Generatywna sztuczna inteligencja w finansach: FinGPT, BloombergGPT i nie tylko

Generatywna sztuczna inteligencja odnosi się do modeli, które mogą generować nowe próbki danych podobne do danych wejściowych. Sukces ChatGPT otworzył wiele możliwości w różnych branżach, inspirując przedsiębiorstwa do projektowania własnych, dużych modeli językowych. Sektor finansowy napędzany danymi wykorzystuje obecnie jeszcze więcej danych niż kiedykolwiek wcześniej.

Najnowsze szacunki autorstwa McKinsey sugerują, że ta generatywna sztuczna inteligencja mogłaby zapewnić roczne oszczędności w wysokości do 340 miliardów dolarów dla samego sektora bankowego.

BloombergGPT i ekonomia generatywnej sztucznej inteligencji 

W marcu 2023 r. Bloomberg zaprezentował BloombergGPT. Jest to model językowy zbudowany od podstaw z 50 miliardami parametrów, dostosowany specjalnie pod kątem danych finansowych.

Aby zaoszczędzić pieniądze, czasami trzeba je wydać. Modele szkoleniowe takie jak BloombergGPT czy Meta's Llama 2 nie są tanie.

Szkolenie modelu Llama 2 o 70 miliardach parametrów wymagało 1,700,000 XNUMX XNUMX godzin pracy procesora graficznego. W komercyjnych usługach w chmurze, korzystając z Karta graficzna Nvidia A100 (używany w Llama 2) może obniżyć cenę o 1–2 USD za każdą godzinę pracy GPU. Wykonując obliczenia, model o 10 miliardach parametrów może kosztować około 150,000 100 dolarów, podczas gdy model o 1,500,000 miliardach parametrów może kosztować nawet XNUMX XNUMX XNUMX dolarów.

Jeśli nie wynajmujesz, alternatywą jest zakup procesorów graficznych. Jednak zakup około 1000 procesorów graficznych A100 w celu utworzenia klastra może spowodować stratę jednego z nich o ponad 10 milionów dolarów.

Inwestycja Bloomberga o wartości ponad miliona dolarów jest szczególnie otwierająca oczy w porównaniu z szybkim postępem w dziedzinie sztucznej inteligencji. Co zaskakujące, model kosztujący zaledwie 100 dolarów zdołał przewyższyć wyniki BloombergGPT w zaledwie pół roku. Chociaż szkolenie BloombergGPT obejmowało zastrzeżone dane, zdecydowana większość (99.30%) ich zbioru danych była publicznie dostępna. Pochodzi FinGPT.

FinGPT

FinGPT to najnowocześniejszy, dopracowany finansowy model wielkojęzykowy (FinLLM). Opracowany przez AI4Finance-Foundation, FinGPT obecnie przewyższa inne modele zarówno pod względem opłacalności, jak i ogólnej dokładności.

Obecnie ma 3 wersje; Seria FinGPT v3 to modele ulepszone przy użyciu metody LoRA, które są szkolone w zakresie wiadomości i tweetów w celu analizy nastrojów. Wypadają najlepiej w wielu testach nastrojów finansowych. FinGPT v3.1 jest zbudowany na modelu chatglm2-6B, natomiast FinGPT v3.2 jest oparty na modelu chatglmXNUMX-XNUMXB Lama2Model -7b.

FINGPT

Operacje FinGPT:

1. Pozyskiwanie i inżynieria danych:
   • Gromadzenie danych: Wykorzystuje dane z renomowanych źródeł, takich jak Yahoo, Reuters i inne. FinGPT łączy szeroką gamę wiadomości finansowych, od akcji amerykańskich po akcje CN.
   • Przetwarzanie danych: Te surowe dane przechodzą wiele etapów czyszczenia, tokenizacji i szybkiej inżynierii, aby zapewnić ich przydatność i dokładność.
2. Modele dużych języków (LLM):
   • Trening: Korzystając z wyselekcjonowanych danych, można nie tylko dostosować LLM do tworzenia lekkich modeli dostosowanych do konkretnych potrzeb, ale także dostosować istniejące modele lub interfejsy API do obsługi aplikacji.
   • Strategie dostrajania:
     • Warstwy tensorowe (LoRA): Jednym z kluczowych wyzwań przy opracowywaniu modeli takich jak FinGPT jest uzyskanie wysokiej jakości oznakowanych danych. Dostrzegając to wyzwanie, FinGPT przyjmuje innowacyjne podejście. Zamiast polegać wyłącznie na tradycyjnym etykietowaniu, jako etykiety wykorzystuje się wahania cen akcji wywołane sytuacją rynkową, które przekładają nastroje związane z wiadomościami na konkretne etykiety, takie jak pozytywne, negatywne lub neutralne. Skutkuje to ogromną poprawą zdolności predykcyjnych modelu, szczególnie w zakresie rozróżniania pozytywnych i negatywnych nastrojów. Dzięki technikom dostrajania, takim jak LoRA, FinGPT v3 udało się zoptymalizować wydajność, jednocześnie zmniejszając obciążenie obliczeniowe.
     • Wzmocnienie uczenia się na podstawie informacji zwrotnych od ludzi: FinGPT używa „RLHF (uczenie się ze wzmocnieniem na podstawie informacji zwrotnej od ludzi)„. Funkcja RLHF, której nie ma w BloombergGPT, RLHF wyposaża model LLM w możliwość rozpoznania indywidualnych preferencji – czy to apetytu użytkownika na ryzyko, wzorców inwestycyjnych czy dostosowanych ustawień robo-doradcy. Ta technika, będąca podstawą zarówno ChatGPT, jak i GPT4, zapewnia bardziej dostosowaną i intuicyjną obsługę użytkownika.
3. Zastosowania i Innowacje:
   • Doradca Robo: Podobnie jak doświadczony doradca finansowy, FinGPT może z dużą precyzją analizować nastroje w mediach i przewidywać trendy rynkowe.
   • Handel ilościowy: Identyfikując nastroje z różnych źródeł, od serwisów informacyjnych po Twittera, FinGPT może sformułować skuteczne strategie handlowe. W rzeczywistości, nawet jeśli jest kierowany wyłącznie nastrojami na Twitterze, prezentuje obiecujące wyniki handlowe.

Porównanie FinGPT z ChatGLM, LLAMA 2, BloombergGPT

Obecna trajektoria i przyszłość FinGPT: Lipiec 2023 r. to ekscytujący kamień milowy dla FinGPT. Zespół zaprezentował artykuł badawczy zatytułowany „Instruct-FinGPT: Analiza nastrojów finansowych poprzez dostrajanie instrukcji wielkojęzycznych modeli ogólnego przeznaczenia.” Centralnym punktem tego artykułu jest badanie dostrajania instrukcji, techniki umożliwiającej FinGPT przeprowadzanie skomplikowanych analiz nastrojów finansowych.

Ale FinGPT nie ogranicza się wyłącznie do analizy nastrojów. W rzeczywistości dostępnych jest 19 innych różnorodnych aplikacji, z których każda obiecuje wykorzystanie LLM w nowatorski sposób. Od szybkiego projektowania po zrozumienie złożonych kontekstów finansowych, FinGPT zyskuje pozycję wszechstronnego modelu GenAI w dziedzinie finansów.

Jak globalne banki wykorzystują generatywną sztuczną inteligencję

Podczas gdy na początku 2023 roku niektórzy z głównych graczy finansowych, takich jak Bank of America, Citigroup i Goldman Sachs, nałożyli ograniczenia na korzystanie z ChatGPT OpenAI przez swoich pracowników, inni odpowiednicy w branży zdecydowanie opowiedzieli się za bardziej obejmującym stanowisko.

Morgan Stanleyna przykład zintegrowało chatboty oparte na OpenAI jako narzędzie dla swoich doradców finansowych. Wykorzystując obszerne wewnętrzne badania i dane firmy, chatboty służą jako zasoby wzbogaconej wiedzy, zwiększając efektywność i dokładność doradztwa finansowego.

W marcu br. Fundusz hedgingowy Cytadela szukał sposobu na zabezpieczenie licencji ChatGPT obejmującej całe przedsiębiorstwo. Przyszłe wdrożenie przewiduje wzmocnienie takich obszarów, jak tworzenie oprogramowania i analiza skomplikowanych informacji.

JPMorgan Chase podejmuje także wysiłki w celu wykorzystania rozbudowanych modeli językowych do wykrywania oszustw. Ich metodologia opiera się na wykorzystaniu wzorców wiadomości e-mail do identyfikacji potencjalnych kompromisów. Nie spoczywając na tym, bank postawił sobie również ambitny cel: dodanie aż  Do końca roku wartość AI będzie wynosić 1.5 miliarda dolarów.

Jeśli chodzi o Goldman Sachs, nie jest on całkowicie odporny na urok sztucznej inteligencji. Bank bada możliwości generatywnej sztucznej inteligencji, aby wzmocnić swoją dziedzinę inżynierii oprogramowania. Jak Marco Argenti, dyrektor ds. informacji w Goldman Sachs, to ujmuje, taka integracja może przekształcić ich siłę roboczą w coś „nadludzki".

Przypadki użycia generatywnej sztucznej inteligencji w branży bankowo-finansowej

Generatywna sztuczna inteligencja w zastosowaniach finansowych

Generatywna sztuczna inteligencja zasadniczo zmienia operacje finansowe, proces podejmowania decyzji i interakcje z klientami. Oto szczegółowe omówienie jego zastosowań:

1. Zapobieganie oszustwom: Generatywna sztuczna inteligencja przoduje w opracowywaniu najnowocześniejszych mechanizmów wykrywania oszustw. Analizując ogromne zbiory danych, może wykryć skomplikowane wzorce i nieprawidłowości, oferując bardziej proaktywne podejście. Tradycyjne systemy, często przytłoczone ogromną ilością danych, mogą generować fałszywe alarmy. Natomiast generatywna sztuczna inteligencja stale udoskonala swoje zrozumienie, redukując błędy i zapewniając bezpieczniejsze transakcje finansowe.

2. Ocena ryzyka kredytowego: Tradycyjne metody oceny zdolności kredytowej kredytobiorcy, choć wiarygodne, stają się przestarzałe. Modele generatywne AI poprzez różnorodne parametry – od historii kredytowej po subtelne wzorce zachowań – oferują kompleksowy profil ryzyka. Zapewnia to nie tylko bezpieczniejsze udzielanie kredytów, ale także zaspokaja potrzeby szerszej klienteli, w tym tych, których tradycyjne wskaźniki mogą nie zadowalać.

3. Wzmocnienie interakcji z klientem: Świat finansów jest świadkiem rewolucji w obsłudze klienta dzięki generatywnym modelom NLP opartym na sztucznej inteligencji. Modele te są biegłe w rozumieniu i odpowiadaniu na różnorodne zapytania klientów, oferując szybko spersonalizowane rozwiązania. Automatyzując rutynowe zadania, instytucje finansowe mogą zmniejszyć koszty ogólne, usprawnić operacje i, co najważniejsze, zwiększyć satysfakcję klientów.

4. Spersonalizowane finanse: Rozmiar uniwersalny to relikt przeszłości. Dzisiejsi klienci wymagają planowania finansowego dostosowanego do ich unikalnych potrzeb i aspiracji. Tutaj sprawdza się generatywna sztuczna inteligencja. Analizując dane – od wzorców wydatków po preferencje inwestycyjne – tworzy zindywidualizowane plany finansowe. To całościowe podejście gwarantuje, że klienci są lepiej poinformowani i lepiej przygotowani do poruszania się po swojej finansowej przyszłości.

5. Handel algorytmiczny: Zdolność analityczna generatywnej sztucznej inteligencji okazuje się nieoceniona w zmiennym świecie handlu algorytmicznego. Analizując dane – od trendów rynkowych po nastroje w wiadomościach – dostarcza wnikliwych spostrzeżeń, umożliwiając ekspertom finansowym optymalizację strategii, przewidywanie zmian na rynku i ograniczanie potencjalnego ryzyka.

6. Wzmocnienie ram zgodności: Przepisy dotyczące przeciwdziałania praniu pieniędzy (AML) mają kluczowe znaczenie dla utrzymania integralności systemów finansowych. Generacyjna sztuczna inteligencja upraszcza przestrzeganie przepisów, przeglądając skomplikowane dane transakcyjne w celu wskazania podejrzanych działań. To nie tylko gwarantuje, że instytucje finansowe będą przestrzegać światowych standardów, ale także znacznie zmniejsza ryzyko fałszywych alarmów, usprawniając operacje.

7. Cyberbezpieczeństwo: Ponieważ zagrożenia cybernetyczne stale ewoluują, sektor finansowy potrzebuje elastycznych rozwiązań. Generatywna sztuczna inteligencja oferuje dokładnie to. Wdrażając dynamiczne modele predykcyjne, umożliwia szybsze wykrywanie zagrożeń, wzmacniając infrastrukturę finansową przed potencjalnymi naruszeniami.

Jednakże, jak w przypadku każdej rozwijającej się technologii, generatywna sztuczna inteligencja wiąże się z szeregiem wyzwań w branży finansowej.

Wyzwania

1. Wzmocnienie odchylenia: Modele sztucznej inteligencji, choć są bardzo wyrafinowane, nadal opierają się na danych szkoleniowych generowanych przez człowieka. Dane te, wraz z nieodłącznymi błędami – zamierzonymi lub nie – mogą prowadzić do wypaczonych wyników. Na przykład, jeśli dana grupa demograficzna jest niedostatecznie reprezentowana w zbiorze szkoleniowym, późniejsze wyniki sztucznej inteligencji mogą utrwalić to przeoczenie. W sektorze takim jak finanse, gdzie sprawiedliwość i sprawiedliwość są najważniejsze, takie uprzedzenia mogą prowadzić do poważnych konsekwencji. Liderzy finansowi muszą aktywnie identyfikować te uprzedzenia i dbać o to, aby ich zbiory danych były jak najbardziej kompleksowe i reprezentatywne.
2. Niezawodność wyników i podejmowanie decyzji: Generatywna sztuczna inteligencja czasami może dawać wyniki, które są zarówno błędne, jak i wprowadzające w błąd – często określane jako „omamy'. Można się tego spodziewać w miarę udoskonalania i uczenia się modeli sztucznej inteligencji, jednak konsekwencje dla finansów, gdzie precyzja nie podlega negocjacjom, są poważne. Poleganie wyłącznie na sztucznej inteligencji w przypadku kluczowych decyzji, takich jak zatwierdzanie pożyczek, jest niebezpieczne. Zamiast tego sztuczną inteligencję należy postrzegać jako wyrafinowane narzędzie, które pomaga ekspertom finansowym, a nie je zastępuje. Powinien poradzić sobie z ciężarem obliczeniowym, zapewniając specjalistom informacje umożliwiające podejmowanie ostatecznych, świadomych decyzji.
3. Prywatność danych i zgodność: Ochrona wrażliwych danych klientów pozostaje poważnym problemem w przypadku generatywnych aplikacji AI. Zapewnienie zgodności systemu ze światowymi standardami, takimi jak Ogólne rozporządzenie o ochronie danych (RODO) i Ustawa o ochronie prywatności konsumentów w Kalifornii (CCPA) ma kluczowe znaczenie. Sztuczna inteligencja może z natury nie znać tych granic ani ich nie szanować, dlatego jej stosowanie należy moderować zgodnie z rygorystycznymi wytycznymi dotyczącymi ochrony danych, szczególnie w sektorze finansowym, gdzie poufność ma ogromne znaczenie.
4. Jakość danych wejściowych: Generatywna sztuczna inteligencja jest tak dobra, jak dane, które do niej trafiają. Niedokładne lub niekompletne dane mogą nieumyślnie prowadzić do kiepskich porad lub decyzji finansowych.

Wnioski

Od ulepszania strategii handlowych po wzmacnianie bezpieczeństwa, zastosowania generatywnej sztucznej inteligencji są wszechstronne i mają charakter transformacyjny. Jednakże, jak w przypadku każdej technologii, należy zachować ostrożność przy jej wdrażaniu, biorąc pod uwagę konsekwencje etyczne i dotyczące prywatności.

Te instytucje, które skutecznie wykorzystają możliwości generatywnej sztucznej inteligencji, respektując jednocześnie jej ograniczenia i potencjalne pułapki, niewątpliwie ukształtują przyszłą trajektorię globalnej areny finansowej.