Finansta Üretken Yapay Zeka: FinGPT, BloombergGPT ve Ötesi

Üretken yapay zeka, giriş verilerine benzer yeni veri örnekleri oluşturabilen modelleri ifade eder. ChatGPT'nin başarısı, endüstriler genelinde birçok fırsatın önünü açarak, işletmelere kendi büyük dil modellerini tasarlama konusunda ilham verdi. Verilerin yönlendirdiği finans sektörü artık her zamankinden daha fazla veri yoğun.

tarafından yapılan son tahminler McKinsey Bu Üretken Yapay Zekanın yalnızca bankacılık sektörü için yıllık 340 milyar dolara kadar tasarruf sağlayabileceğini öne sürüyor.

BloombergGPT ve Üretken Yapay Zeka Ekonomisi 

Mart 2023'te Bloomberg görücüye çıktı BloombergGPT. Finansal verilere özel olarak hazırlanmış, 50 milyar parametreyle sıfırdan oluşturulmuş bir dil modelidir.

Tasarruf etmek için bazen para harcamanız gerekir. BloombergGPT veya Meta'nın Llama 2'si gibi eğitim modelleri ucuz değildir.

Llama 2'nin 70 milyar parametreli modelinin eğitimi 1,700,000 GPU saati gerektirdi. Ticari bulut hizmetlerinde, Nvidia A100 GPU (Llama 2 için kullanılır) her GPU saati için birini 1-2$ kadar geriye ayarlayabilir. Matematiksel olarak, 10 milyar parametreli bir model yaklaşık 150,000 $'a mal olabilirken, 100 milyar parametreli bir modelin maliyeti 1,500,000 $'a kadar çıkabilir.

Kiralamıyorsanız GPU'ları doğrudan satın almak bir alternatiftir. Ancak bir küme oluşturmak için yaklaşık 1000 A100 GPU satın almak, bir tanesini 10 milyon dolardan fazla geciktirebilir.

Bloomberg'in bir milyon doları aşan yatırımı, yapay zekadaki hızlı gelişmelerle karşılaştırıldığında özellikle aydınlatıcı oluyor. Şaşırtıcı bir şekilde, yalnızca 100$'a mal olan bir model, yalnızca altı ayda BloombergGPT'nin performansını aşmayı başardı. BloombergGPT'nin eğitimi özel verileri içeriyor olsa da veri setlerinin büyük çoğunluğu (%99.30) kamuya açıktı. Geliyor FinGPT.

FinGPT

FinGPT, son teknoloji ürünü bir finansal ince ayarlı büyük dil modelidir (FinLLM). AI4Finance-Foundation tarafından geliştirilen FinGPT, şu anda hem maliyet etkinliği hem de genel olarak doğruluk açısından diğer modellerden daha iyi performans gösteriyor.

Şu anda 3 versiyonu bulunmaktadır; FinGPT v3 serisi, LoRA yöntemi kullanılarak geliştirilmiş modellerdir ve duyguları analiz etmek için haberler ve tweetler üzerinde eğitilirler. Birçok finansal duyarlılık testinde en iyi performansı gösterirler. FinGPT v3.1, chatglm2-6B modelini temel alırken, FinGPT v3.2, chatglmXNUMX-XNUMXB modelini temel almaktadır. Llama2-7b modeli.

parmak izi

FinGPT'nin Operasyonları:

1. Veri Kaynağı ve Mühendisliği:
   • Veri Toplama: Yahoo, Reuters ve daha fazlası gibi saygın kaynaklardan alınan verileri kullanan FinGPT, ABD hisse senetlerinden CN hisse senetlerine kadar çok çeşitli finansal haberleri birleştirir.
   • Veri işleme: Bu ham veriler, alaka düzeyini ve doğruluğunu sağlamak için birçok temizleme, tokenizasyon ve hızlı mühendislik aşamasından geçer.
2. Büyük Dil Modelleri (LLM'ler):
   • Eğitim: Seçilen veriler kullanılarak, Yüksek Lisans'lar yalnızca belirli ihtiyaçlara göre uyarlanmış hafif modeller doğuracak şekilde ince ayar yapmakla kalmaz, aynı zamanda mevcut modeller veya API'ler de uygulamaları destekleyecek şekilde uyarlanabilir.
   • İnce Ayar Stratejileri:
     • Tensör Katmanları (LoRA): FinGPT gibi modellerin geliştirilmesindeki en önemli zorluklardan biri, yüksek kaliteli etiketli veriler elde etmektir. Bu zorluğun farkında olan FinGPT yenilikçi bir yaklaşım benimsiyor. Yalnızca geleneksel etiketlemeye güvenmek yerine, piyasanın yönlendirdiği hisse senedi fiyat dalgalanmaları etiket olarak kullanılıyor ve haber duyarlılığını olumlu, olumsuz veya nötr gibi somut etiketlere dönüştürüyor. Bu, modelin öngörü yeteneklerinde, özellikle de olumlu ve olumsuz duyguları ayırt etmede büyük gelişmelere yol açıyor. LoRA gibi ince ayar teknikleri sayesinde FinGPT v3, hesaplama yükünü azaltırken performansı optimize etmeyi başardı.
     • İnsan geri bildirimlerinden pekiştirmeli öğrenme: FinGPT şunu kullanır:RLHF (İnsan geribildiriminden pekiştirmeli öğrenme)“. BloombergGPT'de bulunmayan bir özellik olan RLHF, LLM modelini kullanıcının risk iştahı, yatırım modelleri veya özelleştirilmiş robo-danışman ayarları gibi bireysel tercihleri ​​ayırt etme yeteneği ile donatır. Hem ChatGPT hem de GPT4'ün temel taşı olan bu teknik, daha özelleştirilmiş ve sezgisel bir kullanıcı deneyimi sağlar.
3. Uygulamalar ve Yenilikler:
   • Robo Danışmanı: Tecrübeli bir mali müşavir gibi FinGPT, haber duyarlılığını analiz edebilir ve piyasa eğilimlerini büyük bir hassasiyetle tahmin edebilir.
   • Kantitatif Ticaret: FinGPT, haber kaynaklarından Twitter'a kadar çeşitli kaynaklardan gelen düşünceleri belirleyerek etkili ticaret stratejileri formüle edebilir. Aslında, yalnızca Twitter duyguları tarafından yönlendirildiğinde bile umut verici ticaret sonuçları sergiliyor.

ChatGLM, LLAMA 2, BloombergGPT ile FinGPT karşılaştırması

FinGPT'nin Mevcut Yörüngesi ve Geleceği: Temmuz 2023, FinGPT için heyecan verici bir dönüm noktasına işaret ediyor. Ekip şu başlıklı bir araştırma makalesini açıkladı: “Instruct-FinGPT: Genel Amaçlı Büyük Dil Modellerinin Talimat Ayarlamasıyla Finansal Duyarlılık Analizi.” Bu makalenin merkezinde, FinGPT'nin karmaşık finansal duyarlılık analizleri yürütmesini sağlayan bir teknik olan talimat ayarlamanın araştırılması yer almaktadır.

Ancak FinGPT yalnızca duygu analiziyle sınırlı değil. Aslında, her biri Yüksek Lisans'ı yeni yollarla güçlendirmeyi vaat eden 19 farklı uygulama daha mevcuttur. Hızlı mühendislikten karmaşık finansal bağlamları anlamaya kadar FinGPT, finans alanında çok yönlü bir GenAI modeli olarak kendini kanıtlıyor.

Küresel Bankalar Üretken Yapay Zekayı Nasıl Benimsiyor?

2023'ün başlangıcında Bank of America, Citigroup ve Goldman Sachs gibi bazı büyük finans oyuncuları OpenAI'nin ChatGPT'sinin çalışanları tarafından kullanımına kısıtlamalar getirirken, sektördeki diğer rakipler kesinlikle daha kucaklayıcı bir duruş tercih etti.

Morgan StanleyÖrneğin, OpenAI destekli sohbet robotlarını mali danışmanları için bir araç olarak entegre etti. Firmanın kapsamlı dahili araştırma ve verilerinden yararlanan bu sohbet robotları, zenginleştirilmiş bilgi kaynakları olarak hizmet ederek finansal danışmanlığın verimliliğini ve doğruluğunu artırır.

Bu yıl Mart ayında, Hedge fonu Kalesi kurumsal çapta bir ChatGPT lisansını güvence altına almak için geziniyordu. İleriye dönük uygulama, yazılım geliştirme ve karmaşık bilgi analizi gibi alanların desteklenmesini öngörüyor.

JPMorgan Chase aynı zamanda dolandırıcılık tespiti için geniş dil modellerinden yararlanmaya da çaba harcıyor. Metodolojileri, olası tehlikeleri belirlemek için e-posta kalıplarını kullanma etrafında dönüyor. Banka bununla yetinmeyip iddialı bir hedef de belirledi:  Yapay zeka ile yıl sonuna kadar 1.5 milyar dolar değer.

Goldman Sachs'a gelince, yapay zekanın cazibesine tamamen dayanıklı değiller. Banka, yazılım mühendisliği alanını güçlendirmek için üretken yapay zekanın gücünü araştırıyor. Gibi Goldman Sachs Bilişim Direktörü Marco Argenti, böyle bir entegrasyonun iş gücünü bir şeye dönüştürme potansiyeline sahip olduğunu ifade ediyor "insanüstü".

Bankacılık ve Finans Sektöründe Üretken Yapay Zekanın Kullanım Örnekleri

Finans Kullanım Durumlarında Üretken Yapay Zeka

Üretken yapay zeka, finansal operasyonları, karar almayı ve müşteri etkileşimlerini temelden dönüştürüyor. İşte uygulamalarının ayrıntılı bir incelemesi:

1. Dolandırıcılığı Önleme: Üretken yapay zeka, en ileri dolandırıcılık tespit mekanizmalarının geliştirilmesinde ön saflarda yer almaktadır. Geniş veri havuzlarını analiz ederek karmaşık kalıpları ve düzensizlikleri tespit ederek daha proaktif bir yaklaşım sunabilir. Genellikle veri hacminin altında ezilen geleneksel sistemler hatalı pozitif sonuçlar üretebilir. Üretken yapay zeka ise tam tersine anlayışını sürekli olarak geliştiriyor, hataları azaltıyor ve finansal işlemlerin daha güvenli olmasını sağlıyor.

2. Kredi Riski Değerlendirmesi: Borçlunun kredi itibarını değerlendirmeye yönelik geleneksel yöntemler güvenilir olmakla birlikte geçerliliğini yitirmektedir. Kredi geçmişlerinden ince davranış kalıplarına kadar çeşitli parametreler aracılığıyla üretken yapay zeka modelleri, kapsamlı bir risk profili sunar. Bu, yalnızca daha güvenli kredi verme olanağı sağlamakla kalmıyor, aynı zamanda geleneksel ölçütlere göre yetersiz hizmet alabilenler de dahil olmak üzere daha geniş bir müşteri kitlesine hitap ediyor.

3. Müşteri Etkileşimini Artırma: Finans dünyası, üretken yapay zeka destekli NLP modelleri sayesinde müşteri hizmetlerinde bir devrime tanık oluyor. Bu modeller, çeşitli müşteri sorgularını anlama ve bunlara yanıt verme konusunda ustadır ve anında kişiselleştirilmiş çözümler sunar. Finansal kurumlar rutin görevleri otomatikleştirerek genel giderleri azaltabilir, operasyonları kolaylaştırabilir ve en önemlisi müşteri memnuniyetini artırabilir.

4. Kişiselleştirilmiş Finansal: Herkese uyan tek beden geçmişin bir kalıntısıdır. Günümüzün müşterileri, kendilerine özgü ihtiyaç ve isteklerine göre uyarlanmış finansal planlama talep ediyor. Üretken yapay zeka burada öne çıkıyor. Harcama modellerinden yatırım tercihlerine kadar verileri analiz ederek kişiselleştirilmiş finansal yol haritaları oluşturur. Bu bütünsel yaklaşım, müşterilerin daha iyi bilgilendirilmesine ve finansal geleceklerine yön verme konusunda daha donanımlı olmalarına olanak sağlar.

5. Algoritmik Ticaret: Üretken yapay zekanın analitik becerisinin, algoritmik ticaretin değişken dünyasında paha biçilemez olduğu kanıtlanıyor. Verileri piyasa trendlerinden haber duyarlılığına kadar parçalara ayırarak keskin içgörüler sağlar, finans uzmanlarının stratejilerini optimize etmesine, piyasa değişimlerini tahmin etmesine ve potansiyel riskleri azaltmasına olanak tanır.

6. Uyumluluk Çerçevelerinin Güçlendirilmesi: Kara Para Aklamayı Önleme (AML) düzenlemeleri, finansal sistemlerin bütünlüğünü korumada kritik öneme sahiptir. Üretken yapay zeka, şüpheli etkinlikleri tespit etmek için karmaşık işlem verilerini eleyerek uyumluluğu basitleştirir. Bu yalnızca finansal kurumların küresel standartlara uymasını sağlamakla kalmaz, aynı zamanda yanlış pozitif olasılığını önemli ölçüde azaltarak operasyonları kolaylaştırır.

7. Siber Güvenlik: Siber tehditlerin sürekli geliştiği bir ortamda finans sektörünün çevik çözümlere ihtiyacı var. Üretken yapay zeka tam olarak bunu sunuyor. Dinamik tahmin modellerini uygulayarak tehditlerin daha hızlı tespit edilmesini sağlar ve finansal altyapıları potansiyel ihlallere karşı güçlendirir.

Ancak gelişen her teknolojide olduğu gibi, üretken yapay zeka da finans sektöründe bazı zorlukları beraberinde getiriyor.

Zorluklar

1. Önyargı Amplifikasyonu: Yapay zeka modelleri, ne kadar karmaşık olursa olsun hâlâ insan tarafından oluşturulan eğitim verilerine dayanıyor. Kasıtlı olsun veya olmasın, doğasında var olan önyargılarla birlikte bu veriler çarpık sonuçlara yol açabilir. Örneğin, belirli bir demografik eğitim setinde yeterince temsil edilmiyorsa, yapay zekanın sonraki çıktıları bu gözetimi sürdürebilir. Finans gibi eşitliğin ve adaletin ön planda olduğu bir sektörde bu tür önyargılar ciddi sonuçlara yol açabilir. Finansal liderlerin bu önyargıları tespit etme ve veri kümelerinin mümkün olduğunca kapsamlı ve temsili olmasını sağlama konusunda proaktif olmaları gerekir.
2. Çıktı Güvenilirliği ve Karar Verme: Üretken yapay zeka zaman zaman hem yanlış hem de yanıltıcı sonuçlar üretebilir.halüsinasyonlar'. Yapay zeka modelleri geliştikçe ve öğrendikçe bu yanlış adımların olması bekleniyor, ancak kesinliğin tartışılamaz olduğu finans alanındaki yansımaları ciddi. Kredi onayları gibi kritik kararlarda yalnızca yapay zekaya güvenmek tehlikelidir. Bunun yerine yapay zeka, finansal uzmanların yerini alan değil, onlara yardımcı olan karmaşık bir araç olarak görülmelidir. Hesaplama yükünün üstesinden gelmeli ve insan profesyonellerin nihai, bilinçli kararları vermeleri için içgörü sağlamalıdır.
3. Veri Gizliliği ve Uyumluluk: Hassas müşteri verilerinin korunması, üretken yapay zeka uygulamalarında önemli bir endişe kaynağı olmayı sürdürüyor. Sistemin küresel standartlara uymasını sağlamak Genel Veri Koruma Yönetmeliği (GDPR) ve California Tüketici Gizlilik Yasası (CCPA) çok önemlidir. Yapay zeka, doğası gereği bu sınırları bilmeyebilir veya bunlara saygı göstermeyebilir; bu nedenle, özellikle gizliliğin çok önemli olduğu finans sektöründe, kullanımı katı veri koruma yönergeleriyle denetlenmelidir.
4. Giriş Verilerinin Kalitesi: Üretken yapay zeka yalnızca kendisine sağlanan veriler kadar iyidir. Yanlış veya eksik veriler, yanlışlıkla yetersiz mali tavsiye veya kararlara yol açabilir.

Sonuç

Ticaret stratejilerini geliştirmekten güvenliği güçlendirmeye kadar, Üretken Yapay Zeka uygulamaları çok geniş ve dönüştürücüdür. Bununla birlikte, her teknolojide olduğu gibi, etik ve mahremiyet sonuçlarını göz önünde bulundurarak benimsenmesine dikkatle yaklaşmak önemlidir.

Üretken yapay zekanın gücünden başarıyla yararlanırken aynı zamanda onun sınırlamalarına ve potansiyel tuzaklarına saygı duyan kurumlar, şüphesiz küresel finans arenasının gelecekteki gidişatını şekillendirecek.