Генеративний штучний інтелект у фінансах: FinGPT, BloombergGPT і інше

Генеративний ШІ відноситься до моделей, які можуть генерувати нові зразки даних, подібні до вхідних даних. Успіх ChatGPT відкрив багато можливостей у різних галузях, надихнувши підприємства на розробку власних великих мовних моделей. Фінансовий сектор, що керується даними, зараз потребує ще більше даних, ніж будь-коли.

Останні оцінки за McKinsey припускають, що цей Generative AI може запропонувати річну економію до 340 мільярдів доларів лише для банківського сектора.

BloombergGPT та економіка генеративного ШІ 

У березні 2023 року Bloomberg продемонстрував BloombergGPT. Це мовна модель, створена з нуля, із 50 мільярдами параметрів, розроблена спеціально для фінансових даних.

Щоб заощадити, іноді потрібно витрачати гроші. Тренувальні моделі, такі як BloombergGPT або Meta's Llama 2, коштують недешево.

Навчання моделі з 2 мільярдами параметрів Llama 70 вимагало 1,700,000 XNUMX XNUMX годин GPU. На комерційних хмарних сервісах, використовуючи Графічний процесор Nvidia A100 (використовується для Llama 2) може повернути один $1-$2 за кожну годину GPU. Підраховуючи, модель з 10 мільярдами параметрів може коштувати близько 150,000 100 доларів США, тоді як модель із 1,500,000 мільярдів параметрів може коштувати XNUMX XNUMX XNUMX доларів США.

Якщо ви не орендуєте, альтернативою є придбання графічних процесорів. Проте купівля близько 1000 графічних процесорів A100 для створення кластера може обійтися вартістю понад 10 мільйонів доларів.

Інвестиції Bloomberg у розмірі понад мільйон доларів особливо вражають у порівнянні зі швидким прогресом ШІ. Дивно, але модель вартістю всього 100 доларів змогла перевершити показники BloombergGPT всього за півроку. Хоча навчання BloombergGPT включало власні дані, переважна більшість (99.30%) їхнього набору даних була загальнодоступною. Приходить FinGPT.

FinGPT

FinGPT — це найсучасніша фінансова тонко налаштована велика мовна модель (FinLLM). FinGPT, розроблений AI4Finance-Foundation, наразі перевершує інші моделі як за економічною ефективністю, так і загалом за точністю.

Наразі він має 3 версії; Серія FinGPT v3 — це моделі, вдосконалені за допомогою методу LoRA, і вони навчаються на новинах і твітах для аналізу настроїв. Вони показують найкращі результати в багатьох тестах фінансових настроїв. FinGPT v3.1 побудовано на моделі chatglm2-6B, а FinGPT v3.2 — на основі Лама 2-7б модель.

FINGPT

Операції FinGPT:

1. Джерело даних та розробка:
   • Збір даних: використовує дані з авторитетних джерел, таких як Yahoo, Reuters тощо, FinGPT об’єднує широкий спектр фінансових новин, що охоплюють акції США та CN.
   • Обробка даних: ці необроблені дані проходять багато етапів очищення, токенізації та оперативного проектування, щоб забезпечити їх релевантність і точність.
2. Великі мовні моделі (LLM):
   • Навчання: Використовуючи підібрані дані, LLM можна не лише налаштувати для створення легких моделей, адаптованих до конкретних потреб, але й адаптувати існуючі моделі чи API для підтримки програм.
   • Стратегії тонкого налаштування:
     • Тензорні шари (Лора): Однією з ключових проблем у розробці таких моделей, як FinGPT, є отримання високоякісних мічених даних. Розуміючи цю проблему, FinGPT використовує інноваційний підхід. Замість того, щоб покладатися виключно на традиційне маркування, ринкові коливання цін на акції використовуються як мітки, перетворюючи настрої новин у відчутні мітки, як-от позитивні, негативні чи нейтральні. Це призводить до значного покращення передбачуваних здібностей моделі, зокрема у розрізненні позитивних і негативних настроїв. За допомогою таких методів тонкого налаштування, як LoRA, FinGPT v3 вдалося оптимізувати продуктивність, одночасно зменшивши витрати на обчислення.
     • Навчання з підкріпленням на основі відгуків людини: FinGPT використовує "RLHF (навчання з підкріпленням на основі відгуків людини)“. Функція, відсутня в BloombergGPT, RLHF надає модель LLM здатністю розпізнавати індивідуальні вподобання — будь то схильність користувача до ризику, моделі інвестування чи індивідуальні налаштування робо-консультанта. Ця техніка, яка є наріжним каменем ChatGPT і GPT4, забезпечує більш індивідуальний та інтуїтивно зрозумілий досвід користувача.
3. Додатки та інновації:
   • Робо-радник: як досвідчений фінансовий радник, FinGPT може аналізувати настрої в новинах і прогнозувати ринкові тенденції з великою точністю.
   • Кількісна торгівля: шляхом виявлення настроїв із різних джерел, від новин до Twitter, FinGPT може сформулювати ефективні торгові стратегії. Насправді, навіть якщо він керується виключно настроями Twitter, він демонструє багатообіцяючі результати торгівлі.

Порівняння FinGPT із ChatGLM, LLAMA 2, BloombergGPT

Поточна траєкторія та майбутнє FinGPT: Липень 2023 року знаменує собою захоплюючу віху для FinGPT. Команда оприлюднила дослідницьку статтю під назвою «Instruct-FinGPT: аналіз фінансових настроїв шляхом налаштування інструкцій великих мовних моделей загального призначення.” Центральним у цьому документі є дослідження налаштування інструкцій, техніки, яка дозволяє FinGPT виконувати складний аналіз фінансових настроїв.

Але FinGPT не обмежується лише аналізом настроїв. Насправді доступно 19 інших різноманітних програм, кожна з яких обіцяє використовувати LLM новими способами. Від швидкого проектування до розуміння складних фінансових контекстів, FinGPT утверджується як універсальна модель GenAI у сфері фінансів.

Як глобальні банки використовують Generative AI

Хоча на початку 2023 року деякі великі фінансові гравці, як-от Bank of America, Citigroup і Goldman Sachs, наклали обмеження на використання OpenAI ChatGPT своїми співробітниками, інші партнери в галузі рішуче обирають більш активну позицію.

Morgan Stanley, наприклад, інтегрував чат-ботів на основі OpenAI як інструмент для своїх фінансових радників. Завдяки розширеним внутрішнім дослідженням і даним фірми ці чат-боти служать багатими ресурсами знань, підвищуючи ефективність і точність фінансового консультування.

У березні цього року, Хедж-фонд Цитадель намагався забезпечити ліцензію ChatGPT для всього підприємства. Перспективна реалізація передбачає посилення таких напрямків, як розробка програмного забезпечення та аналіз складної інформації.

JPMorgan Chase також докладає зусиль для використання великих мовних моделей для виявлення шахрайства. Їхня методологія обертається навколо використання шаблонів електронної пошти для виявлення потенційних компромісів. Не зупиняючись на цьому, банк також поставив перед собою амбітну мету: додавання якнайбільше  Вартість 1.5 мільярда доларів із ШІ до кінця року.

Що стосується Goldman Sachs, вони не зовсім стійкі до привабливості ШІ. Банк досліджує можливості генеративного штучного інтелекту для зміцнення сфери розробки програмного забезпечення. як Марко Аргенті, головний інформаційний директор Goldman Sachs, каже, така інтеграція має потенціал перетворити їхню робочу силу на щось "надлюдський».

Варіанти використання Generative AI у банківській та фінансовій галузі

Генеративний ШІ у фінансових випадках

Генеративний штучний інтелект докорінно змінює фінансові операції, процес прийняття рішень і взаємодію з клієнтами. Ось детальне дослідження його застосувань:

1. Запобігання шахрайству: Generative AI знаходиться в авангарді розробки передових механізмів виявлення шахрайства. Аналізуючи величезні масиви даних, він може виявляти складні закономірності та порушення, пропонуючи більш проактивний підхід. Традиційні системи, часто перевантажені великим обсягом даних, можуть давати помилкові спрацьовування. Generative AI, навпаки, постійно вдосконалює своє розуміння, зменшуючи помилки та забезпечуючи більш безпечні фінансові транзакції.

2. Оцінка кредитного ризику: Традиційні методи оцінки кредитоспроможності позичальника хоч і надійні, але застарівають. Генеративні моделі штучного інтелекту за допомогою різноманітних параметрів – від кредитних історій до тонких моделей поведінки – пропонують комплексний профіль ризику. Це не тільки забезпечує безпечніше кредитування, але й обслуговує ширшу клієнтуру, включно з тими, кого традиційні показники можуть недостатньо обслуговувати.

3. Розширення взаємодії з клієнтами: Фінансовий світ є свідком революції в обслуговуванні клієнтів завдяки генеративним моделям НЛП на основі ШІ. Ці моделі вправно розуміють різноманітні запити клієнтів і відповідають на них, пропонуючи персоналізовані рішення в найкоротші терміни. Автоматизуючи рутинні завдання, фінансові установи можуть зменшити накладні витрати, оптимізувати операції та, що найважливіше, підвищити рівень задоволеності клієнтів.

4. Персоналізовані фінансові дані: Універсал — це пережиток минулого. Сучасні клієнти вимагають фінансового планування, адаптованого до їхніх унікальних потреб і прагнень. Generative AI тут перевершує. Аналізуючи дані – від моделей витрат до інвестиційних переваг – він створює індивідуальні фінансові дорожні карти. Цей цілісний підхід гарантує, що клієнти отримають кращу інформацію та зможуть орієнтуватися у своєму фінансовому майбутньому.

5. Алгоритмічна торгівля: Аналітична майстерність Generative AI виявляється неоціненною в нестабільному світі алгоритмічної торгівлі. Аналізуючи дані – від ринкових тенденцій до настроїв у новинах – він дає глибоку інформацію, що дозволяє фінансовим експертам оптимізувати стратегії, передбачити зміни на ринку та зменшити потенційні ризики.

6. Посилення механізмів відповідності: Правила боротьби з відмиванням грошей (AML) мають вирішальне значення для підтримки цілісності фінансових систем. Generative AI спрощує відповідність, відсіюючи складні дані транзакцій, щоб точно визначити підозрілі дії. Це не тільки забезпечує дотримання фінансовими установами світових стандартів, але й значно зменшує ймовірність помилкових спрацьовувань, оптимізуючи операції.

7. Кібербезпека: Оскільки кіберзагрози постійно розвиваються, фінансовий сектор потребує гнучких рішень. Generative AI пропонує саме це. Впроваджуючи динамічні прогностичні моделі, він дозволяє швидше виявляти загрози, зміцнюючи фінансову інфраструктуру від потенційних зломів.

Однак, як і у випадку з будь-якою технологією, що розвивається, генеративний штучний інтелект справді має ряд проблем у фінансовій галузі.

Виклики

1. Посилення зсуву: Моделі ШІ, якими б складними вони не були, все ще покладаються на навчальні дані, створені людиною. Ці дані з властивими їм упередженнями — навмисними чи ні — можуть призвести до викривлених результатів. Наприклад, якщо певна демографічна група недостатньо представлена ​​в навчальному наборі, наступні результати штучного інтелекту можуть увічнити цей недогляд. У такому секторі, як фінанси, де справедливість і справедливість мають першорядне значення, такі упередження можуть призвести до тяжких наслідків. Фінансові керівники повинні бути проактивними у виявленні цих упереджень і гарантувати, що їхні набори даних є максимально повними та репрезентативними.
2. Надійність виводу та прийняття рішень: Генеративний штучний інтелект іноді може давати результати, які є як неправильними, так і оманливими, що часто називають «галюцинацій'. Ці помилки є дещо очікуваними, оскільки моделі штучного інтелекту вдосконалюються та навчаються, але наслідки у фінансах, де точність не підлягає обговоренню, є серйозними. Покладатися виключно на штучний інтелект для прийняття важливих рішень, таких як схвалення кредитів, небезпечно. Натомість ШІ слід розглядати як складний інструмент, який допомагає фінансовим експертам, а не той, що замінює їх. Він має обробляти обчислювальну вагу, надаючи людям-професіоналам інформацію для прийняття остаточних обґрунтованих рішень.
3. Конфіденційність даних і відповідність вимогам: Захист конфіденційних даних клієнтів залишається серйозною проблемою для генеративних програм ШІ. Переконайтеся, що система відповідає світовим стандартам, таким як Положення про захист персональних даних Загальні (GDPR) та Каліфорнійський закон про конфіденційність споживачів (CCPA) має вирішальне значення. ШІ може за своєю суттю не знати або поважати ці межі, тому його використання має бути помірковане суворими правилами захисту даних, особливо у фінансовому секторі, де конфіденційність має першорядне значення.
4. Якість вхідних даних: Генеративний штучний інтелект настільки хороший, наскільки хороші дані, які йому надсилаються. Неточні або неповні дані можуть ненавмисно призвести до недоречних фінансових порад або рішень.

Висновок

Від вдосконалення торгових стратегій до зміцнення безпеки, програми Generative AI є величезними та трансформаційними. Однак, як і до будь-якої іншої технології, важливо підходити до її впровадження з обережністю, враховуючи етичні наслідки та наслідки для конфіденційності.

Ті інституції, які успішно використовують майстерність генеративного штучного інтелекту, водночас поважаючи його обмеження та потенційні підводні камені, безсумнівно, сформують майбутню траєкторію глобальної фінансової арени.