IA generativa em finanças: FinGPT, BloombergGPT e muito mais

IA generativa refere-se a modelos que podem gerar novas amostras de dados semelhantes aos dados de entrada. O sucesso do ChatGPT abriu muitas oportunidades em todos os setores, inspirando as empresas a projetar seus próprios grandes modelos de linguagem. O setor financeiro, impulsionado pelos dados, é agora ainda mais intensivo em dados do que nunca.

Estimativas recentes de McKinsey sugerem que esta IA generativa poderia oferecer poupanças anuais de até 340 mil milhões de dólares apenas para o setor bancário.

BloombergGPT e economia da IA ​​generativa 

Em março de 2023, a Bloomberg apresentou BloombergGPT. É um modelo de linguagem construído do zero com 50 bilhões de parâmetros, adaptado especificamente para dados financeiros.

Para economizar dinheiro, às vezes você precisa gastar dinheiro. Modelos de treinamento como BloombergGPT ou Meta's Llama 2 não são baratos.

O treinamento do modelo de 2 bilhões de parâmetros do Llama 70 exigiu 1,700,000 horas de GPU. Em serviços de nuvem comerciais, empregando o GPU Nvidia A100 (usado para Llama 2) pode custar US$ 1 a US$ 2 para cada hora de GPU. Fazendo as contas, um modelo de 10 bilhões de parâmetros poderia custar cerca de US$ 150,000, enquanto um modelo de 100 bilhões de parâmetros poderia custar até US$ 1,500,000.

Se não for alugar, comprar as GPUs imediatamente é uma alternativa. No entanto, comprar cerca de 1000 GPUs A100 para formar um cluster pode custar mais de US$ 10 milhões.

O investimento da Bloomberg de mais de um milhão de dólares é particularmente revelador quando justaposto aos rápidos avanços na IA. Surpreendentemente, um modelo que custa apenas US$ 100 conseguiu superar o desempenho da BloombergGPT em apenas meio ano. Embora o treinamento da BloombergGPT incorporasse dados proprietários, a grande maioria (99.30%) de seu conjunto de dados estava acessível ao público. Vem FinGPT.

FinGPT

FinGPT é um modelo financeiro de linguagem grande e ajustado de última geração (FinLLM). Desenvolvido pela AI4Finance-Foundation, o FinGPT está atualmente superando outros modelos em termos de relação custo-benefício e precisão em geral.

Atualmente possui 3 versões; a série FinGPT v3 são modelos aprimorados usando o método LoRA e são treinados em notícias e tweets para analisar sentimentos. Eles apresentam o melhor desempenho em muitos testes de sentimento financeiro. FinGPT v3.1 é baseado no modelo chatglm2-6B, enquanto FinGPT v3.2 é baseado no Lhama2Modelo -7b.

FINGPT

Operações do FinGPT:

1. Fonte de dados e engenharia:
   • Aquisição de Dados: Usa dados de fontes confiáveis ​​como Yahoo, Reuters e muito mais, FinGPT reúne uma vasta gama de notícias financeiras, abrangendo ações dos EUA até ações da CN.
   • Processamento de dados: esses dados brutos passam por vários estágios de limpeza, tokenização e engenharia imediata para garantir sua relevância e precisão.
2. Modelos de linguagem grande (LLMs):
   • Training: Usando os dados selecionados, os LLMs não apenas podem ser ajustados para gerar modelos leves adaptados a necessidades específicas, mas os modelos ou APIs existentes também podem ser adaptados para dar suporte a aplicativos.
   • Estratégias de ajuste fino:
     • Camadas tensoras (LoRA): Um dos principais desafios no desenvolvimento de modelos como o FinGPT é a obtenção de dados rotulados de alta qualidade. Reconhecendo este desafio, o FinGPT adota uma abordagem inovadora. Em vez de depender apenas da rotulagem tradicional, as flutuações dos preços das ações impulsionadas pelo mercado são utilizadas como rótulos, traduzindo o sentimento noticioso em rótulos tangíveis como positivo, negativo ou neutro. Isto resulta em melhorias massivas nas capacidades preditivas do modelo, particularmente no discernimento de sentimentos positivos e negativos. Por meio de técnicas de ajuste fino como LoRA, o FinGPT v3 conseguiu otimizar o desempenho e, ao mesmo tempo, reduzir a sobrecarga computacional.
     • Aprendizagem por reforço com feedback humano: FinGPT usa “RLHF (aprendizado por reforço com feedback humano)“. Um recurso ausente no BloombergGPT, o RLHF equipa o modelo LLM com a capacidade de discernir preferências individuais – sejam o apetite ao risco do usuário, padrões de investimento ou configurações personalizadas do robo-consultor. Esta técnica, base do ChatGPT e do GPT4, garante uma experiência de usuário mais personalizada e intuitiva.
3. Aplicações e Inovações:
   • Conselheiro Robo: Como um consultor financeiro experiente, o FinGPT pode analisar notícias e prever tendências de mercado com grande precisão.
   • Negociação Quantitativa: Ao identificar sentimentos de diversas fontes, desde meios de comunicação ao Twitter, o FinGPT pode formular estratégias de negociação eficazes. Na verdade, mesmo quando orientado exclusivamente pelos sentimentos do Twitter, apresenta resultados comerciais promissores.

Comparação FinGPT com ChatGLM, LLAMA 2, BloombergGPT

Trajetória Atual e Futuro do FinGPT: Julho de 2023 marca um marco emocionante para o FinGPT. A equipe revelou um artigo de pesquisa intitulado “Instruct-FinGPT: Análise de sentimento financeiro por ajuste de instruções de grandes modelos de linguagem de uso geral.” No centro deste artigo está a exploração do ajuste de instruções, uma técnica que permite ao FinGPT executar análises complexas de sentimento financeiro.

Mas o FinGPT não se limita apenas à análise de sentimento. Na verdade, 19 outras aplicações diversas estão disponíveis, cada uma prometendo aproveitar os LLMs de maneiras inovadoras. Da engenharia imediata à compreensão de contextos financeiros complexos, o FinGPT está se estabelecendo como um modelo GenAI versátil no domínio financeiro.

Como os bancos globais estão adotando a IA generativa

Embora o início de 2023 tenha visto alguns dos principais intervenientes financeiros como o Bank of America, Citigroup e Goldman Sachs imporem restrições à utilização do ChatGPT da OpenAI pelos seus funcionários, outras contrapartes na indústria optaram decididamente por uma postura mais abrangente.

Morgan Stanley, por exemplo, integrou chatbots com tecnologia OpenAI como ferramenta para seus consultores financeiros. Ao aproveitar a extensa pesquisa e dados internos da empresa, estes chatbots funcionam como recursos de conhecimento enriquecidos, aumentando a eficiência e a precisão da consultoria financeira.

Em março deste ano, Cidadela do fundo de hedge estava navegando para garantir uma licença ChatGPT para toda a empresa. A implementação prospectiva prevê o reforço de áreas como desenvolvimento de software e análise complexa de informações.

O JPMorgan Chase também está se esforçando para aproveitar grandes modelos de linguagem para detecção de fraudes. Sua metodologia gira em torno da utilização de padrões de e-mail para identificar possíveis comprometimentos. Não se limitando a isso, o banco também estabeleceu uma meta ambiciosa: adicionar o máximo possível  US$ 1.5 bilhão em valor com IA até o final do ano.

Quanto ao Goldman Sachs, eles não são totalmente resistentes ao fascínio da IA. O banco está explorando o poder da IA ​​generativa para fortalecer seu domínio de engenharia de software. Como Marco Argenti, diretor de informações da Goldman Sachs, afirma, tal integração tem o potencial de transformar sua força de trabalho em algo “super-humano. "

Casos de uso de IA generativa no setor bancário e financeiro

IA generativa em casos de uso financeiro

A IA generativa está transformando fundamentalmente as operações financeiras, a tomada de decisões e as interações com os clientes. Aqui está uma exploração detalhada de suas aplicações:

1. Prevenção de fraude: A IA generativa está na vanguarda do desenvolvimento de mecanismos de detecção de fraude de ponta. Ao analisar vastos conjuntos de dados, consegue discernir padrões e irregularidades intrincados, oferecendo uma abordagem mais proativa. Os sistemas tradicionais, muitas vezes sobrecarregados pelo grande volume de dados, podem produzir falsos positivos. A IA generativa, por outro lado, refina continuamente a sua compreensão, reduzindo erros e garantindo transações financeiras mais seguras.

2. Avaliação de Risco de Crédito: Os métodos tradicionais de avaliação da solvabilidade de um mutuário, embora fiáveis, estão a tornar-se obsoletos. Modelos de IA generativos através de diversos parâmetros – desde históricos de crédito a padrões comportamentais subtis – oferecem um perfil de risco abrangente. Isto não só garante empréstimos mais seguros, mas também atende a uma clientela mais ampla, incluindo aqueles que podem ser mal atendidos pelas métricas tradicionais.

3. Aumentando a interação com o cliente: O mundo financeiro está testemunhando uma revolução no atendimento ao cliente, graças aos modelos generativos de PNL alimentados por IA. Esses modelos são adeptos de compreender e responder às diversas dúvidas dos clientes, oferecendo soluções personalizadas com agilidade. Ao automatizar tarefas rotineiras, as instituições financeiras podem reduzir despesas gerais, agilizar as operações e, o mais importante, aumentar a satisfação do cliente.

4. Financeiro Personalizado: O tamanho único é uma relíquia do passado. Os clientes de hoje exigem um planejamento financeiro adaptado às suas necessidades e aspirações exclusivas. A IA generativa se destaca aqui. Ao analisar dados – desde padrões de gastos até preferências de investimento – ela elabora roteiros financeiros individualizados. Esta abordagem holística garante que os clientes estejam mais bem informados e mais equipados para navegar no seu futuro financeiro.

5. Negociação Algorítmica: A capacidade analítica da IA ​​generativa está se mostrando inestimável no mundo volátil da negociação algorítmica. Ao dissecar dados – desde tendências de mercado até sentimentos noticiosos – fornece insights incisivos, permitindo que especialistas financeiros otimizem estratégias, antecipem mudanças de mercado e mitiguem riscos potenciais.

6. Fortalecimento das Estruturas de Conformidade: As regulamentações contra a lavagem de dinheiro (AML) são essenciais para manter a integridade dos sistemas financeiros. A IA generativa simplifica a conformidade examinando dados transacionais intrincados para identificar atividades suspeitas. Isto não só garante que as instituições financeiras cumpram os padrões globais, mas também reduz significativamente as hipóteses de falsos positivos, agilizando as operações.

7. Cibersegurança: Com as ameaças cibernéticas em constante evolução, o setor financeiro necessita de soluções ágeis. A IA generativa oferece exatamente isso. A implementação de modelos preditivos dinâmicos permite uma detecção mais rápida de ameaças, fortalecendo as infraestruturas financeiras contra possíveis violações.

No entanto, como acontece com qualquer tecnologia em evolução, a IA generativa traz consigo o seu conjunto de desafios no setor financeiro.

Os desafios

1. Amplificação de polarização: Os modelos de IA, por mais sofisticados que sejam, ainda dependem de dados de treinamento gerados por humanos. Estes dados, com os seus preconceitos inerentes – intencionais ou não – podem levar a resultados distorcidos. Por exemplo, se um determinado grupo demográfico estiver sub-representado no conjunto de formação, os resultados subsequentes da IA ​​poderão perpetuar esta supervisão. Num sector como o financeiro, onde a equidade e a justiça são fundamentais, tais preconceitos podem levar a graves consequências. Os líderes financeiros precisam de ser proativos na identificação destes preconceitos e garantir que os seus conjuntos de dados são tão abrangentes e representativos quanto possível.
2. Confiabilidade de saída e tomada de decisões: A IA generativa, às vezes, pode produzir resultados que são errados e enganosos – muitas vezes denominados como 'alucinações'. Estes erros são de certa forma esperados à medida que os modelos de IA se aperfeiçoam e aprendem, mas as repercussões nas finanças, onde a precisão não é negociável, são graves. Depender apenas da IA ​​para decisões críticas, como aprovações de empréstimos, é perigoso. Em vez disso, a IA deve ser vista como uma ferramenta sofisticada que auxilia os especialistas financeiros, e não como uma ferramenta que os substitui. Deve lidar com o peso computacional, fornecendo insights para que os profissionais humanos tomem as decisões finais e informadas.
3. Privacidade e conformidade de dados: A proteção de dados confidenciais de clientes continua sendo uma preocupação significativa com aplicações generativas de IA. Garantir que o sistema cumpra padrões globais como o Regulamento geral de proteção de dados (GDPR) e o Lei de Privacidade do Consumidor da Califórnia (CCPA) é crucial. A IA pode não conhecer ou respeitar inerentemente estes limites, pelo que a sua utilização deve ser moderada com diretrizes rigorosas de proteção de dados, especialmente no setor financeiro, onde a confidencialidade é fundamental.
4. Qualidade dos dados de entrada: A IA generativa é tão boa quanto os dados que lhe são fornecidos. Dados imprecisos ou incompletos podem inadvertidamente levar a conselhos ou decisões financeiras abaixo da média.

Conclusão

Desde o aprimoramento de estratégias comerciais até o fortalecimento da segurança, os aplicativos de IA generativa são vastos e transformadores. No entanto, como acontece com qualquer tecnologia, é essencial abordar a sua adoção com cautela, considerando as implicações éticas e de privacidade.

As instituições que aproveitarem com sucesso a capacidade da IA ​​generativa, respeitando simultaneamente as suas limitações e potenciais armadilhas, moldarão sem dúvida a trajetória futura da arena financeira global.