasar dengan presisi tinggi.
   • Perdagangan Kuantitatif: Dengan mengidentifikasi sentimen dari berbagai sumber, dari outlet berita hingga Twitter, FinGPT dapat mengembangkan strategi perdagangan yang efektif. Bahkan ketika hanya dipandu oleh sentimen Twitter, FinGPT menunjukkan hasil perdagangan yang menjanjikan.

Perbandingan FinGPT dengan ChatGLM, LLAMA 2, BloombergGPT

Trayektori Saat Ini dan Masa Depan FinGPT: Juli 2023 menandai tonggak penting bagi FinGPT. Tim tersebut memperkenalkan sebuah makalah penelitian berjudul, “Instruct-FinGPT: Analisis Sentimen Keuangan melalui Penyesuaian Instruksi Model Bahasa Besar Umum.” Pusat dari makalah ini adalah eksplorasi penyesuaian instruksi, sebuah teknik yang memungkinkan FinGPT untuk menjalankan analisis sentimen keuangan yang rumit.

Namun, FinGPT tidak terbatas pada analisis sentimen saja. Faktanya, 19 aplikasi lain yang beragam tersedia, masing-masing berjanji untuk memanfaatkan LLM dengan cara baru. Dari teknik prompt hingga memahami konteks keuangan yang kompleks, FinGPT memposisikan diri sebagai model GenAI yang serbaguna di domain keuangan.

Bagaimana Bank Global Mengadopsi Kecerdasan Buatan Generatif

Sementara awal 2023 menyaksikan beberapa pemain keuangan besar seperti Bank of America (BAC ), Citigroup, dan Goldman Sachs menerapkan batasan pada penggunaan ChatGPT oleh karyawan, beberapa rekan di industri ini telah memilih untuk mengadopsi sikap yang lebih terbuka.

Morgan Stanley (MS ), misalnya, telah mengintegrasikan chatbot yang ditenagai OpenAI sebagai alat untuk penasihat keuangan mereka. Dengan menarik dari penelitian internal yang luas dan data perusahaan, chatbot ini berfungsi sebagai sumber pengetahuan yang diperkaya, meningkatkan efisiensi dan akurasi saran keuangan.

Pada Maret tahun ini, Hedge fund Citadel berusaha untuk mendapatkan lisensi ChatGPT untuk seluruh perusahaan. Implementasi yang diusulkan ini bertujuan untuk meningkatkan area seperti pengembangan perangkat lunak dan analisis informasi yang kompleks.

JPMorgan Chase juga berupaya untuk memanfaatkan model bahasa besar untuk deteksi penipuan. Metodologi mereka berputar pada penggunaan pola email untuk mengidentifikasi potensi kompromi. Tidak berhenti di situ, bank ini juga menetapkan target ambisius: menambahkan nilai hingga $1,5 miliar dengan AI pada akhir tahun.

Sementara itu, Goldman Sachs tidak sepenuhnya resisten terhadap daya tarik AI. Bank ini menjelajahi kekuatan Kecerdasan Buatan Generatif untuk memperkuat domain pengembangan perangkat lunak. Seperti yang dikatakan Marco Argenti, Chief Information Officer of Goldman Sachs, integrasi seperti itu memiliki potensi untuk mengubah tenaga kerja mereka menjadi sesuatu yang “superhuman.”

Kasus Penggunaan Kecerdasan Buatan Generatif di Industri Perbankan dan Keuangan

Kasus Penggunaan Kecerdasan Buatan Generatif di Keuangan

Kecerdasan Buatan Generatif secara fundamental mengubah operasi keuangan, pengambilan keputusan, dan interaksi pelanggan. Berikut adalah eksplorasi rinci tentang aplikasinya:

1. Pencegahan Penipuan: Kecerdasan Buatan Generatif berada di garis depan pengembangan mekanisme deteksi penipuan yang canggih. Dengan menganalisis kumpulan data besar, dapat mendeteksi pola dan ketidakteraturan yang kompleks, menawarkan pendekatan yang lebih proaktif. Sistem tradisional, sering kali terhambat oleh volume data yang besar, mungkin menghasilkan positif palsu. Kecerdasan Buatan Generatif, di sisi lain, terus memperbarui pemahamannya, mengurangi kesalahan dan memastikan transaksi keuangan yang lebih aman.

2. Penilaian Risiko Kredit: Metode tradisional untuk menilai kelayakan kredit seseorang, meskipun handal, menjadi ketinggalan zaman. Model Kecerdasan Buatan Generatif melalui parameter yang beragam – dari riwayat kredit hingga pola perilaku yang halus – menawarkan profil risiko yang komprehensif. Ini tidak hanya memastikan pemberian kredit yang lebih aman tetapi juga melayani klien yang lebih luas, termasuk mereka yang mungkin tidak terlayani oleh metrik tradisional.

3. Meningkatkan Interaksi Pelanggan: Dunia keuangan sedang menyaksikan revolusi dalam layanan pelanggan, berkat model NLP yang ditenagai Kecerdasan Buatan Generatif. Model ini dapat memahami dan merespons berbagai pertanyaan pelanggan, menawarkan solusi yang disesuaikan dengan cepat. Dengan mengotomatisasi tugas rutin, lembaga keuangan dapat mengurangi biaya, memperlancar operasi, dan yang paling penting, meningkatkan kepuasan pelanggan.

4. Perencanaan Keuangan yang Disesuaikan: Satu-ukuran-untuk-semua adalah hal yang kuno. Pelanggan saat ini menuntut perencanaan keuangan yang disesuaikan dengan kebutuhan dan aspirasi unik mereka. Kecerdasan Buatan Generatif unggul dalam hal ini. Dengan menganalisis data – dari pola pengeluaran hingga preferensi investasi – dapat menciptakan peta jalan keuangan yang disesuaikan. Pendekatan holistik ini memastikan pelanggan lebih terinformasi dan lebih siap untuk menavigasi masa depan keuangan mereka.

5. Perdagangan Algoritmik: Kecerdasan Buatan Generatif menunjukkan kemampuan analitis yang sangat berharga dalam dunia perdagangan algoritmik yang volatil. Dengan menganalisis data – dari tren pasar hingga sentimen berita – dapat memberikan wawasan yang tajam, memungkinkan ahli keuangan untuk mengoptimalkan strategi, memprediksi pergeseran pasar, dan memitigasi risiko potensial.

6. Penguatan Kerangka Kepatuhan: Regulasi Anti-Pencucian Uang (AML) sangat penting dalam memelihara integritas sistem keuangan. Kecerdasan Buatan Generatif memudahkan kepatuhan dengan menyaring data transaksi yang kompleks untuk mengidentifikasi aktivitas yang mencurigakan. Ini tidak hanya memastikan lembaga keuangan mematuhi standar global tetapi juga secara signifikan mengurangi kemungkinan positif palsu, memperlancar operasi.

7. Keamanan Siber: Dengan ancaman siber yang terus berkembang, sektor keuangan memerlukan solusi yang gesit. Kecerdasan Buatan Generatif menawarkan hal itu. Dengan menerapkan model prediktif dinamis, dapat mendeteksi ancaman lebih cepat, memperkuat infrastruktur keuangan terhadap potensi pelanggaran.

Namun, seperti halnya teknologi yang berkembang, Kecerdasan Buatan Generatif juga datang dengan tantangan di industri keuangan.

Tantangan

1. Penguatan Bias: Model AI, seberapa canggih pun, masih bergantung pada data pelatihan yang dihasilkan manusia. Data ini, dengan bias yang melekat—baik disengaja atau tidak—dapat menghasilkan hasil yang terdistorsi. Untuk contoh, jika sebuah demografi tertentu kurang terwakili dalam set pelatihan, output AI selanjutnya dapat memperkuat pengabaian ini. Dalam sektor seperti keuangan, di mana kesetaraan dan keadilan sangat penting, bias seperti itu dapat menyebabkan konsekuensi yang parah. Pemimpin keuangan perlu proaktif dalam mengidentifikasi bias ini dan memastikan bahwa dataset mereka komprehensif dan representatif.
2. Keandalan Output & Pengambilan Keputusan: Kecerdasan Buatan Generatif, terkadang, dapat menghasilkan hasil yang salah dan menyesatkan—sering disebut sebagai ‘halusinasi‘. Kesalahan ini agak diharapkan karena model AI memperbarui dan belajar, tetapi konsekuensinya di keuangan, di mana presisi sangat penting, sangat parah. Mengandalkan AI sepenuhnya untuk keputusan kritis, seperti persetujuan pinjaman, sangat berisiko. Sebagai gantinya, AI harus dilihat sebagai alat canggih yang membantu ahli keuangan, bukan menggantikan mereka. AI harus menangani beban komputasi, memberikan wawasan untuk keputusan yang akhirnya diambil oleh profesional.
3. Privasi Data & Kepatuhan: Melindungi data pelanggan yang sensitif tetap menjadi kekhawatiran besar dengan aplikasi Kecerdasan Buatan Generatif. Memastikan sistem mematuhi standar global seperti Regulasi Perlindungan Data Umum (GDPR) dan Undang-Undang Privasi Konsumen California (CCPA) sangat penting. AI mungkin tidak secara inheren mengenal atau menghormati batasan ini, sehingga penggunaannya harus dimoderasi dengan pedoman perlindungan data yang ketat, terutama di sektor keuangan di mana kerahasiaan sangat penting.
4. Kualitas Data Input: Kecerdasan Buatan Generatif hanya sebaik data yang diberikan kepadanya. Data yang tidak akurat atau tidak lengkap dapat secara tidak sengaja mengarah pada saran keuangan atau keputusan yang tidak optimal.

Kesimpulan

Dari meningkatkan strategi perdagangan hingga memperkuat keamanan, aplikasi Kecerdasan Buatan Generatif sangat luas dan transformatif. Namun, seperti halnya teknologi, sangat penting untuk mendekati adopsinya dengan hati-hati, mempertimbangkan implikasi etika dan privasi.

Lembaga yang berhasil memanfaatkan kekuatan Kecerdasan Buatan Generatif, sambil menghormati keterbatasan dan potensi jebakan, akan tanpa diragukan membentuk trajektori masa depan arena keuangan global.