Prompt engineering
Intelligenza Artificiale Generativa in Finanza: FinGPT, BloombergGPT e Oltre
L’intelligenza artificiale generativa si riferisce a modelli in grado di generare nuovi esempi di dati simili ai dati di input. Il successo di ChatGPT ha aperto molte opportunità in vari settori, ispirando le imprese a progettare i propri modelli di linguaggio di grandi dimensioni. Il settore finanziario, guidato dai dati, è ora ancora più intensivo in termini di dati che mai.
Lavoro come scienziato dei dati in una società di servizi finanziari con sede in Francia. Dopo oltre un anno, ho recentemente osservato un aumento significativo nell’utilizzo di LLM in tutte le divisioni per l’automazione dei compiti e la costruzione di sistemi AI robusti e sicuri.
Ogni servizio finanziario cerca di creare i propri LLM personalizzati utilizzando modelli open-source come LLAMA 2 o Falcon. In particolare, le banche legacy che hanno decenni di dati finanziari.
Fino ad ora, non è stato possibile incorporare questa vasta quantità di dati in un unico modello a causa delle limitate risorse di calcolo e dei modelli a bassi parametri. Tuttavia, questi modelli open-source con miliardi di parametri possono ora essere personalizzati per grandi quantità di dataset testuali. I dati sono come carburante per questi modelli; più ce ne sono, migliori sono i risultati.
Entrambi i dati e i modelli LLM possono risparmiare alle banche e ad altri servizi finanziari milioni di dollari migliorando l’automazione, l’efficienza, la precisione e altro.
Recenti stime di McKinsey suggeriscono che questa intelligenza artificiale generativa potrebbe offrire risparmi annuali di fino a 340 miliardi di dollari per il solo settore bancario.
BloombergGPT e Economia dell’Intelligenza Artificiale Generativa
Nel marzo 2023, Bloomberg ha presentato BloombergGPT. Si tratta di un modello di linguaggio costruito da zero con 50 miliardi di parametri, progettato specificamente per i dati finanziari.
Per risparmiare denaro, a volte è necessario spendere denaro. Addestrare modelli come BloombergGPT o Meta’s Llama 2 non è economico.
Addestrare il modello Llama 2 con 70 miliardi di parametri ha richiesto 1.700.000 ore di GPU. Utilizzando i servizi cloud commerciali, l’utilizzo della Nvidia A100 GPU (utilizzata per Llama 2) può costare fino a 1-2 dollari per ogni ora di GPU. Facendo i conti, un modello con 10 miliardi di parametri potrebbe costare intorno ai 150.000 dollari, mentre un modello con 100 miliardi di parametri potrebbe costare fino a 1.500.000 dollari.
Se non si noleggia, acquistare le GPU direttamente è un’alternativa. Tuttavia, acquistare circa 1000 A100 GPU per formare un cluster potrebbe costare più di 10 milioni di dollari.
L’investimento di Bloomberg di oltre un milione di dollari è particolarmente interessante se confrontato con i rapidi progressi dell’IA. Sorprendentemente, un modello che costa solo 100 dollari è riuscito a superare le prestazioni di BloombergGPT in soli sei mesi. Mentre l’addestramento di BloombergGPT ha incorporato dati proprietari, la maggior parte (99,30%) del loro dataset era accessibile pubblicamente. Entra FinGPT.
FinGPT
FinGPT è un modello di linguaggio di grandi dimensioni personalizzato per la finanza (FinLLM). Sviluppato da AI4Finance-Foundation, FinGPT attualmente supera altri modelli in termini di efficienza e precisione in generale.
Attualmente, ci sono tre versioni; la serie FinGPT v3 è un modello migliorato utilizzando il metodo LoRA e addestrato su notizie e tweet per analizzare i sentimenti. Si esegue al meglio in molti test di sentimenti finanziari. FinGPT v3.1 è basato sul modello chatglm2-6B, mentre FinGPT v3.2 è basato sul modello Llama2-7b.
FINGPT
Operazioni di FinGPT:
- Fonti e Ingegneria dei Dati:
- Acquisizione dei Dati: Utilizza dati da fonti affidabili come Yahoo, Reuters e altro, FinGPT combina una vasta gamma di notizie finanziarie, dalle azioni americane alle azioni cinesi.
- Elaborazione dei Dati: I dati grezzi subiscono molte fasi di pulizia, tokenizzazione e ingegneria dei prompt per garantire la loro rilevanza e precisione.
- Modelli di Linguaggio di Grandi Dimensioni (LLM):
- Addestramento: Utilizzando i dati curati, non solo è possibile personalizzare LLM per creare modelli leggeri personalizzati per esigenze specifiche, ma è anche possibile adattare modelli o API esistenti per supportare le applicazioni.
- Strategie di Personalizzazione:
- Layer di Tensor (LoRA): Una delle sfide chiave nello sviluppo di modelli come FinGPT è ottenere dati etichettati di alta qualità. Riconoscendo questa sfida, FinGPT adotta un approccio innovativo. Invece di affidarsi esclusivamente all’etichettatura tradizionale, le fluttuazioni dei prezzi azionari guidate dal mercato vengono utilizzate come etichette, traducendo i sentimenti delle notizie in etichette tangibili come positive, negative o neutrali. Ciò si traduce in miglioramenti significativi delle capacità predittive del modello, in particolare nel discernere i sentimenti positivi e negativi. Attraverso tecniche di personalizzazione come LoRA, FinGPT v3 è riuscito a ottimizzare le prestazioni riducendo l’onere computazionale.
- Apprendimento per Rinforzo da Feedback Umano: FinGPT utilizza “RLHF (Reinforcement learning from human feedback)“. Una funzione assente in BloombergGPT, RLHF consente al modello LLM di discernere le preferenze individuali, sia che si tratti della propensione al rischio di un utente, dei modelli di investimento o delle impostazioni personalizzate per un consulente robotico. Questa tecnica, un pilastro sia di ChatGPT che di GPT4, garantisce un’esperienza utente più personalizzata e intuitiva.
- Applicazioni e Innovazioni:
- Consulente Robotico: Come un consulente finanziario esperto, FinGPT può analizzare i sentimenti delle notizie e prevedere le tendenze del mercato con grande precisione.
- Trading Quantitativo: Identificando i sentimenti da diverse fonti, dalle notizie ai tweet, FinGPT può formulare strategie di trading efficaci. In realtà, anche quando diretto solo dai sentimenti dei tweet, mostra risultati di trading promettenti.
FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT
Tragitto Attuale e Futuro di FinGPT: Luglio 2023 segna un importante traguardo per FinGPT. Il team ha pubblicato un articolo di ricerca intitolato “Instruct-FinGPT: Analisi dei Sentimenti Finanziari attraverso la Personalizzazione delle Istruzioni dei Modelli di Linguaggio di Grandi Dimensioni“. Al centro di questo articolo c’è l’esplorazione della personalizzazione delle istruzioni, una tecnica che consente a FinGPT di eseguire complesse analisi dei sentimenti finanziari.
Ma FinGPT non è limitato solo all’analisi dei sentimenti. In realtà, ci sono 19 altre applicazioni diverse, ognuna delle quali promette di sfruttare i LLM in modi innovativi. Dall’ingegneria dei prompt alla comprensione di contesti finanziari complessi, FinGPT si sta affermando come un modello GenAI versatile nel dominio finanziario.
Come le Banche Globali Stanno Abbracciando l’Intelligenza Artificiale Generativa
Mentre l’inizio del 2023 ha visto alcune delle principali istituzioni finanziarie come Bank of America, Citigroup e Goldman Sachs imporre limiti all’utilizzo di ChatGPT da parte dei loro dipendenti, altri attori nel settore hanno scelto di adottare un approccio più aperto.
Morgan Stanley, ad esempio, ha integrato chatbot alimentati da OpenAI come strumento per i propri consulenti finanziari. Sfruttando la vasta ricerca interna e i dati della società, questi chatbot fungono da risorse di conoscenza arricchite, aumentando l’efficienza e la precisione della consulenza finanziaria.
Nel marzo di quest’anno, Hedge fund Citadel stava cercando di ottenere una licenza aziendale per ChatGPT. L’implementazione prospettata prevede il potenziamento di aree come lo sviluppo del software e l’analisi delle informazioni complesse.
JPMorgan Chase sta anche lavorando per sfruttare i modelli di linguaggio di grandi dimensioni per la rilevazione delle frodi. Il loro metodo si basa sull’utilizzo dei modelli di email per identificare potenziali compromissioni. E non si ferma qui, la banca ha anche fissato un obiettivo ambizioso: aggiungere fino a 1,5 miliardi di dollari di valore con l’IA entro la fine dell’anno.
Per quanto riguarda Goldman Sachs, non sono completamente resistenti al fascino dell’IA. La banca sta esplorando il potere dell’intelligenza artificiale generativa per rafforzare il proprio dominio dell’ingegneria del software. Come Marco Argenti, Chief Information Officer di Goldman Sachs, afferma, tale integrazione ha il potenziale per trasformare la loro forza lavoro in qualcosa di “superumano“.
Casi d’Uso dell’Intelligenza Artificiale Generativa nel Settore Bancario e Finanziario
Intelligenza Artificiale Generativa in Finanza USE CASES
L’intelligenza artificiale generativa sta trasformando fondamentalmente le operazioni finanziarie, la presa di decisioni e le interazioni con i clienti. Ecco un’analisi dettagliata delle sue applicazioni:
1. Prevenzione delle Frodi: L’intelligenza artificiale generativa è all’avanguardia nello sviluppo di meccanismi di rilevamento delle frodi all’avanguardia. Analizzando grandi quantità di dati, può discernere modelli intricati e irregolarità, offrendo un approccio più proattivo. I sistemi tradizionali, spesso sopraffatti dalla quantità di dati, potrebbero produrre falsi positivi. L’intelligenza artificiale generativa, al contrario, raffina costantemente la sua comprensione, riducendo gli errori e garantendo transazioni finanziarie più sicure.
2. Valutazione del Rischio di Credito: I metodi tradizionali per valutare la credibilità di un debitore, sebbene affidabili, stanno diventando obsoleti. I modelli di intelligenza artificiale generativa, attraverso parametri diversi – dalle storie creditizie ai modelli di comportamento sottili – offrono un profilo di rischio completo. Ciò non solo garantisce prestiti più sicuri, ma serve anche una clientela più ampia, comprese quelle che potrebbero essere sottoservite dai metrici tradizionali.
3. Potenziamento dell’Interazione con il Cliente: Il mondo finanziario sta assistendo a una rivoluzione nel servizio clienti, grazie ai modelli di NLP alimentati dall’intelligenza artificiale generativa. Questi modelli sono in grado di comprendere e rispondere a varie richieste dei clienti, offrendo soluzioni personalizzate in modo tempestivo. Automatizzando le attività di routine, le istituzioni finanziarie possono ridurre i costi, semplificare le operazioni e, soprattutto, migliorare la soddisfazione del cliente.
4. Pianificazione Finanziaria Personalizzata: Il “tutto in uno” è un relitto del passato. Oggi i clienti richiedono piani finanziari personalizzati in base alle loro esigenze e aspirazioni uniche. L’intelligenza artificiale generativa eccelle in questo. Analizzando i dati – dai modelli di spesa alle preferenze di investimento – crea percorsi finanziari individualizzati. Questo approccio olistico garantisce che i clienti siano meglio informati e più attrezzati per navigare nel loro futuro finanziario.
5. Trading Algoritmico: L’analisi dell’intelligenza artificiale generativa sta dimostrando il suo valore nel mondo volatile del trading algoritmico. Scomponendo i dati – dalle tendenze del mercato ai sentimenti delle notizie – fornisce insight incisivi, consentendo agli esperti finanziari di ottimizzare le strategie, anticipare gli spostamenti del mercato e mitigare i rischi potenziali.
6. Consolidamento dei Quadri di Compliance: Le norme anti-riciclaggio di denaro (AML) sono fondamentali per mantenere l’integrità dei sistemi finanziari. L’intelligenza artificiale generativa semplifica la conformità setacciando i dati transazionali complessi per individuare attività sospette. Ciò non solo garantisce che le istituzioni finanziarie aderiscano agli standard globali, ma riduce anche significativamente le possibilità di falsi positivi, semplificando le operazioni.
7. Sicurezza Informatica: Con le minacce informatiche in continua evoluzione, il settore finanziario necessita di soluzioni agili. L’intelligenza artificiale generativa offre proprio questo. Implementando modelli predittivi dinamici, consente una rilevazione più rapida delle minacce, rafforzando le infrastrutture finanziarie contro potenziali violazioni.
Tuttavia, come per qualsiasi tecnologia in evoluzione, l’intelligenza artificiale generativa presenta anche una serie di sfide nel settore finanziario.
Le Sfide
- Amplificazione dei Pregiudizi: I modelli di intelligenza artificiale, per quanto sofisticati, dipendono ancora dai dati generati dagli esseri umani. Questi dati, con i loro pregiudizi intrinseci – sia intenzionali che no – possono portare a risultati distorti. Ad esempio, se una particolare demografia è sottorappresentata nel set di addestramento, le uscite successive dell’IA potrebbero perpetuare questo errore. In un settore come la finanza, dove l’equità e la giustizia sono fondamentali, tali pregiudizi potrebbero avere gravi conseguenze. I leader finanziari devono essere proattivi nell’identificare questi pregiudizi e garantire che i loro set di dati siano il più possibile completi e rappresentativi.
- Affidabilità dell’Output e Presa di Decisioni: L’intelligenza artificiale generativa, a volte, può produrre risultati sia errati che fuorvianti – spesso definiti come “allucinazioni“. Questi passi falsi sono in qualche modo prevedibili poiché i modelli di IA si raffinano e imparano, ma le ripercussioni nel settore finanziario, dove la precisione è imprescindibile, sono gravi. Fare affidamento esclusivamente sull’IA per decisioni critiche, come l’approvazione dei prestiti, è pericoloso. Invece, l’IA dovrebbe essere vista come uno strumento sofisticato che supporta gli esperti finanziari, non li sostituisce. Dovrebbe gestire il peso computazionale, fornendo insight per consentire ai professionisti umani di prendere le decisioni finali informate.
- Riservatezza dei Dati e Conformità: Proteggere i dati sensibili dei clienti rimane una preoccupazione significativa per le applicazioni dell’intelligenza artificiale generativa. È cruciale garantire che il sistema aderisca agli standard globali come il Regolamento Generale sulla Protezione dei Dati (GDPR) e la California Consumer Privacy Act (CCPA). L’IA potrebbe non conoscere o rispettare questi confini, quindi il suo utilizzo deve essere moderato con linee guida di protezione dei dati stringenti, in particolare nel settore finanziario dove la riservatezza è fondamentale.
- Qualità dei Dati di Input: L’intelligenza artificiale generativa è solo buona quanto i dati che le vengono forniti. Dati inaccurati o incompleti possono involontariamente portare a consigli finanziari o decisioni scadenti.
Conclusione
Dall’ampliamento delle strategie di trading al rafforzamento della sicurezza, le applicazioni dell’intelligenza artificiale generativa sono vaste e trasformative. Tuttavia, come per qualsiasi tecnologia, è essenziale approcciare la sua adozione con cautela, considerando le implicazioni etiche e di privacy.
Le istituzioni che riescono a sfruttare il potenziale dell’intelligenza artificiale generativa, rispettandone allo stesso tempo i limiti e le potenziali insidie, plasmeranno senza dubbio la traiettoria futura dell’arena finanziaria globale.
