AI เจนเนอเรชั่นในด้านการเงิน: FinGPT, BloombergGPT & Beyond

Generative AI หมายถึงโมเดลที่สามารถสร้างตัวอย่างข้อมูลใหม่ที่คล้ายกับข้อมูลอินพุต ความสำเร็จของ ChatGPT ได้เปิดโอกาสมากมายในอุตสาหกรรมต่างๆ โดยเป็นแรงบันดาลใจให้องค์กรต่างๆ ออกแบบโมเดลภาษาขนาดใหญ่ของตนเอง ภาคการเงินซึ่งขับเคลื่อนโดยข้อมูล ปัจจุบันมีข้อมูลเข้มข้นมากขึ้นกว่าที่เคย

ประมาณการล่าสุดโดย McKinsey แนะนำว่า Generative AI นี้สามารถประหยัดเงินได้ถึง 340 พันล้านดอลลาร์ต่อปีสำหรับภาคการธนาคารเพียงอย่างเดียว

BloombergGPT และเศรษฐศาสตร์ของ Generative AI 

ในเดือนมีนาคม พ.ศ. 2023 Bloomberg ได้จัดแสดง บลูมเบิร์กจีพีที เป็นโมเดลภาษาที่สร้างขึ้นตั้งแต่เริ่มต้นด้วยพารามิเตอร์ 50 พันล้าน ซึ่งได้รับการปรับแต่งสำหรับข้อมูลทางการเงินโดยเฉพาะ

เพื่อประหยัดเงิน บางครั้งคุณจำเป็นต้องใช้เงิน โมเดลการฝึกอบรมเช่น BloombergGPT หรือ Meta's Llama 2 นั้นมีราคาไม่ถูก

การฝึกอบรมโมเดลพารามิเตอร์ 2 พันล้านของ Llama 70 ต้องใช้เวลา 1,700,000 GPU ชั่วโมง บนบริการคลาวด์เชิงพาณิชย์โดยใช้ เอ็นวิเดีย A100 จีพียู (ใช้สำหรับ Llama 2) สามารถตั้งค่ากลับได้ $1-$2 สำหรับทุก ๆ ชั่วโมง GPU จากการคำนวณทางคณิตศาสตร์ โมเดลพารามิเตอร์ 10 หมื่นล้านตัวอาจมีราคาประมาณ 150,000 เหรียญสหรัฐ ในขณะที่แบบจำลองพารามิเตอร์ 100 พันล้านตัวอาจมีราคาสูงถึง 1,500,000 เหรียญสหรัฐ

หากไม่ได้เช่า การซื้อ GPU ทันทีเป็นอีกทางเลือกหนึ่ง อย่างไรก็ตาม การซื้อ GPU A1000 ประมาณ 100 ตัวเพื่อสร้างคลัสเตอร์อาจทำให้ได้รับเงินคืนมากกว่า 10 ล้านเหรียญสหรัฐ

การลงทุนมากกว่าหนึ่งล้านดอลลาร์ของ Bloomberg ถือเป็นการเปิดหูเปิดตาโดยเฉพาะอย่างยิ่งเมื่อเทียบเคียงกับความก้าวหน้าอย่างรวดเร็วของ AI น่าประหลาดใจที่โมเดลราคาเพียง 100 ดอลลาร์สามารถแซงหน้าประสิทธิภาพของ BloombergGPT ได้ในเวลาเพียงครึ่งปี แม้ว่าการฝึกอบรมของ BloombergGPT จะรวมข้อมูลที่เป็นกรรมสิทธิ์ไว้ แต่ชุดข้อมูลส่วนใหญ่ (99.30%) สามารถเข้าถึงได้แบบสาธารณะ มา FinGPT.

FinGPT

FinGPT คือโมเดลภาษาขนาดใหญ่ (FinLLM) ที่ปรับแต่งทางการเงินล้ำสมัย พัฒนาโดย AI4Finance-Foundation ปัจจุบัน FinGPT มีประสิทธิภาพเหนือกว่ารุ่นอื่นๆ ในแง่ของความคุ้มค่าและความแม่นยำโดยทั่วไป

ปัจจุบันมี 3 เวอร์ชัน; ซีรีส์ FinGPT v3 เป็นโมเดลที่ได้รับการปรับปรุงโดยใช้วิธี LoRA และได้รับการฝึกอบรมเกี่ยวกับข่าวและทวีตเพื่อวิเคราะห์ความรู้สึก พวกเขาทำงานได้ดีที่สุดในการทดสอบความเชื่อมั่นทางการเงินหลายครั้ง FinGPT v3.1 สร้างขึ้นจากรุ่น chatglm2-6B ในขณะที่ FinGPT v3.2 สร้างขึ้นจาก ลามะ2-7b รุ่น

ฟิงปต์

การดำเนินงานของ FinGPT:

1. การจัดหาข้อมูลและวิศวกรรม:
   • ได้มาซึ่งข้อมูล: ใช้ข้อมูลจากแหล่งที่เชื่อถือได้ เช่น Yahoo, Reuters และอื่นๆ FinGPT รวบรวมข่าวสารทางการเงินมากมาย ตั้งแต่หุ้นสหรัฐฯ ไปจนถึงหุ้น CN
   • การประมวลผล: ข้อมูลดิบนี้ผ่านการล้างข้อมูล โทเค็นไลเซชั่น และวิศวกรรมที่รวดเร็วหลายขั้นตอนเพื่อให้มั่นใจถึงความเกี่ยวข้องและความถูกต้อง
2. โมเดลภาษาขนาดใหญ่ (LLM):
   • การฝึกอบรม: การใช้ข้อมูลที่รวบรวมไว้ไม่เพียงแต่ LLM จะสามารถปรับให้เข้ากับโมเดลน้ำหนักเบาตั้งแต่แรกเกิดซึ่งปรับให้เหมาะกับความต้องการเฉพาะได้เท่านั้น แต่โมเดลหรือ API ที่มีอยู่ยังสามารถปรับให้เข้ากับแอปพลิเคชันที่รองรับได้อีกด้วย
   • กลยุทธ์การปรับแต่งอย่างละเอียด:
     • ชั้นเทนเซอร์ (ลอร่า): หนึ่งในความท้าทายที่สำคัญในการพัฒนาโมเดลเช่น FinGPT คือการได้รับข้อมูลที่มีป้ายกำกับคุณภาพสูง ด้วยตระหนักถึงความท้าทายนี้ FinGPT จึงนำแนวทางที่เป็นนวัตกรรมมาใช้ แทนที่จะพึ่งพาการติดฉลากแบบดั้งเดิมเพียงอย่างเดียว ความผันผวนของราคาหุ้นที่ขับเคลื่อนด้วยตลาดถูกนำมาใช้เป็นป้ายกำกับ การแปลความรู้สึกของข่าวสารเป็นป้ายกำกับที่จับต้องได้ เช่น เชิงบวก ลบ หรือเป็นกลาง ซึ่งส่งผลให้เกิดการปรับปรุงอย่างมากในความสามารถในการคาดการณ์ของแบบจำลอง โดยเฉพาะอย่างยิ่งในการแยกแยะความรู้สึกเชิงบวกและเชิงลบ ด้วยเทคนิคการปรับแต่งอย่างละเอียด เช่น LoRA ทำให้ FinGPT v3 สามารถเพิ่มประสิทธิภาพการทำงานพร้อมทั้งลดค่าใช้จ่ายในการคำนวณ
     • การเรียนรู้การเสริมกำลังจากผลตอบรับของมนุษย์: FinGPT ใช้ “RLHF (การเรียนรู้การเสริมแรงจากผลตอบรับของมนุษย์)“. คุณลักษณะที่ไม่มีใน BloombergGPT ทำให้ RLHF ติดตั้งโมเดล LLM ด้วยความสามารถในการแยกแยะความชอบส่วนบุคคล ไม่ว่าจะเป็นความเสี่ยงของผู้ใช้ รูปแบบการลงทุน หรือการตั้งค่า robo-advisor ที่ปรับแต่งมาโดยเฉพาะ เทคนิคนี้ซึ่งเป็นรากฐานสำคัญของทั้ง ChatGPT และ GPT4 ช่วยให้มั่นใจได้ว่าจะได้รับประสบการณ์ผู้ใช้ที่ปรับแต่งและใช้งานง่ายยิ่งขึ้น
3. การใช้งานและนวัตกรรม:
   • ที่ปรึกษา Robo: เช่นเดียวกับที่ปรึกษาทางการเงินที่มีประสบการณ์ FinGPT สามารถวิเคราะห์ความรู้สึกของข่าวและคาดการณ์แนวโน้มของตลาดได้อย่างแม่นยำ
   • การซื้อขายเชิงปริมาณ: ด้วยการระบุความรู้สึกจากแหล่งที่หลากหลาย ตั้งแต่สำนักข่าวไปจนถึง Twitter FinGPT สามารถกำหนดกลยุทธ์การซื้อขายที่มีประสิทธิภาพได้ ในความเป็นจริง แม้ว่าจะถูกควบคุมโดยความรู้สึกของ Twitter เพียงอย่างเดียว แต่ก็แสดงผลลัพธ์การซื้อขายที่น่าหวัง

การเปรียบเทียบ FinGPT กับ ChatGLM, LLAMA 2, BloombergGPT

วิถีปัจจุบันและอนาคตของ FinGPT: กรกฎาคม 2023 ถือเป็นก้าวสำคัญที่น่าตื่นเต้นสำหรับ FinGPT ทีมงานได้เผยผลงานวิจัยเรื่อง “Instruct-FinGPT: การวิเคราะห์ความรู้สึกทางการเงินโดยการปรับแต่งคำสั่งของโมเดลภาษาขนาดใหญ่สำหรับวัตถุประสงค์ทั่วไป” ศูนย์กลางของบทความนี้คือการสำรวจการปรับแต่งคำสั่ง ซึ่งเป็นเทคนิคที่ช่วยให้ FinGPT ดำเนินการวิเคราะห์ความรู้สึกทางการเงินที่ซับซ้อนได้

แต่ FinGPT ไม่ได้จำกัดอยู่เพียงการวิเคราะห์ความเชื่อมั่นเพียงอย่างเดียว ในความเป็นจริง มีแอปพลิเคชันที่หลากหลายอีก 19 รายการให้เลือกใช้งาน ซึ่งแต่ละแอปพลิเคชันมีแนวโน้มว่าจะใช้ประโยชน์จาก LLM ในรูปแบบใหม่ๆ ตั้งแต่วิศวกรรมที่รวดเร็วไปจนถึงการทำความเข้าใจบริบททางการเงินที่ซับซ้อน FinGPT กำลังสร้างตัวเองเป็นโมเดล GenAI อเนกประสงค์ในโดเมนทางการเงิน

ธนาคารทั่วโลกเปิดรับ Generative AI อย่างไร

ในขณะที่การเริ่มต้นปี 2023 ผู้เล่นทางการเงินรายใหญ่บางราย เช่น Bank of America, Citigroup และ Goldman Sachs กำหนดข้อจำกัดในการใช้ ChatGPT ของ OpenAI โดยพนักงานของตน คู่ค้าอื่นๆ ในอุตสาหกรรมได้ตัดสินใจเลือกใช้จุดยืนที่ยอมรับมากขึ้น

สแตนลี่ย์มอร์แกนตัวอย่างเช่น ได้รวมแชทบอทที่ขับเคลื่อนด้วย OpenAI ไว้เป็นเครื่องมือสำหรับที่ปรึกษาทางการเงิน ด้วยการใช้ประโยชน์จากการวิจัยและข้อมูลภายในที่กว้างขวางของบริษัท แชทบอทเหล่านี้ทำหน้าที่เป็นแหล่งความรู้ที่ครบถ้วน เพิ่มประสิทธิภาพและความแม่นยำของการให้คำปรึกษาทางการเงิน

ในเดือนมีนาคมปีนี้ ป้อมปราการกองทุนป้องกันความเสี่ยง กำลังนำทางเพื่อรักษาความปลอดภัยใบอนุญาต ChatGPT ทั่วทั้งองค์กร การดำเนินการในอนาคตจะสนับสนุนด้านต่างๆ เช่น การพัฒนาซอฟต์แวร์และการวิเคราะห์ข้อมูลที่ซับซ้อน

เชส JPMorgan ยังพยายามควบคุมโมเดลภาษาขนาดใหญ่เพื่อการตรวจจับการฉ้อโกงอีกด้วย วิธีการของพวกเขาเกี่ยวข้องกับการใช้รูปแบบอีเมลเพื่อระบุการบุกรุกที่อาจเกิดขึ้น ธนาคารไม่ได้หยุดนิ่งอยู่ที่นี่ แต่ยังตั้งเป้าหมายที่ทะเยอทะยาน: เพิ่มให้สูงที่สุดเท่าที่จะเป็นไปได้  AI มีมูลค่า 1.5 พันล้านดอลลาร์ภายในสิ้นปีนี้.

สำหรับ Goldman Sachs พวกเขาไม่ได้ต้านทานเสน่ห์ของ AI โดยสิ้นเชิง ธนาคารกำลังสำรวจพลังของ generative AI เพื่อเสริมสร้างขอบเขตวิศวกรรมซอฟต์แวร์ของตน เช่น Marco Argenti ประธานเจ้าหน้าที่ฝ่ายข้อมูลของ Goldman Sachsกล่าวได้ว่าการบูรณาการดังกล่าวมีศักยภาพในการเปลี่ยนแปลงบุคลากรให้กลายเป็นบางสิ่งบางอย่าง”เหนือมนุษย์".

ใช้กรณีของ Generative AI ในอุตสาหกรรมการธนาคารและการเงิน

AI เจนเนอเรชั่นในกรณีการใช้งานทางการเงิน

Generative AI กำลังเปลี่ยนแปลงการดำเนินงานทางการเงิน การตัดสินใจ และการโต้ตอบกับลูกค้าโดยพื้นฐาน ต่อไปนี้เป็นการสำรวจโดยละเอียดเกี่ยวกับการใช้งาน:

1. การป้องกันการฉ้อโกง: Generative AI อยู่ในระดับแนวหน้าในการพัฒนากลไกการตรวจจับการฉ้อโกงที่ล้ำสมัย ด้วยการวิเคราะห์แหล่งรวมข้อมูลขนาดใหญ่ ทำให้สามารถแยกแยะรูปแบบที่ซับซ้อนและความผิดปกติได้ โดยเสนอแนวทางเชิงรุกมากขึ้น ระบบแบบเดิมซึ่งมักถูกครอบงำด้วยปริมาณข้อมูลที่แท้จริง อาจทำให้เกิดผลบวกลวงได้ ในทางตรงกันข้าม Generative AI จะปรับปรุงความเข้าใจอย่างต่อเนื่อง ลดข้อผิดพลาด และรับประกันการทำธุรกรรมทางการเงินที่ปลอดภัยยิ่งขึ้น

2. การประเมินความเสี่ยงด้านเครดิต: วิธีการแบบดั้งเดิมในการประเมินความน่าเชื่อถือทางเครดิตของผู้ยืม แม้จะเชื่อถือได้ แต่ก็ล้าสมัยไปแล้ว โมเดล AI เชิงสร้างสรรค์ผ่านพารามิเตอร์ที่หลากหลาย ตั้งแต่ประวัติเครดิตไปจนถึงรูปแบบพฤติกรรมที่ละเอียดอ่อน นำเสนอโปรไฟล์ความเสี่ยงที่ครอบคลุม สิ่งนี้ไม่เพียงแต่รับประกันการให้กู้ยืมที่ปลอดภัยยิ่งขึ้นเท่านั้น แต่ยังรองรับลูกค้าในวงกว้างอีกด้วย รวมถึงผู้ที่อาจไม่ได้รับบริการจากการวัดแบบดั้งเดิม

3. เพิ่มปฏิสัมพันธ์กับลูกค้า: โลกการเงินกำลังพบกับการปฏิวัติในการบริการลูกค้า ต้องขอบคุณโมเดล NLP ที่ขับเคลื่อนด้วย AI โมเดลเหล่านี้เชี่ยวชาญในการเข้าใจและตอบสนองต่อข้อซักถามของลูกค้าที่หลากหลาย โดยนำเสนอโซลูชันเฉพาะบุคคลในทันที การทำให้งานประจำเป็นไปโดยอัตโนมัติ สถาบันการเงินสามารถลดค่าใช้จ่าย ปรับปรุงการดำเนินงาน และที่สำคัญที่สุดคือเพิ่มความพึงพอใจของลูกค้า

4. การเงินส่วนบุคคล: เสื้อผ้าไซส์เดียวที่เหมาะกับทุกคนคือมรดกตกทอดจากอดีต ลูกค้าในปัจจุบันต้องการการวางแผนทางการเงินที่ปรับให้เหมาะกับความต้องการและแรงบันดาลใจเฉพาะตัวของพวกเขา Generative AI เก่งที่นี่ ด้วยการวิเคราะห์ข้อมูล ตั้งแต่รูปแบบการใช้จ่ายไปจนถึงความต้องการในการลงทุน จะช่วยจัดทำแผนงานทางการเงินส่วนบุคคล แนวทางแบบองค์รวมนี้ช่วยให้ลูกค้าได้รับข้อมูลที่ดีขึ้นและมีความพร้อมมากขึ้นในการนำทางอนาคตทางการเงินของพวกเขา

5. การซื้อขายอัลกอริทึม: ความสามารถในการวิเคราะห์ของ Generative AI ได้รับการพิสูจน์อย่างล้ำค่าในโลกที่ผันผวนของการซื้อขายอัลกอริทึม ด้วยการแยกแยะข้อมูล ตั้งแต่แนวโน้มของตลาดไปจนถึงความรู้สึกของข่าว จะให้ข้อมูลเชิงลึกที่เฉียบคม ช่วยให้ผู้เชี่ยวชาญด้านการเงินสามารถปรับกลยุทธ์ให้เหมาะสม คาดการณ์การเปลี่ยนแปลงของตลาด และลดความเสี่ยงที่อาจเกิดขึ้น

6. การเสริมสร้างกรอบการปฏิบัติตามกฎระเบียบ: กฎระเบียบต่อต้านการฟอกเงิน (AML) มีความสำคัญอย่างยิ่งในการรักษาความสมบูรณ์ของระบบการเงิน Generative AI ช่วยลดความยุ่งยากในการปฏิบัติตามโดยการกรองข้อมูลธุรกรรมที่ซับซ้อนเพื่อระบุกิจกรรมที่น่าสงสัย สิ่งนี้ไม่เพียงทำให้มั่นใจได้ว่าสถาบันการเงินจะปฏิบัติตามมาตรฐานระดับโลก แต่ยังช่วยลดโอกาสของผลบวกลวงและทำให้การดำเนินงานคล่องตัวลงอย่างมาก

7. ความปลอดภัยทางไซเบอร์: เนื่องจากภัยคุกคามทางไซเบอร์มีการพัฒนาอย่างต่อเนื่อง ภาคการเงินจึงต้องการโซลูชันที่คล่องตัว Generative AI นำเสนอสิ่งนั้นอย่างแท้จริง การใช้โมเดลการคาดการณ์แบบไดนามิก ช่วยให้การตรวจจับภัยคุกคามเร็วขึ้น เสริมความแข็งแกร่งให้กับโครงสร้างพื้นฐานทางการเงินจากการละเมิดที่อาจเกิดขึ้น

อย่างไรก็ตาม เช่นเดียวกับเทคโนโลยีที่กำลังพัฒนาใดๆ ก็ตาม generative AI มาพร้อมกับความท้าทายในอุตสาหกรรมการเงิน

ความท้าทาย

1. การขยายอคติ: โมเดล AI ถึงแม้จะซับซ้อน แต่ก็ยังอาศัยข้อมูลการฝึกอบรมที่มนุษย์สร้างขึ้น ข้อมูลนี้ซึ่งมีอคติโดยธรรมชาติ ไม่ว่าจะโดยตั้งใจหรือไม่ก็ตาม สามารถนำไปสู่ผลลัพธ์ที่บิดเบือนได้ ตัวอย่างเช่น หากกลุ่มประชากรกลุ่มใดกลุ่มหนึ่งไม่ได้เป็นตัวแทนในชุดการฝึกอบรม ผลลัพธ์ที่ตามมาของ AI อาจทำให้การกำกับดูแลนี้คงอยู่ต่อไปได้ ในภาคส่วนต่างๆ เช่น การเงิน ซึ่งความเสมอภาคและความยุติธรรมเป็นสิ่งสำคัญยิ่ง อคติดังกล่าวอาจนำไปสู่ผลลัพธ์ที่ร้ายแรง ผู้นำทางการเงินจำเป็นต้องดำเนินการเชิงรุกในการระบุอคติเหล่านี้ และทำให้แน่ใจว่าชุดข้อมูลของพวกเขามีความครอบคลุมและเป็นตัวแทนมากที่สุดเท่าที่จะเป็นไปได้
2. ความน่าเชื่อถือของเอาต์พุตและการตัดสินใจ: Generative AI ในบางครั้งสามารถสร้างผลลัพธ์ที่ทั้งผิดและทำให้เข้าใจผิด ซึ่งมักเรียกว่า 'ภาพหลอน'. ข้อผิดพลาดเหล่านี้ค่อนข้างคาดหวังได้เมื่อโมเดล AI ปรับแต่งและเรียนรู้ แต่ผลสะท้อนกลับในด้านการเงิน ซึ่งความแม่นยำไม่สามารถต่อรองได้นั้นรุนแรงมาก การใช้ AI เพียงอย่างเดียวในการตัดสินใจที่สำคัญ เช่น การอนุมัติสินเชื่อ ถือเป็นเรื่องอันตราย ในทางกลับกัน AI ควรถูกมองว่าเป็นเครื่องมือที่ซับซ้อนที่ช่วยผู้เชี่ยวชาญด้านการเงิน ไม่ใช่เครื่องมือที่มาแทนที่พวกเขา ควรจัดการกับน้ำหนักในการคำนวณ โดยให้ข้อมูลเชิงลึกแก่ผู้เชี่ยวชาญที่เป็นมนุษย์เพื่อทำการตัดสินใจขั้นสุดท้ายโดยใช้ข้อมูลครบถ้วน
3. ความเป็นส่วนตัวของข้อมูลและการปฏิบัติตาม: การปกป้องข้อมูลลูกค้าที่ละเอียดอ่อนยังคงเป็นข้อกังวลที่สำคัญกับแอปพลิเคชัน AI ทั่วไป ทำให้มั่นใจว่าระบบเป็นไปตามมาตรฐานสากลเช่น ระเบียบว่าด้วยการคุ้มครองข้อมูลทั่วไป (GDPR) และ พระราชบัญญัติความเป็นส่วนตัวของผู้บริโภคในแคลิฟอร์เนีย (CCPA) เป็นสิ่งสำคัญ AI อาจไม่รู้จักหรือเคารพขอบเขตเหล่านี้โดยเนื้อแท้ ดังนั้นการใช้งานจึงต้องได้รับการดูแลด้วยแนวทางการปกป้องข้อมูลที่เข้มงวด โดยเฉพาะอย่างยิ่งในภาคการเงินที่การรักษาความลับเป็นสิ่งสำคัญยิ่ง
4. คุณภาพของข้อมูลอินพุต: Generative AI นั้นดีพอๆ กับข้อมูลที่ป้อนเข้าไปเท่านั้น ข้อมูลที่ไม่ถูกต้องหรือไม่สมบูรณ์อาจนำไปสู่คำแนะนำทางการเงินหรือการตัดสินใจต่ำกว่ามาตรฐานโดยไม่ได้ตั้งใจ

สรุป

ตั้งแต่การเพิ่มประสิทธิภาพกลยุทธ์การซื้อขายไปจนถึงการเสริมสร้างความปลอดภัย แอปพลิเคชัน Generative AI นั้นมีมากมายและเปลี่ยนแปลงได้ อย่างไรก็ตาม เช่นเดียวกับเทคโนโลยีอื่นๆ จำเป็นอย่างยิ่งที่จะต้องดำเนินการปรับใช้ด้วยความระมัดระวัง โดยคำนึงถึงผลกระทบด้านจริยธรรมและความเป็นส่วนตัว

สถาบันเหล่านั้นที่ประสบความสำเร็จในการควบคุมศักยภาพของ generative AI ขณะเดียวกันก็เคารพข้อจำกัดและข้อผิดพลาดที่อาจเกิดขึ้นไปพร้อมๆ กัน จะกำหนดเส้นทางอนาคตของเวทีการเงินโลกอย่างไม่ต้องสงสัย