AI sáng tạo trong tài chính: FinGPT, BloombergGPT và hơn thế nữa

AI sáng tạo đề cập đến các mô hình có thể tạo ra các mẫu dữ liệu mới tương tự với dữ liệu đầu vào. Thành công của ChatGPT đã mở ra nhiều cơ hội cho nhiều ngành nghề, truyền cảm hứng cho các doanh nghiệp thiết kế mô hình ngôn ngữ lớn của riêng mình. Lĩnh vực tài chính, được thúc đẩy bởi dữ liệu, giờ đây thậm chí còn sử dụng nhiều dữ liệu hơn bao giờ hết.

Ước tính gần đây của McKinsey gợi ý rằng Generative AI này có thể mang lại khoản tiết kiệm hàng năm lên tới 340 tỷ USD cho riêng lĩnh vực ngân hàng.

BloombergGPT & Kinh tế của Generative AI 

Vào tháng 2023 năm XNUMX, Bloomberg đã giới thiệu BloombergGPT. Đây là mô hình ngôn ngữ được xây dựng từ đầu với 50 tỷ tham số, được thiết kế riêng cho dữ liệu tài chính.

Để tiết kiệm tiền, đôi khi bạn cần phải tiêu tiền. Các mô hình đào tạo như BloombergGPT hay Llama 2 của Meta không hề rẻ.

Việc đào tạo mô hình tham số 2 tỷ của Llama 70 cần 1,700,000 giờ GPU. Trên các dịch vụ đám mây thương mại, việc sử dụng GPU Nvidia A100 (được sử dụng cho Llama 2) có thể giảm bớt $1-$2 cho mỗi giờ GPU. Làm phép toán, một mô hình tham số 10 tỷ có thể có giá khoảng 150,000 USD, trong khi mô hình tham số 100 tỷ có thể có giá lên tới 1,500,000 USD.

Nếu không thuê, mua GPU hoàn toàn là một giải pháp thay thế. Tuy nhiên, việc mua khoảng 1000 GPU A100 để tạo thành một cụm có thể tiêu tốn hơn 10 triệu USD.

Khoản đầu tư hơn một triệu đô la của Bloomberg đặc biệt đáng chú ý khi đặt cạnh những tiến bộ nhanh chóng trong AI. Điều đáng kinh ngạc là một mẫu xe có giá chỉ 100 USD lại có thể vượt qua hiệu suất của BloombergGPT chỉ trong nửa năm. Trong khi chương trình đào tạo của BloombergGPT kết hợp dữ liệu độc quyền thì phần lớn (99.30%) tập dữ liệu của họ có thể truy cập công khai. đi kèm FinGPT.

FinGPT

FinGPT là mô hình ngôn ngữ lớn được tinh chỉnh tài chính tiên tiến nhất (FinLLM). Được phát triển bởi AI4Finance-Foundation, FinGPT hiện đang vượt trội so với các mô hình khác về cả hiệu quả chi phí và độ chính xác nói chung.

Nó hiện có 3 phiên bản; Dòng FinGPT v3 là các mô hình được cải tiến bằng phương pháp LoRA và chúng được đào tạo về tin tức và tweet để phân tích cảm xúc. Họ thực hiện tốt nhất trong nhiều bài kiểm tra tình cảm tài chính. FinGPT v3.1 được xây dựng trên mô hình chatglm2-6B, trong khi FinGPT v3.2 dựa trên mô hình Llama2-mô hình 7b.

FINGPT

Hoạt động của FinGPT:

1. Tìm nguồn dữ liệu và kỹ thuật:
   • Thu thập dữ liệu: Sử dụng dữ liệu từ các nguồn có uy tín như Yahoo, Reuters, v.v., FinGPT tổng hợp một loạt tin tức tài chính, từ chứng khoán Mỹ đến chứng khoán CN.
   • Xử lí dữ liệu: Dữ liệu thô này trải qua nhiều giai đoạn làm sạch, mã thông báo và kỹ thuật nhanh chóng để đảm bảo tính liên quan và chính xác của nó.
2. Mô hình ngôn ngữ lớn (LLM):
   • Hội thảo: Bằng cách sử dụng dữ liệu được quản lý, LLM không chỉ có thể được tinh chỉnh để tạo ra các mô hình nhẹ phù hợp với nhu cầu cụ thể mà các mô hình hoặc API hiện có cũng có thể được điều chỉnh để hỗ trợ các ứng dụng.
   • Chiến lược tinh chỉnh:
     • Các lớp tenxơ (LoRA): Một trong những thách thức chính trong việc phát triển các mô hình như FinGPT là thu được dữ liệu được dán nhãn chất lượng cao. Nhận thức được thách thức này, FinGPT áp dụng cách tiếp cận sáng tạo. Thay vì chỉ dựa vào việc ghi nhãn truyền thống, biến động giá cổ phiếu theo định hướng thị trường được sử dụng làm nhãn, chuyển cảm xúc tin tức thành các nhãn hữu hình như tích cực, tiêu cực hoặc trung tính. Điều này dẫn đến những cải tiến lớn về khả năng dự đoán của mô hình, đặc biệt là trong việc phân biệt các cảm xúc tích cực và tiêu cực. Thông qua các kỹ thuật tinh chỉnh như LoRA, FinGPT v3 đã tối ưu hóa hiệu suất đồng thời giảm chi phí tính toán.
     • Học tăng cường từ phản hồi của con người: FinGPT sử dụng “RLHF (Học tăng cường từ phản hồi của con người)“. Một tính năng không có trong BloombergGPT, RLHF trang bị cho mô hình LLM khả năng phân biệt sở thích cá nhân—có thể là mức độ chấp nhận rủi ro, mô hình đầu tư hoặc cài đặt cố vấn robot phù hợp của người dùng. Kỹ thuật này, nền tảng của cả ChatGPT và GPT4, đảm bảo trải nghiệm người dùng phù hợp và trực quan hơn.
3. Ứng dụng và đổi mới:
   • Cố vấn Robo: Giống như một cố vấn tài chính dày dạn kinh nghiệm, FinGPT có thể phân tích tâm lý tin tức và dự đoán xu hướng thị trường với độ chính xác cao.
   • Giao dịch định lượng: Bằng cách xác định cảm xúc từ nhiều nguồn khác nhau, từ các kênh tin tức đến Twitter, FinGPT có thể hình thành các chiến lược giao dịch hiệu quả. Trên thực tế, ngay cả khi chỉ được định hướng bởi cảm xúc của Twitter, nó vẫn cho thấy kết quả giao dịch đầy hứa hẹn.

So sánh FinGPT với ChatGLM, LLAMA 2, BloombergGPT

Quỹ đạo hiện tại và tương lai của FinGPT: Tháng 2023 năm XNUMX đánh dấu một cột mốc thú vị đối với FinGPT. Nhóm nghiên cứu đã công bố một bài nghiên cứu có tựa đề “Instruct-FinGPT: Phân tích tâm lý tài chính bằng cách điều chỉnh hướng dẫn của các mô hình ngôn ngữ lớn có mục đích chung.” Trọng tâm của bài viết này là khám phá việc điều chỉnh hướng dẫn, một kỹ thuật cho phép FinGPT thực hiện các phân tích tâm lý tài chính phức tạp.

Nhưng FinGPT không chỉ giới hạn ở việc phân tích tình cảm. Trên thực tế, có sẵn 19 ứng dụng đa dạng khác, mỗi ứng dụng hứa hẹn sẽ thúc đẩy LLM theo những cách mới. Từ kỹ thuật nhanh chóng đến hiểu biết bối cảnh tài chính phức tạp, FinGPT đang tự khẳng định mình là một mô hình GenAI linh hoạt trong lĩnh vực tài chính.

Các ngân hàng toàn cầu đang áp dụng AI sáng tạo như thế nào

Trong khi đầu năm 2023 chứng kiến ​​​​một số công ty tài chính lớn như Bank of America, Citigroup và Goldman Sachs áp đặt các hạn chế đối với việc nhân viên của họ sử dụng ChatGPT của OpenAI, thì các đối tác khác trong ngành đã quyết định chọn một lập trường thân thiện hơn.

Morgan Stanleychẳng hạn, đã tích hợp các chatbot do OpenAI cung cấp làm công cụ cho các cố vấn tài chính của họ. Bằng cách khai thác dữ liệu và nghiên cứu nội bộ sâu rộng của công ty, các chatbot này đóng vai trò là nguồn tài nguyên kiến ​​thức phong phú, nâng cao hiệu quả và độ chính xác của tư vấn tài chính.

Vào tháng XNUMX năm nay, Quỹ phòng hộ Citadel đang tìm cách đảm bảo giấy phép ChatGPT trên toàn doanh nghiệp. Việc triển khai trong tương lai dự kiến ​​sẽ củng cố các lĩnh vực như phát triển phần mềm và phân tích thông tin phức tạp.

JPMorgan Chase cũng đang nỗ lực khai thác các mô hình ngôn ngữ lớn để phát hiện gian lận. Phương pháp của họ xoay quanh việc sử dụng các mẫu email để xác định các nguy cơ tiềm ẩn. Không dừng lại ở đây, ngân hàng còn đặt ra mục tiêu đầy tham vọng: tăng thêm càng nhiều càng tốt.  Giá trị 1.5 tỷ USD nhờ AI vào cuối năm nay.

Đối với Goldman Sachs, họ không hoàn toàn chống lại sức hấp dẫn của AI. Ngân hàng đang khám phá sức mạnh của AI tổng hợp để củng cố lĩnh vực công nghệ phần mềm của mình. BẰNG Marco Argenti, Giám đốc thông tin của Goldman Sachs, nói, sự tích hợp như vậy có khả năng biến lực lượng lao động của họ thành một thứ gì đó “siêu nhân".

Các trường hợp sử dụng AI sáng tạo trong ngành Tài chính Ngân hàng

AI sáng tạo trong các trường hợp sử dụng tài chính

AI sáng tạo đang chuyển đổi căn bản các hoạt động tài chính, ra quyết định và tương tác với khách hàng. Dưới đây là khám phá chi tiết về các ứng dụng của nó:

1. Phòng chống gian lận: AI sáng tạo luôn đi đầu trong việc phát triển các cơ chế phát hiện gian lận tiên tiến. Bằng cách phân tích các nhóm dữ liệu rộng lớn, nó có thể nhận ra các mô hình phức tạp và bất thường, đưa ra cách tiếp cận chủ động hơn. Các hệ thống truyền thống, thường bị choáng ngợp bởi khối lượng dữ liệu khổng lồ, có thể tạo ra kết quả dương tính giả. Ngược lại, Generative AI liên tục cải tiến sự hiểu biết của mình, giảm sai sót và đảm bảo các giao dịch tài chính an toàn hơn.

2. Đánh giá rủi ro tín dụng: Các phương pháp đánh giá uy tín tín dụng của người đi vay truyền thống tuy đáng tin cậy nhưng đang trở nên lỗi thời. Các mô hình AI sáng tạo thông qua các thông số đa dạng – từ lịch sử tín dụng đến các mô hình hành vi tinh vi – cung cấp hồ sơ rủi ro toàn diện. Điều này không chỉ đảm bảo cho vay an toàn hơn mà còn phục vụ nhóm khách hàng rộng hơn, bao gồm cả những người có thể chưa được phục vụ đúng mức theo các thước đo truyền thống.

3. Tăng cường tương tác với khách hàng: Thế giới tài chính đang chứng kiến ​​một cuộc cách mạng trong dịch vụ khách hàng nhờ các mô hình NLP sáng tạo được hỗ trợ bởi AI. Những mô hình này rất giỏi trong việc hiểu và đáp ứng các thắc mắc khác nhau của khách hàng, đưa ra các giải pháp được cá nhân hóa một cách nhanh chóng. Bằng cách tự động hóa các công việc thường ngày, các tổ chức tài chính có thể giảm chi phí chung, hợp lý hóa hoạt động và quan trọng nhất là nâng cao sự hài lòng của khách hàng.

4. Tài chính cá nhân hóa: Một kích thước phù hợp cho tất cả là một di tích của quá khứ. Khách hàng ngày nay yêu cầu lập kế hoạch tài chính phù hợp với nhu cầu và nguyện vọng riêng của họ. AI sáng tạo vượt trội ở đây. Bằng cách phân tích dữ liệu – từ mô hình chi tiêu đến ưu tiên đầu tư – nó tạo ra lộ trình tài chính cá nhân hóa. Cách tiếp cận toàn diện này đảm bảo khách hàng được cung cấp thông tin tốt hơn và được trang bị tốt hơn để định hướng tương lai tài chính của họ.

5. Giao dịch thuật toán: Năng lực phân tích của Generative AI đang được chứng minh là vô giá trong thế giới giao dịch thuật toán đầy biến động. Bằng cách phân tích dữ liệu – từ xu hướng thị trường đến tâm lý tin tức – nó cung cấp những hiểu biết sâu sắc, cho phép các chuyên gia tài chính tối ưu hóa chiến lược, dự đoán những thay đổi của thị trường và giảm thiểu rủi ro tiềm ẩn.

6. Tăng cường khuôn khổ tuân thủ: Các quy định chống rửa tiền (AML) rất quan trọng trong việc duy trì tính toàn vẹn của hệ thống tài chính. AI sáng tạo đơn giản hóa việc tuân thủ bằng cách sàng lọc dữ liệu giao dịch phức tạp để xác định các hoạt động đáng ngờ. Điều này không chỉ đảm bảo các tổ chức tài chính tuân thủ các tiêu chuẩn toàn cầu mà còn giảm đáng kể khả năng xảy ra sai sót, hợp lý hóa hoạt động.

7. An ninh mạng: Với các mối đe dọa mạng không ngừng phát triển, lĩnh vực tài chính cần các giải pháp linh hoạt. AI sáng tạo cung cấp chính xác điều đó. Triển khai các mô hình dự đoán động, nó cho phép phát hiện mối đe dọa nhanh hơn, củng cố cơ sở hạ tầng tài chính trước các vi phạm tiềm ẩn.

Tuy nhiên, giống như bất kỳ công nghệ đang phát triển nào, AI có tính sáng tạo luôn đi kèm với những thách thức trong ngành tài chính.

Những thách thức

1. Khuếch đại thiên vị: Các mô hình AI, dù phức tạp đến đâu, vẫn dựa vào dữ liệu đào tạo do con người tạo ra. Dữ liệu này, với những thành kiến ​​cố hữu—dù cố ý hay không—có thể dẫn đến kết quả sai lệch. Ví dụ: nếu một nhóm nhân khẩu học cụ thể không được trình bày đầy đủ trong tập huấn luyện thì kết quả đầu ra tiếp theo của AI có thể tiếp tục duy trì sự giám sát này. Trong một lĩnh vực như tài chính, nơi mà sự công bằng và bình đẳng được đặt lên hàng đầu, những thành kiến ​​như vậy có thể dẫn đến những hậu quả nghiêm trọng. Các nhà lãnh đạo tài chính cần phải chủ động xác định những thành kiến ​​này và đảm bảo bộ dữ liệu của họ toàn diện và mang tính đại diện nhất có thể.
2. Độ tin cậy đầu ra và ra quyết định: Đôi khi, AI sáng tạo có thể tạo ra kết quả vừa sai vừa gây hiểu lầm—thường được gọi là 'ảo giác'. Những sai lầm này phần nào được dự đoán trước khi các mô hình AI tinh chỉnh và học hỏi, nhưng hậu quả trong tài chính, nơi độ chính xác là không thể thương lượng, là rất nghiêm trọng. Chỉ dựa vào AI để đưa ra các quyết định quan trọng, chẳng hạn như phê duyệt khoản vay, là rất nguy hiểm. Thay vào đó, AI nên được xem như một công cụ tinh vi hỗ trợ các chuyên gia tài chính chứ không phải là công cụ thay thế họ. Nó sẽ xử lý khối lượng tính toán, cung cấp thông tin chi tiết để các chuyên gia con người đưa ra quyết định sáng suốt và cuối cùng.
3. Quyền riêng tư và tuân thủ dữ liệu: Bảo vệ dữ liệu nhạy cảm của khách hàng vẫn là mối quan tâm đáng kể với các ứng dụng AI tổng hợp. Đảm bảo hệ thống tuân thủ các tiêu chuẩn toàn cầu như Quy định về bảo vệ dữ liệu chung (GDPR) và Đạo luật bảo mật người tiêu dùng California (CCPA) là rất quan trọng. AI vốn có thể không biết hoặc tôn trọng những ranh giới này, vì vậy việc sử dụng nó phải được kiểm duyệt với các nguyên tắc bảo vệ dữ liệu nghiêm ngặt, đặc biệt là trong lĩnh vực tài chính nơi tính bảo mật là điều tối quan trọng.
4. Chất lượng dữ liệu đầu vào: AI sáng tạo chỉ hoạt động tốt khi dữ liệu được cung cấp cho nó. Dữ liệu không chính xác hoặc không đầy đủ có thể vô tình dẫn đến những lời khuyên hoặc quyết định tài chính kém chất lượng.

Kết luận

Từ việc nâng cao các chiến lược giao dịch đến tăng cường bảo mật, các ứng dụng Generative AI rất rộng lớn và có tính biến đổi. Tuy nhiên, giống như bất kỳ công nghệ nào, điều cần thiết là phải tiếp cận việc áp dụng nó một cách thận trọng, có tính đến các tác động về mặt đạo đức và quyền riêng tư.

Những tổ chức khai thác thành công sức mạnh của AI sáng tạo, đồng thời tôn trọng những hạn chế và cạm bẫy tiềm ẩn của nó, chắc chắn sẽ định hình quỹ đạo tương lai của lĩnh vực tài chính toàn cầu.