AI ที่สร้างสรรค์ในวงการเงิน: FinGPT, BloombergGPT และอื่นๆ

AI ที่สร้างสรรค์ (Generative AI) หมายถึง โมเดลที่สามารถสร้างตัวอย่างข้อมูลใหม่ที่คล้ายกับข้อมูลที่ได้รับมา ความสำเร็จของ ChatGPT เปิดโอกาสให้ธุรกิจต่างๆ ในอุตสาหกรรมต่างๆ ได้สร้างโมเดลภาษาขนาดใหญ่ของตนเอง วงการเงินซึ่งถูกขับเคลื่อนด้วยข้อมูลมีความเข้มข้นด้านข้อมูลมากกว่าที่เคย

การประมาณการล่าสุดโดย McKinsey แสดงให้เห็นว่า AI ที่สร้างสรรค์นี้สามารถนำไปสู่การประหยัดรายปีได้ถึง 340 พันล้านดอลลาร์สำหรับภาคธนาคารเพียงอย่างเดียว

BloombergGPT & เศรษฐศาสตร์ของ AI ที่สร้างสรรค์

ในเดือนมีนาคม 2023 Bloomberg ได้แสดง BloombergGPT เป็นโมเดลภาษาที่สร้างขึ้นจากศูนย์พร้อมพารามิเตอร์ 50 พันล้านที่ปรับให้เหมาะสมสำหรับข้อมูลทางการเงิน

เพื่อประหยัดเงิน บางครั้งคุณต้องใช้เงินในการฝึกโมเดล เช่น BloombergGPT หรือ Llama 2 ของ Meta

การฝึกโมเดล Llama 2 ที่มีพารามิเตอร์ 70 พันล้านต้องใช้เวลา 1,700,000 ชั่วโมง GPU บนบริการคลาวด์เชิงพาณิชย์ โดยใช้ Nvidia A100 GPU (NVDA ) (ที่ใช้สำหรับ Llama 2) อาจมีค่าใช้จ่าย 1-2 ดอลลาร์ต่อชั่วโมง GPU ดังนั้น โมเดลที่มีพารามิเตอร์ 10 พันล้านอาจมีค่าใช้จ่ายประมาณ 150,000 ดอลลาร์ ในขณะที่โมเดลที่มีพารามิเตอร์ 100 พันล้านอาจมีค่าใช้จ่ายสูงถึง 1,500,000 ดอลลาร์

หากไม่ได้เช่า GPU อีกทางหนึ่งคือการซื้อ GPU โดยตรง ซึ่งอาจมีค่าใช้จ่ายมากกว่า 10 ล้านดอลลาร์สำหรับการซื้อ GPU ประมาณ 1,000 เครื่องเพื่อสร้างคลัสเตอร์

การลงทุนของ Bloomberg มากกว่า 1 ล้านดอลลาร์นั้นน่าสนใจเมื่อเทียบกับการพัฒนาอย่างรวดเร็วของ AI น่าประหลาดใจที่โมเดลที่มีค่าใช้จ่ายเพียง 100 ดอลลาร์สามารถเอาชนะผลการทำงานของ BloombergGPT ในเวลาเพียงครึ่งปี ในขณะที่การฝึกอบรมของ BloombergGPT ใช้ข้อมูลที่เป็นกรรมสิทธิ์ แต่ส่วนใหญ่ (99.30%) ของชุดข้อมูลเปิดเผยต่อสาธารณะ มาเป็น FinGPT

FinGPT

FinGPT เป็นโมเดลภาษาขนาดใหญ่ที่ปรับให้เหมาะสมสำหรับการเงิน (FinLLM) ที่มีคุณภาพสูงสุด ซึ่งพัฒนาโดย AI4Finance-Foundation FinGPT กำลังทำงานได้ดีกว่าโมเดลอื่นๆ ในด้านต้นทุนและความแม่นยำโดยทั่วไป

ปัจจุบันมี 3 เวอร์ชัน FinGPT v3 ซีรีส์เป็นโมเดลที่ปรับปรุงโดยใช้วิธี LoRA และฝึกอบรมจากข่าวและทวิตเตอร์เพื่อวิเคราะห์ความรู้สึก พวกเขาทำงานได้ดีที่สุดในหลายๆ การทดสอบความรู้สึกทางการเงิน FinGPT v3.1 สร้างขึ้นจากโมเดล chatglm2-6B ในขณะที่ FinGPT v3.2 สร้างขึ้นจาก Llama2-7b

FINGPT

การทำงานของ FinGPT:

1. การหาข้อมูลและวิศวกรรมข้อมูล:
   • การรวบรวมข้อมูล: ใช้ข้อมูลจากแหล่งที่เชื่อถือได้ เช่น Yahoo, Reuters และอื่นๆ FinGPT รวมข้อมูลการเงินจำนวนมาก ตั้งแต่หุ้นสหรัฐฯ ถึงหุ้นจีน
   • การประมวลผลข้อมูล: ข้อมูลดิบนี้ผ่านหลายขั้นตอนในการทำความสะอาด การแบ่งคำ และการออกแบบคำสั่งเพื่อให้แน่ใจถึงความเกี่ยวข้องและความแม่นยำ
2. โมเดลภาษาขนาดใหญ่ (LLMs):
   • การฝึกอบรม: โดยใช้ข้อมูลที่คัดเลือกแล้ว LLMs สามารถปรับให้เหมาะสมเพื่อสร้างโมเดลที่มีน้ำหนักเบาและปรับให้เหมาะสมสำหรับความต้องการเฉพาะ หรือสามารถปรับโมเดลที่มีอยู่หรือ API เพื่อสนับสนุนการประยุกต์ใช้
   • กลยุทธ์การปรับให้เหมาะสม:
     • ชั้นเทนเซอร์ (LoRA): หนึ่งในความท้าทายในการพัฒนาโมเดล เช่น FinGPT คือการได้รับข้อมูลที่มีฉลากคุณภาพสูง FinGPT ใช้แนวทางใหม่ๆ โดยไม่พึ่งพาการทำฉลากแบบดั้งเดิม แต่ใช้การเปลี่ยนแปลงของราคาในตลาดหุ้นเป็นฉลาก แปลงความรู้สึกจากข่าวเป็นฉลากที่เป็นรูปธรรม เช่น บวก ลบ หรือเป็นกลาง ซึ่งนำไปสู่การปรับปรุงความสามารถในการทำนายของโมเดล โดยเฉพาะอย่างยิ่งในการแยกแยะความรู้สึกที่เป็นบวกและลบ
     • การเรียนรู้แบบเสริมจากข้อมูลของมนุษย์: FinGPT ใช้ “RLHF (การเรียนรู้แบบเสริมจากข้อมูลของมนุษย์)” คุณลักษณะที่ไม่มีอยู่ใน BloombergGPT RLHF ทำให้โมเดล LLM มีความสามารถในการแยกแยะความชอบส่วนบุคคล ไม่ว่าจะเป็นความอยากเสี่ยง การลงทุน หรือการตั้งค่า robo-advisor ที่ปรับให้เหมาะสม
3. การประยุกต์ใช้และการสร้างสรรค์:
   • Robo Advisor: เช่นเดียวกับที่ปรึกษาทางการเงิน FinGPT สามารถวิเคราะห์ความรู้สึกจากข่าวและทำนายแนวโน้มของตลาดได้อย่างแม่นยำ
   • การซื้อขายแบบปริมาณ: โดยการระบุความรู้สึกจากแหล่งต่างๆ ตั้งแต่สำนักข่าวไปจนถึง Twitter FinGPT สามารถสร้างกลยุทธ์การซื้อขายที่มีประสิทธิภาพได้

FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT

เส้นทางปัจจุบันและอนาคตของ FinGPT: เดือนกรกฎาคม 2023 เป็น 里程碑ที่น่าตื่นเต้นสำหรับ FinGPT ทีมงานได้เปิดตัวบทความวิจัยที่มีชื่อว่า “Instruct-FinGPT: การวิเคราะห์ความรู้สึกทางการเงินโดยการปรับให้เหมาะสมของโมเดลภาษาขนาดใหญ่แบบทั่วไป“

แต่ FinGPT ไม่ได้จำกัดอยู่แค่การวิเคราะห์ความรู้สึกเท่านั้น มีการประยุกต์ใช้ 19 รูปแบบที่แตกต่างกัน ซึ่งทั้งหมดมีศักยภาพในการใช้โมเดล LLM ในรูปแบบใหม่ๆ

ธนาคารระดับโลกกำลังยอมรับ AI ที่สร้างสรรค์

ในขณะที่ปี 2023 เริ่มต้นด้วยการจำกัดการใช้ OpenAI’s ChatGPT โดยพนักงานของธนาคารสำคัญๆ เช่น Bank of America (BAC ), Citigroup และ Goldman Sachs ธนาคารอื่นๆ ในอุตสาหกรรมได้เลือกที่จะยอมรับ AI ที่สร้างสรรค์มากกว่า

Morgan Stanley (MS ) ตัวอย่างเช่น ได้บูรณาการ chatbot ที่ใช้ OpenAI เป็นเครื่องมือสำหรับที่ปรึกษาทางการเงินของตน โดยใช้ข้อมูลภายในที่กว้างขวางของบริษัท chatbot เหล่านี้ทำหน้าที่เป็นแหล่งข้อมูลความรู้ที่มีคุณค่า เพิ่มประสิทธิภาพและความแม่นยำของการให้คำปรึกษาทางการเงิน

ในเดือนมีนาคมปีนี้ Hedge fund Citadel กำลังพยายามเจรจาเพื่อขอใบอนุญาต ChatGPT ระดับองค์กร การใช้งานที่คาดหวังจะช่วยเสริมสร้างพื้นที่ เช่น การพัฒนาซอฟต์แวร์และการวิเคราะห์ข้อมูลที่ซับซ้อน

JPMorgan Chase ก็กำลังพยายามใช้โมเดลภาษาขนาดใหญ่เพื่อตรวจจับการฉ้อโกง โดยใช้รูปแบบอีเมลเพื่อระบุการละเมิดที่อาจเกิดขึ้น

สำหรับ Goldman Sachs พวกเขากำลังสำรวจพลังของ AI ที่สร้างสรรค์เพื่อเสริมสร้างโดเมนการวิศวกรรมซอฟต์แวร์ ตามที่ Marco Argenti ประธานเจ้าหน้าที่ข้อมูลของ Goldman Sachs กล่าวว่าการบูรณาการนี้มีศักยภาพในการเปลี่ยนแปลงพนักงานให้กลายเป็น “ซูเปอร์ฮิวแมน”

กรณีการใช้งานของ AI ที่สร้างสรรค์ในอุตสาหกรรมธนาคารและเงิน

Generative AI in Finance Use Cases

AI ที่สร้างสรรค์กำลังเปลี่ยนแปลงการดำเนินงานทางการเงิน การตัดสินใจ และการโต้ตอบกับลูกค้าอย่างพื้นฐาน ต่อไปนี้คือการสำรวจการประยุกต์ใช้ของ AI ที่สร้างสรรค์:

1. การป้องกันการฉ้อโกง: AI ที่สร้างสรรค์อยู่ในแนวหน้าในการพัฒนาเครื่องมือตรวจจับการฉ้อโกงที่ทันสมัย โดยการวิเคราะห์ข้อมูลจำนวนมาก AI สามารถระบุรูปแบบและความผิดปกติได้ และนำไปสู่แนวทางที่มีการป้องกันมากขึ้น

2. การประเมินความเสี่ยงเครดิต: วิธีการประเมินความน่าเชื่อถือของลูกค้าแบบดั้งเดิมกำลังล้าสมัย AI ที่สร้างสรรค์สามารถให้ข้อมูลที่ครอบคลุมเกี่ยวกับความเสี่ยงได้

3. การเพิ่มการโต้ตอบกับลูกค้า: โลกการเงินกำลังเห็นการปฏิวัติในการบริการลูกค้า โดยใช้ AI ที่สร้างสรรค์

4. การวางแผนการเงินส่วนบุคคล: AI ที่สร้างสรรค์สามารถให้คำแนะนำการเงินส่วนบุคคลได้

5. การซื้อขายแบบอัลกอริทึม: AI ที่สร้างสรรค์สามารถให้ข้อมูลเชิงลึกในการซื้อขายได้

6. การเสริมสร้างการปฏิบัติตามกฎระเบียบ: AI ที่สร้างสรรค์สามารถช่วยในการตรวจสอบการปฏิบัติตามกฎระเบียบได้

7. การรักษาความปลอดภัย: AI ที่สร้างสรรค์สามารถช่วยในการตรวจจับการโจมตีได้

อย่างไรก็ตาม AI ที่สร้างสรรค์ก็มีความท้าทายเช่นกัน

ความท้าทาย

1. การเพิ่มความลำเอียง: โมเดล AI ยังคงพึ่งพาข้อมูลที่มนุษย์สร้างขึ้น ซึ่งอาจมีความลำเอียง
2. ความน่าเชื่อถือของผลลัพธ์: AI ที่สร้างสรรค์อาจให้ผลลัพธ์ที่ไม่ถูกต้องหรือทำให้เข้าใจผิด
3. การรักษาความเป็นส่วนตัวของข้อมูล: การป้องกันข้อมูลลูกค้าที่ละเอียดอ่อนเป็นเรื่องที่สำคัญ
4. คุณภาพของข้อมูล: AI ที่สร้างสรรค์จะดีเท่ากับคุณภาพของข้อมูลที่ใช้ในการฝึกอบรม

สรุป

AI ที่สร้างสรรค์มีศักยภาพในการเปลี่ยนแปลงอุตสาหกรรมธนาคารและเงินอย่างมาก แต่การนำไปใช้ควรทำด้วยความระมัดระวัง

สถาบันที่สามารถใช้ AI ที่สร้างสรรค์ได้สำเร็จในขณะเดียวกันก็เคารพข้อจำกัดและความเสี่ยงของ AI จะเป็นผู้กำหนดทิศทางอนาคตของวงการเงินโลก