Inteligência Artificial Gerativa em Finanças: FinGPT, BloombergGPT e Além

A inteligência artificial gerativa refere-se a modelos que podem gerar novas amostras de dados semelhantes aos dados de entrada. O sucesso do ChatGPT abriu muitas oportunidades em várias indústrias, inspirando empresas a projetar seus próprios grandes modelos de linguagem. O setor financeiro, impulsionado por dados, é agora ainda mais intensivo em dados do que nunca.

Estimativas recentes da McKinsey sugerem que a inteligência artificial gerativa pode oferecer economias anuais de até $340 bilhões apenas para o setor bancário.

BloombergGPT & Economia da Inteligência Artificial Gerativa

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

Para economizar dinheiro, às vezes é necessário gastar dinheiro. Treinar modelos como o BloombergGPT ou o Llama 2 da Meta não é barato.

Treinar o modelo de 70 bilhões de parâmetros do Llama 2 exigiu 1.700.000 horas de GPU. Em serviços de nuvem comerciais, empregar a Nvidia A100 GPU (usada no Llama 2) pode custar $1-$2 por hora de GPU. Fazendo as contas, um modelo de 10 bilhões de parâmetros pode custar cerca de $150.000, enquanto um modelo de 100 bilhões de parâmetros pode custar até $1.500.000.

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

O investimento da Bloomberg de mais de um milhão de dólares é particularmente surpreendente quando contrastado com os avanços rápidos na IA. Surpreendentemente, um modelo que custou apenas $100 conseguiu superar o desempenho do BloombergGPT em apenas meio ano. Embora o treinamento do BloombergGPT tenha incorporado dados proprietários, a vasta maioria (99,30%) de seu conjunto de dados era acessível publicamente. Surge o FinGPT.

FinGPT

FinGPT é um modelo de linguagem grande e personalizado para finanças de ponta. Desenvolvido pela AI4Finance-Foundation, o FinGPT está atualmente superando outros modelos em termos de eficiência de custo e precisão em geral.

Ele atualmente tem 3 versões; a série FinGPT v3 são modelos aprimorados usando o método LoRA, e são treinados em notícias e tweets para analisar sentimentos. Eles performam melhor em muitos testes de sentimento financeiro. O FinGPT v3.1 é baseado no modelo chatglm2-6B, enquanto o FinGPT v3.2 é baseado no modelo Llama2-7b.

FINGPT

Operações do FinGPT::

1. Fontes de Dados e Engenharia::
   • Aquisição de Dados:: Usando dados de fontes confiáveis como Yahoo, Reuters e mais, o FinGPT agrega uma vasta gama de notícias financeiras, desde ações americanas até ações chinesas.
   • Processamento de Dados:: Esses dados brutos passam por muitas etapas de limpeza, tokenização e engenharia de prompts para garantir sua relevância e precisão.
2. Modelos de Linguagem Grande (LLMs)::
   • Treinamento:: Usando os dados curados, os LLMs podem ser personalizados para criar modelos leves personalizados para necessidades específicas, ou modelos ou APIs existentes podem ser adaptados para apoiar aplicações.
   • Estratégias de Personalização::
     • Camadas de Tensor (LoRA):: Uma das principais desafios no desenvolvimento de modelos como o FinGPT é obter dados rotulados de alta qualidade. Reconhecendo esse desafio, o FinGPT adota uma abordagem inovadora. Em vez de confiar apenas em rotulagem tradicional, as flutuações nos preços das ações impulsionadas pelo mercado são empregadas como rótulos, traduzindo o sentimento das notícias em rótulos tangíveis como positivo, negativo ou neutro. Isso resulta em melhorias massivas nas capacidades preditivas do modelo, particularmente na distinção de sentimentos positivos e negativos. Através de técnicas de personalização como a LoRA, o FinGPT v3 conseguiu otimizar o desempenho, reduzindo a sobrecarga computacional.
     • Aprendizado por Reforço com Feedback Humano:: O FinGPT usa “RLHF (Aprendizado por Reforço com Feedback Humano)“. Uma característica ausente no BloombergGPT, o RLHF equipa o modelo LLM com a capacidade de discernir preferências individuais — seja a avidez de risco do usuário, padrões de investimento ou configurações personalizadas de robô-consultor. Essa técnica, uma pedra angular do ChatGPT e do GPT4, garante uma experiência do usuário mais personalizada e intuitiva.
3. Aplicações e Inovações::
   • Consultor Robô:: Como um consultor financeiro experiente, o FinGPT pode analisar sentimentos de notícias e prever tendências de mercado com grande precisão.
   • Negociação Quantitativa:: Ao identificar sentimentos de fontes diversificadas, desde notícias até tweets, o FinGPT pode formular estratégias de negociação eficazes. Na verdade, mesmo quando dirigido apenas por sentimentos do Twitter, ele mostra resultados de negociação promissores.

FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT

Trajetória Atual e Futura do FinGPT:: Julho de 2023 marca um marco emocionante para o FinGPT. A equipe divulgou um artigo de pesquisa intitulado, “Instruct-FinGPT: Análise de Sentimento Financeiro por meio do Ajuste de Instrução de Modelos de Linguagem Grande de Propósito Geral.” Central a este artigo está a exploração do ajuste de instrução, uma técnica que permite ao FinGPT executar análises de sentimento financeiro intricadas.

Mas o FinGPT não se limita apenas à análise de sentimento. Na verdade, 19 outras aplicações diversificadas estão disponíveis, cada uma prometendo aproveitar os LLMs de maneiras novas. Desde engenharia de prompts até a compreensão de contextos financeiros complexos, o FinGPT está se estabelecendo como um modelo de IA gerativa versátil no domínio financeiro.

Como os Bancos Globais Estão Abraçando a Inteligência Artificial Gerativa

Enquanto o início de 2023 viu alguns dos principais jogadores financeiros, como o Bank of America, Citigroup e Goldman Sachs, impor restrições ao uso do ChatGPT da OpenAI por seus funcionários, outros contrapartes na indústria decidiram adotar uma postura mais acolhedora.

Morgan Stanley, por exemplo, integrou chatbots alimentados por OpenAI como uma ferramenta para seus consultores financeiros. Ao aproveitar a pesquisa interna extensa e os dados da empresa, esses chatbots servem como recursos de conhecimento enriquecidos, aumentando a eficiência e a precisão da consultoria financeira.

Em março deste ano, Hedge fund Citadel estava negociando para garantir uma licença de ChatGPT em toda a empresa. A implementação prospectiva visa fortalecer áreas como desenvolvimento de software e análise de informações complexas.

JPMorgan Chase também está se esforçando para aproveitar os modelos de linguagem grande para detecção de fraude. Sua metodologia gira em torno do uso de padrões de e-mail para identificar possíveis comprometimentos. Não parando por aí, o banco também estabeleceu um objetivo ambicioso: adicionar até $1,5 bilhão em valor com IA até o final do ano.

Quanto ao Goldman Sachs, eles não são totalmente resistentes ao apelo da IA. O banco está explorando o poder da inteligência artificial gerativa para fortalecer seu domínio de engenharia de software. Como Marco Argenti, Diretor de Informática do Goldman Sachs, coloca, essa integração tem o potencial de transformar sua força de trabalho em algo “superhumano.”

Casos de Uso da Inteligência Artificial Gerativa no Setor Bancário e Financeiro

Generative AI in Finance Use Cases

A inteligência artificial gerativa está fundamentalmente transformando operações financeiras, tomada de decisões e interações com os clientes. Aqui está uma exploração detalhada de suas aplicações:

1. Prevenção de Fraude: A inteligência artificial gerativa está à frente do desenvolvimento de mecanismos de detecção de fraude de ponta. Ao analisar grandes conjuntos de dados, ela pode discernir padrões intricados e irregularidades, oferecendo uma abordagem mais proativa. Sistemas tradicionais, frequentemente sobrecarregados pelo volume de dados, podem produzir falsos positivos. A inteligência artificial gerativa, por outro lado, refina continuamente sua compreensão, reduzindo erros e garantindo transações financeiras mais seguras.

2. Avaliação de Risco de Crédito: Os métodos tradicionais de avaliar a solvência de um devedor, embora confiáveis, estão se tornando ultrapassados. Modelos de inteligência artificial gerativa, por meio de parâmetros diversificados — desde históricos de crédito até padrões comportamentais sutis —, oferecem um perfil de risco abrangente. Isso não apenas garante empréstimos mais seguros, mas também atende a uma clientela mais ampla, incluindo aqueles que podem ser subatendidos por métricas tradicionais.

3. Melhoria da Interacção com o Cliente: O mundo financeiro está presenciando uma revolução no serviço ao cliente, graças a modelos de NLP alimentados por inteligência artificial gerativa. Esses modelos são capazes de compreender e responder a diversas consultas de clientes, oferecendo soluções personalizadas prontamente. Ao automatizar tarefas rotineiras, as instituições financeiras podem reduzir custos, otimizar operações e, mais importante, melhorar a satisfação do cliente.

4. Planejamento Financeiro Personalizado: A abordagem “tamanho único” é um relicto do passado. Hoje, os clientes exigem planejamento financeiro personalizado para suas necessidades e aspirações únicas. A inteligência artificial gerativa se sai bem aqui. Ao analisar dados — desde padrões de gastos até preferências de investimento —, ela cria mapas financeiros individualizados. Essa abordagem holística garante que os clientes estejam melhor informados e mais equipados para navegar seus futuros financeiros.

5. Negociação Algorítmica: A inteligência artificial gerativa está provando ser valiosa no mundo volátil da negociação algorítmica. Ao dissecar dados — desde tendências de mercado até sentimentos de notícias —, ela fornece insights perspicazes, permitindo que especialistas financeiros otimizem estratégias, antecipem mudanças no mercado e mitiguem riscos potenciais.

6. Fortalecimento de Quadros de Conformidade: Regulamentações de Prevenção de Lavagem de Dinheiro (AML) são cruciais para manter a integridade dos sistemas financeiros. A inteligência artificial gerativa simplifica a conformidade, passando por dados transacionais complexos para identificar atividades suspeitas. Isso não apenas garante que as instituições financeiras adiram a padrões globais, mas também reduz significativamente as chances de falsos positivos, otimizando operações.

7. Segurança Cibernética: Com ameaças cibernéticas constantemente evoluindo, o setor financeiro precisa de soluções ágeis. A inteligência artificial gerativa oferece exatamente isso. Implementando modelos preditivos dinâmicos, ela permite a detecção de ameaças mais rápida, fortalecendo as infraestruturas financeiras contra possíveis violações.

No entanto, como é o caso de qualquer tecnologia em evolução, a inteligência artificial gerativa vem com seu próprio conjunto de desafios no setor financeiro.

Desafios

1. Amplificação de Viés: Modelos de IA, tão sofisticados quanto sejam, ainda dependem de dados gerados por humanos. Esses dados, com seus vieses inerentes — seja intencional ou não —, podem levar a resultados tendenciosos. Por exemplo, se uma determinada demografia estiver subrepresentada no conjunto de treinamento, as saídas subsequentes do IA podem perpetuar essa omissão. Em um setor como o financeiro, onde a equidade e a justiça são fundamentais, tais vieses podem levar a consequências graves. Líderes financeiros precisam ser proativos na identificação desses vieses e garantir que seus conjuntos de dados sejam tão abrangentes e representativos quanto possível.
2. Confiabilidade da Saída e Tomada de Decisão: A inteligência artificial gerativa, às vezes, pode produzir resultados que são ambos errados e enganosos — frequentemente denominados como ‘alucinações‘. Esses erros são um pouco esperados à medida que os modelos de IA se aprimoram e aprendem, mas as consequências em finanças, onde a precisão é inegociável, são severas. Confiar apenas no IA para decisões críticas, como aprovações de empréstimos, é perigoso. Em vez disso, o IA deve ser visto como uma ferramenta sofisticada que ajuda especialistas financeiros, não os substitui. Ele deve lidar com o peso computacional, fornecendo insights para que profissionais humanos tomem as decisões finais informadas.
3. Privacidade de Dados e Conformidade: Proteger dados de clientes sensíveis permanece uma preocupação significativa com aplicações de inteligência artificial gerativa. Garantir que o sistema adira a padrões globais como o Regulamento Geral de Proteção de Dados (GDPR) e a Lei de Privacidade do Consumidor da Califórnia (CCPA) é crucial. O IA pode não conhecer ou respeitar essas fronteiras por si só, então seu uso deve ser moderado com diretrizes rigorosas de proteção de dados, particularmente no setor financeiro, onde a confidencialidade é fundamental.
4. Qualidade dos Dados de Entrada: A inteligência artificial gerativa é apenas tão boa quanto os dados alimentados nela. Dados imprecisos ou incompletos podem inadvertidamente levar a conselhos financeiros ou decisões subpar.

Conclusão

Desde melhorar estratégias de negociação até fortalecer a segurança, as aplicações da inteligência artificial gerativa são vastas e transformadoras. No entanto, como com qualquer tecnologia, é essencial abordar sua adoção com cautela, considerando as implicações éticas e de privacidade.

As instituições que conseguirem aproveitar a força da inteligência artificial gerativa, ao mesmo tempo respeitando suas limitações e armadilhas potenciais, sem dúvida moldarão a trajetória futura do cenário financeiro global.