Генеративный искусственный интеллект в финансах: FinGPT, BloombergGPT и не только

Генеративный ИИ относится к моделям, которые могут генерировать новые образцы данных, аналогичные входным данным. Успех ChatGPT открыл множество возможностей в разных отраслях, вдохновив предприятия на разработку собственных крупных языковых моделей. Финансовый сектор, движимый данными, сегодня требует еще большего объема данных, чем когда-либо.

Последние оценки McKinsey предполагают, что этот генеративный ИИ может обеспечить ежегодную экономию до 340 миллиардов долларов только для банковского сектора.

BloombergGPT и экономика генеративного искусственного интеллекта 

В марте 2023 года агентство Bloomberg представило БлумбергGPT. Это созданная с нуля языковая модель с 50 миллиардами параметров, специально разработанная для финансовых данных.

Чтобы сэкономить, иногда нужно тратить деньги. Тренировочные модели, такие как BloombergGPT или Llama 2 от Meta, недешевы.

Для обучения модели Llama 2 с 70 миллиардами параметров потребовалось 1,700,000 XNUMX XNUMX часов работы графического процессора. В коммерческих облачных сервисах с использованием Графический процессор Nvidia A100 (используется для Llama 2) может снизить стоимость на 1–2 доллара за каждый час работы графического процессора. Если посчитать, модель с 10 миллиардами параметров может стоить около 150,000 100 долларов, а модель со 1,500,000 миллиардами параметров может стоить до XNUMX XNUMX XNUMX долларов.

Если вы не арендуете, альтернативой является прямая покупка графических процессоров. Тем не менее, покупка около 1000 графических процессоров A100 для формирования кластера может стоить более 10 миллионов долларов.

Инвестиции Блумберга в размере более миллиона долларов особенно поражают, если сравнивать их с быстрым развитием искусственного интеллекта. Поразительно, но модели стоимостью всего 100 долларов удалось превзойти показатели BloombergGPT всего за полгода. Хотя обучение BloombergGPT включало собственные данные, подавляющее большинство (99.30%) их набора данных было общедоступным. Приходит ФинГПТ.

ФинГПТ

FinGPT — это современная финансово точно настроенная модель большого языка (FinLLM). FinGPT, разработанный AI4Finance-Foundation, в настоящее время превосходит другие модели как с точки зрения экономической эффективности, так и с точки зрения точности в целом.

В настоящее время существует 3 версии; Серия FinGPT v3 представляет собой модели, улучшенные с использованием метода LoRA, и они обучены на новостях и твитах для анализа настроений. Они показывают лучшие результаты во многих тестах финансовых настроений. FinGPT v3.1 построен на модели Chatglm2-6B, а FinGPT v3.2 основан на модели ChatglmXNUMX-XNUMXB. Лама2-7б модель.

ФИНГПТ

Операции FinGPT:

1. Поиск данных и инжиниринг:
   • Сбор данных: FinGPT использует данные из авторитетных источников, таких как Yahoo, Reuters и других, и объединяет широкий спектр финансовых новостей, от акций США до акций CN.
   • Обработка данных: эти необработанные данные проходят множество этапов очистки, токенизации и оперативного проектирования, чтобы обеспечить их актуальность и точность.
2. Большие языковые модели (LLM):
   • Обучение: Используя тщательно подобранные данные, LLM можно не только точно настроить для создания облегченных моделей, адаптированных к конкретным потребностям, но и существующие модели или API также можно адаптировать для поддержки приложений.
   • Стратегии точной настройки:
     • Тензорные слои (ЛоРА): Одной из ключевых задач при разработке таких моделей, как FinGPT, является получение высококачественных размеченных данных. Признавая эту проблему, FinGPT применяет инновационный подход. Вместо того, чтобы полагаться исключительно на традиционные ярлыки, в качестве ярлыков используются рыночные колебания цен на акции, переводящие настроения новостей в осязаемые ярлыки, такие как положительные, отрицательные или нейтральные. Это приводит к значительному улучшению прогнозирующих способностей модели, особенно в распознавании положительных и отрицательных настроений. Благодаря таким методам тонкой настройки, как LoRA, FinGPT v3 удалось оптимизировать производительность, одновременно сократив вычислительные затраты.
     • Обучение с подкреплением на основе отзывов людей: FinGPT использует «RLHF (Обучение с подкреплением на основе отзывов людей)«. Функция RLHF, отсутствующая в BloombergGPT, снабжает модель LLM возможностью различать индивидуальные предпочтения — будь то склонность пользователя к риску, модели инвестирования или индивидуальные настройки робота-консультанта. Этот метод, являющийся краеугольным камнем ChatGPT и GPT4, обеспечивает более индивидуальный и интуитивно понятный пользовательский интерфейс.
3. Приложения и инновации:
   • Робо-советник: Как опытный финансовый консультант, FinGPT может анализировать новостные настроения и с большой точностью предсказывать рыночные тенденции.
   • Количественная торговля: Определяя настроения из различных источников, от новостных агентств до Twitter, FinGPT может формулировать эффективные торговые стратегии. Фактически, даже если он основан исключительно на настроениях в Твиттере, он демонстрирует многообещающие торговые результаты.

Сравнение FinGPT с ChatGLM, LLAMA 2, BloombergGPT

Текущая траектория и будущее FinGPT: июль 2023 года станет важной вехой для FinGPT. Команда представила исследовательскую работу под названием «Instruct-FinGPT: анализ финансовых настроений путем настройки инструкций универсальных моделей большого языка». Центральное место в этой статье занимает исследование настройки инструкций — метода, позволяющего FinGPT выполнять сложный анализ финансовых настроений.

Но FinGPT не ограничивается только анализом настроений. Фактически, доступно еще 19 разнообразных приложений, каждое из которых обещает использовать LLM по-новому. От быстрого проектирования до понимания сложных финансовых контекстов, FinGPT зарекомендовал себя как универсальная модель GenAI в финансовой сфере.

Как глобальные банки внедряют генеративный искусственный интеллект

В то время как в начале 2023 года некоторые крупные финансовые игроки, такие как Bank of America, Citigroup и Goldman Sachs, ввели ограничения на использование ChatGPT OpenAI своими сотрудниками, другие коллеги в отрасли решительно выбрали более сдержанную позицию.

Morgan StanleyНапример, компания интегрировала чат-ботов на базе OpenAI в качестве инструмента для своих финансовых консультантов. Используя обширные внутренние исследования и данные компании, эти чат-боты служат обогащенными ресурсами знаний, повышая эффективность и точность финансового консультирования.

В марте этого года Хедж-фонд Цитадель пытался получить корпоративную лицензию ChatGPT. Перспективная реализация предусматривает развитие таких областей, как разработка программного обеспечения и сложный анализ информации.

JPMorgan Chase также прилагает усилия по использованию больших языковых моделей для обнаружения мошенничества. Их методология основана на использовании шаблонов электронной почты для выявления потенциальных угроз. Не останавливаясь на достигнутом, банк также поставил перед собой амбициозную цель: добавить до  К концу года стоимость ИИ составит 1.5 миллиарда долларов..

Что касается Goldman Sachs, они не совсем устойчивы к привлекательности ИИ. Банк изучает возможности генеративного искусственного интеллекта для укрепления своей области разработки программного обеспечения. Как Марко Ардженти, директор по информационным технологиям Goldman SachsПо его словам, такая интеграция может превратить их рабочую силу во что-то «сверхчеловеческий".

Варианты использования генеративного искусственного интеллекта в банковской и финансовой отрасли

Генеративный ИИ в сценариях использования в финансах

Генеративный искусственный интеллект фундаментально меняет финансовые операции, процесс принятия решений и взаимодействие с клиентами. Вот подробное описание его применения:

1. Предотвращение мошенничества: Генеративный искусственный интеллект находится на переднем крае разработки передовых механизмов обнаружения мошенничества. Анализируя огромные массивы данных, он может выявить сложные закономерности и нарушения, предлагая более активный подход. Традиционные системы, часто перегруженные огромным объемом данных, могут давать ложноположительные результаты. Генеративный ИИ, напротив, постоянно совершенствует свое понимание, уменьшая количество ошибок и обеспечивая более безопасные финансовые транзакции.

2. Оценка кредитного риска: Традиционные методы оценки кредитоспособности заемщика, хотя и надежны, устаревают. Генеративные модели искусственного интеллекта с использованием различных параметров — от кредитных историй до тонких моделей поведения — предлагают комплексный профиль риска. Это не только обеспечивает более безопасное кредитование, но и обслуживает более широкую клиентуру, включая тех, кто может быть недостаточно охвачен традиционными показателями.

3. Расширение взаимодействия с клиентами: Финансовый мир является свидетелем революции в обслуживании клиентов благодаря генеративным моделям НЛП на основе искусственного интеллекта. Эти модели способны понимать и отвечать на разнообразные запросы клиентов, оперативно предлагая персонализированные решения. Автоматизируя рутинные задачи, финансовые учреждения могут сократить накладные расходы, оптимизировать операции и, самое главное, повысить удовлетворенность клиентов.

4. Персонализированные финансы: Универсальность – это пережиток прошлого. Сегодняшние клиенты требуют финансового планирования, адаптированного к их уникальным потребностям и стремлениям. Здесь превосходит генеративный ИИ. Анализируя данные – от структуры расходов до инвестиционных предпочтений – он разрабатывает индивидуальные финансовые планы. Такой целостный подход гарантирует, что клиенты будут лучше информированы и лучше подготовлены к тому, чтобы ориентироваться в своем финансовом будущем.

5. Алгоритмическая торговля: Аналитическое мастерство генеративного ИИ оказывается неоценимым в нестабильном мире алгоритмической торговли. Анализируя данные – от рыночных тенденций до настроений в новостях – он предоставляет точные сведения, позволяющие финансовым экспертам оптимизировать стратегии, предвидеть рыночные сдвиги и снижать потенциальные риски.

6. Укрепление системы обеспечения соответствия: Правила по борьбе с отмыванием денег (AML) имеют решающее значение для поддержания целостности финансовых систем. Генеративный искусственный интеллект упрощает соблюдение требований, анализируя сложные данные транзакций для выявления подозрительных действий. Это не только гарантирует, что финансовые учреждения придерживаются мировых стандартов, но и значительно снижает вероятность ложных срабатываний, оптимизируя операции.

7. Кибербезопасность: Поскольку киберугрозы постоянно развиваются, финансовый сектор нуждается в гибких решениях. Генеративный ИИ предлагает именно это. Внедряя динамические прогнозные модели, он позволяет быстрее обнаруживать угрозы, защищая финансовую инфраструктуру от потенциальных взломов.

Однако, как и в случае с любой развивающейся технологией, генеративный ИИ сталкивается с рядом проблем в финансовой отрасли.

Испытания

1. Усиление смещения: Модели ИИ, какими бы сложными они ни были, по-прежнему полагаются на данные обучения, созданные человеком. Эти данные с присущей им предвзятостью – намеренной или нет – могут привести к искаженным результатам. Например, если определенная демографическая группа недостаточно представлена ​​в обучающей выборке, последующие результаты ИИ могут закрепить этот недосмотр. В таком секторе, как финансы, где равенство и справедливость имеют первостепенное значение, такие предубеждения могут привести к серьезным последствиям. Финансовым лидерам необходимо активно выявлять эти предубеждения и обеспечивать максимально полную и репрезентативность своих наборов данных.
2. Надежность вывода и принятие решений: Генеративный ИИ иногда может давать неправильные и вводящие в заблуждение результаты, которые часто называют «галлюцинаций'. Эти ошибки в некоторой степени ожидаемы по мере совершенствования и обучения моделей ИИ, но последствия в финансах, где точность не подлежит обсуждению, являются серьезными. Полагаться исключительно на ИИ при принятии важных решений, таких как одобрение кредита, опасно. Вместо этого ИИ следует рассматривать как сложный инструмент, который помогает финансовым экспертам, а не заменяет их. Он должен справляться с вычислительной нагрузкой, предоставляя профессионалам информацию для принятия окончательных и обоснованных решений.
3. Конфиденциальность данных и соответствие требованиям: Защита конфиденциальных данных клиентов остается серьезной проблемой для генеративных приложений искусственного интеллекта. Обеспечение соответствия системы мировым стандартам, таким как Положение о защите данных Общие (GDPR) и Закон о конфиденциальности потребителей в Калифорнии (CCPA) имеет решающее значение. ИИ может по своей сути не знать или не уважать эти границы, поэтому его использование должно ограничиваться строгими правилами защиты данных, особенно в финансовом секторе, где конфиденциальность имеет первостепенное значение.
4. Качество входных данных: Генеративный ИИ хорош настолько, насколько хороши передаваемые ему данные. Неточные или неполные данные могут непреднамеренно привести к некачественным финансовым советам или решениям.

Заключение

Приложения генеративного искусственного интеллекта обширны и революционны: от улучшения торговых стратегий до повышения безопасности. Однако, как и в случае с любой технологией, важно подходить к ее внедрению с осторожностью, учитывая этические последствия и последствия для конфиденциальности.

Те учреждения, которые успешно используют возможности генеративного искусственного интеллекта, одновременно учитывая его ограничения и потенциальные опасности, несомненно, будут определять будущую траекторию глобальной финансовой арены.