AI เชิงกำเนิดในภาคการเงิน: FinGPT, BloombergGPT และอื่น ๆ

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

การประมาณการล่าสุดโดย McKinsey แสดงให้เห็นว่า AI เชิงกำเนิดนี้สามารถนำไปสู่การประหยัดรายปีได้ถึง 340 พันล้านดอลลาร์สำหรับภาคธนาคารเพียงอย่างเดียว

BloombergGPT & เศรษฐศาสตร์ของ AI เชิงกำเนิด

ในเดือนมีนาคม 2023 Bloomberg ได้แสดง BloombergGPT เป็นโมเดลภาษาที่สร้างขึ้นจากศูนย์พร้อมพารามิเตอร์ 50 พันล้านที่ปรับให้เหมาะสมสำหรับข้อมูลทางการเงิน

บางครั้งการประหยัดเงินต้องเริ่มจากการลงทุน การฝึกโมเดลอย่าง BloombergGPT หรือ Llama 2 ของ Meta มีค่าใช้จ่ายสูง

การฝึกโมเดล Llama 2 ที่มีพารามิเตอร์ 70 พันล้านต้องใช้เวลา 1,700,000 ชั่วโมง GPU บนบริการคลาวด์เชิงพาณิชย์ โดยใช้ Nvidia A100 GPU (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 A100 ประมาณ 1,000 ตัวเพื่อสร้างคลัสเตอร์

การลงทุนของ Bloomberg มากกว่า 1 ล้านดอลลาร์นั้นน่าสนใจเมื่อเทียบกับการพัฒนาอย่างรวดเร็วของ AI น่าประหลาดใจที่โมเดลที่มีค่าใช้จ่ายเพียง 100 ดอลลาร์สามารถเอาชนะผลการทำงานของ BloombergGPT ในเวลาเพียงครึ่งปี ในขณะที่การฝึกอบรมของ BloombergGPT ใช้ข้อมูลที่เป็นกรรมสิทธิ์ แต่ส่วนใหญ่ (99.30%) ของชุดข้อมูลเปิดเผยต่อสาธารณะ นี่คือที่มาของ 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 การปรับแต่งอย่างละเอียดด้วยเทคนิคเช่น LoRA ช่วยให้ FinGPT v3 เพิ่มประสิทธิภาพพร้อมลดภาระการคำนวณ
     • การเรียนรู้แบบเสริมกำลังจากข้อเสนอแนะของมนุษย์: FinGPT ใช้ “RLHF (การเรียนรู้แบบเสริมกำลังจากข้อเสนอแนะของมนุษย์)” คุณลักษณะที่ไม่มีอยู่ใน BloombergGPT RLHF ทำให้โมเดล LLM มีความสามารถในการแยกแยะความชอบส่วนบุคคล ไม่ว่าจะเป็นความอยากเสี่ยง การลงทุน หรือการตั้งค่า robo-advisor ที่ปรับให้เหมาะสม เทคนิคนี้เป็นรากฐานสำคัญของทั้ง ChatGPT และ GPT4 และช่วยให้ประสบการณ์ใช้งานเป็นส่วนตัวและเข้าใจได้ง่ายขึ้น
3. การประยุกต์ใช้และการสร้างสรรค์:
   • Robo Advisor: เช่นเดียวกับที่ปรึกษาทางการเงิน FinGPT สามารถวิเคราะห์ความรู้สึกจากข่าวและทำนายแนวโน้มของตลาดได้อย่างแม่นยำ
   • การซื้อขายเชิงปริมาณ: โดยการระบุความรู้สึกจากแหล่งต่างๆ ตั้งแต่สำนักข่าวไปจนถึง Twitter FinGPT สามารถสร้างกลยุทธ์การซื้อขายที่มีประสิทธิภาพได้ แม้ใช้เพียงอารมณ์ความรู้สึกใน Twitter ก็ยังแสดงผลการซื้อขายที่มีแนวโน้มดี

เปรียบเทียบ FinGPT กับ ChatGLM, LLAMA 2 และ BloombergGPT

เส้นทางปัจจุบันและอนาคตของ FinGPT: เดือนกรกฎาคม 2023 เป็น เหตุการณ์สำคัญที่น่าตื่นเต้นสำหรับ FinGPT ทีมงานได้เปิดตัวบทความวิจัยที่มีชื่อว่า “Instruct-FinGPT: การวิเคราะห์ความรู้สึกทางการเงินด้วยการปรับแต่งตามคำสั่งของโมเดลภาษาขนาดใหญ่ทั่วไป” บทความนี้มุ่งสำรวจการปรับแต่งตามคำสั่ง ซึ่งช่วยให้ FinGPT วิเคราะห์ความรู้สึกทางการเงินที่ซับซ้อนได้

แต่ FinGPT ไม่ได้จำกัดอยู่แค่การวิเคราะห์ความรู้สึกเท่านั้น ยังมีการประยุกต์ใช้อื่นอีก 19 รูปแบบ ซึ่งล้วนมีศักยภาพในการใช้ LLM ในวิธีใหม่ ๆ ตั้งแต่การออกแบบพรอมป์ต์ไปจนถึงการทำความเข้าใจบริบททางการเงินที่ซับซ้อน FinGPT กำลังก้าวขึ้นเป็นโมเดล GenAI อเนกประสงค์ในภาคการเงิน

ธนาคารระดับโลกกำลังยอมรับ AI เชิงกำเนิด

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

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 นอกจากนี้ธนาคารยังตั้งเป้าสร้างมูลค่าจาก AI สูงถึง 1.5 พันล้านดอลลาร์ภายในสิ้นปี

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

กรณีการใช้งานของ AI เชิงกำเนิดในอุตสาหกรรมธนาคารและเงิน

กรณีใช้งาน AI เชิงกำเนิดในภาคการเงิน

AI เชิงกำเนิดกำลังเปลี่ยนแปลงการดำเนินงานทางการเงิน การตัดสินใจ และการโต้ตอบกับลูกค้าอย่างพื้นฐาน ต่อไปนี้คือการสำรวจการประยุกต์ใช้ของ AI เชิงกำเนิด:

1. การป้องกันการฉ้อโกง: AI เชิงกำเนิดเป็นแนวหน้าในการพัฒนากลไกตรวจจับการฉ้อโกงขั้นสูง โดยวิเคราะห์ข้อมูลจำนวนมากเพื่อแยกแยะรูปแบบและความผิดปกติที่ซับซ้อน ทำให้ป้องกันได้ในเชิงรุกมากขึ้น ระบบดั้งเดิมอาจรับมือกับข้อมูลปริมาณมหาศาลไม่ไหวจนเกิดผลบวกปลอม แต่ AI เชิงกำเนิดปรับปรุงความเข้าใจอย่างต่อเนื่อง ลดข้อผิดพลาด และเพิ่มความปลอดภัยของธุรกรรมทางการเงิน

2. การประเมินความเสี่ยงด้านเครดิต: วิธีประเมินความน่าเชื่อถือในการชำระหนี้แบบเดิม แม้เชื่อถือได้ แต่กำลังล้าสมัย โมเดล AI เชิงกำเนิดใช้ปัจจัยหลากหลาย ตั้งแต่ประวัติเครดิตจนถึงรูปแบบพฤติกรรมที่ละเอียดอ่อน เพื่อสร้างภาพรวมความเสี่ยงที่ครอบคลุม ซึ่งไม่เพียงทำให้การให้สินเชื่อปลอดภัยขึ้น แต่ยังรองรับลูกค้าได้กว้างขึ้น รวมถึงผู้ที่ได้รับบริการไม่เพียงพอจากเกณฑ์ประเมินแบบเดิม

3. การยกระดับปฏิสัมพันธ์กับลูกค้า: โมเดลประมวลผลภาษาธรรมชาติ (NLP) ที่ขับเคลื่อนด้วย AI เชิงกำเนิดกำลังเปลี่ยนแปลงบริการลูกค้าทางการเงิน โดยเข้าใจและตอบคำถามที่หลากหลาย พร้อมเสนอทางออกเฉพาะบุคคลอย่างรวดเร็ว การทำงานประจำโดยอัตโนมัติช่วยให้สถาบันการเงินลดค่าใช้จ่าย ดำเนินงานคล่องตัวขึ้น และเพิ่มความพึงพอใจของลูกค้า

4. การวางแผนการเงินเฉพาะบุคคล: การใช้แนวทางเดียวกับทุกคนเป็นเรื่องของอดีต ลูกค้าปัจจุบันต้องการแผนการเงินที่ตรงกับความต้องการและความมุ่งหวังของตน AI เชิงกำเนิดวิเคราะห์ข้อมูล ตั้งแต่พฤติกรรมการใช้จ่ายจนถึงความชอบด้านการลงทุน เพื่อสร้างแผนทางการเงินเฉพาะบุคคล แนวทางแบบองค์รวมนี้ช่วยให้ลูกค้ามีข้อมูลและพร้อมวางทิศทางอนาคตทางการเงินมากขึ้น

5. การซื้อขายด้วยอัลกอริทึม: ความสามารถในการวิเคราะห์ของ AI เชิงกำเนิดมีคุณค่าในโลกการซื้อขายด้วยอัลกอริทึมที่ผันผวน โดยแยกวิเคราะห์ข้อมูล ตั้งแต่แนวโน้มตลาดจนถึงความรู้สึกในข่าว เพื่อให้ข้อมูลเชิงลึกที่ช่วยผู้เชี่ยวชาญปรับกลยุทธ์ คาดการณ์การเปลี่ยนแปลงของตลาด และลดความเสี่ยงที่อาจเกิดขึ้น

6. การเสริมสร้างกรอบการปฏิบัติตามกฎระเบียบ: กฎต่อต้านการฟอกเงิน (AML) สำคัญต่อความน่าเชื่อถือของระบบการเงิน AI เชิงกำเนิดทำให้การปฏิบัติตามกฎง่ายขึ้นด้วยการตรวจสอบข้อมูลธุรกรรมที่ซับซ้อนเพื่อระบุกิจกรรมน่าสงสัย ช่วยให้สถาบันการเงินปฏิบัติตามมาตรฐานสากล ลดโอกาสเกิดผลบวกปลอมอย่างมาก และทำให้การดำเนินงานคล่องตัวขึ้น

7. ความปลอดภัยทางไซเบอร์: ภัยไซเบอร์เปลี่ยนแปลงตลอดเวลา ภาคการเงินจึงต้องการทางออกที่ปรับตัวได้ AI เชิงกำเนิดใช้โมเดลคาดการณ์แบบพลวัตเพื่อตรวจพบภัยได้เร็วขึ้น และเสริมความแข็งแกร่งของโครงสร้างพื้นฐานทางการเงินต่อการบุกรุกที่อาจเกิดขึ้น

อย่างไรก็ตาม เช่นเดียวกับเทคโนโลยีที่กำลังพัฒนาอื่น ๆ AI เชิงกำเนิดมีความท้าทายในอุตสาหกรรมการเงิน

ความท้าทาย

1. การขยายอคติ: แม้โมเดล AI จะซับซ้อนเพียงใด ก็ยังพึ่งข้อมูลฝึกที่มนุษย์สร้าง ข้อมูลเหล่านี้อาจมีอคติโดยตั้งใจหรือไม่ตั้งใจจนทำให้ผลลัพธ์เอนเอียง ตัวอย่างเช่น หากกลุ่มประชากรหนึ่งมีสัดส่วนน้อยเกินไปในชุดฝึก ผลลัพธ์ AI ก็อาจสืบทอดการละเลยนั้น ในภาคการเงินที่ความเสมอภาคและความเป็นธรรมสำคัญอย่างยิ่ง อคติเช่นนี้อาจมีผลร้ายแรง ผู้นำทางการเงินต้องค้นหาอคติในเชิงรุกและทำให้ชุดข้อมูลครอบคลุมและเป็นตัวแทนได้มากที่สุด
2. ความน่าเชื่อถือของผลลัพธ์และการตัดสินใจ: AI เชิงกำเนิดอาจสร้างผลลัพธ์ที่ผิดและชวนให้เข้าใจผิด หรือที่เรียกว่า อาการหลอนของ AI ความผิดพลาดเช่นนี้อาจเกิดขึ้นระหว่างที่โมเดลเรียนรู้และปรับปรุง แต่ผลกระทบในภาคการเงินที่ต้องการความแม่นยำสูงนั้นร้ายแรง การพึ่ง AI เพียงอย่างเดียวเพื่อตัดสินใจสำคัญ เช่น อนุมัติสินเชื่อ มีความเสี่ยง ควรมอง AI เป็นเครื่องมือขั้นสูงที่ช่วยผู้เชี่ยวชาญ ไม่ใช่มาแทนที่ AI ควรรับภาระการคำนวณและให้ข้อมูลเชิงลึก โดยให้มนุษย์เป็นผู้ตัดสินใจขั้นสุดท้ายจากข้อมูลที่เพียงพอ
3. ความเป็นส่วนตัวของข้อมูลและการปฏิบัติตามกฎ: การปกป้องข้อมูลลูกค้าที่ละเอียดอ่อนยังเป็นข้อกังวลสำคัญ ต้องมั่นใจว่าระบบปฏิบัติตามมาตรฐานสากล เช่น ข้อบังคับทั่วไปว่าด้วยการคุ้มครองข้อมูล (GDPR) และ กฎหมายความเป็นส่วนตัวของผู้บริโภคแห่งรัฐแคลิฟอร์เนีย (CCPA) AI อาจไม่รู้หรือเคารพขอบเขตเหล่านี้โดยตัวมันเอง จึงต้องกำกับการใช้งานด้วยแนวทางคุ้มครองข้อมูลที่เข้มงวด โดยเฉพาะในภาคการเงินที่การรักษาความลับสำคัญอย่างยิ่ง
4. คุณภาพข้อมูลนำเข้า: AI เชิงกำเนิดมีคุณภาพได้เท่ากับข้อมูลที่ป้อนเข้า ข้อมูลที่ไม่ถูกต้องหรือไม่ครบถ้วนอาจทำให้เกิดคำแนะนำหรือการตัดสินใจทางการเงินที่ด้อยคุณภาพโดยไม่ตั้งใจ

สรุป

ตั้งแต่การปรับปรุงกลยุทธ์ซื้อขายจนถึงการเสริมความปลอดภัย AI เชิงกำเนิดมีการใช้งานที่กว้างขวางและเปลี่ยนแปลงวงการได้ แต่เช่นเดียวกับเทคโนโลยีทุกชนิด ต้องนำมาใช้อย่างระมัดระวัง โดยพิจารณาผลกระทบด้านจริยธรรมและความเป็นส่วนตัว

สถาบันที่สามารถใช้ AI เชิงกำเนิดได้สำเร็จในขณะเดียวกันก็เคารพข้อจำกัดและความเสี่ยงของ AI จะเป็นผู้กำหนดทิศทางอนาคตของวงการเงินโลก