Trí tuệ nhân tạo tạo sinh trong Tài chính: FinGPT, BloombergGPT & Beyond

Recent estimates by McKinsey suggest that this Generative AI could offer annual savings of up to $340 billion for the banking sector alone.

BloombergGPT & Kinh tế của Trí tuệ nhân tạo tạo sinh

In tháng 3 2023, Bloomberg showcased BloombergGPT. It is a language model built from scratch with 50 billion parameters, tailored specifically for financial data.

To save money, you sometimes need to spend money. Training models like BloombergGPT or Meta’s Llama 2 aren’t cheap.

Training Llama 2’s 70 billion parameter model required 1,700,000 GPU hours. On commercial cloud services, employing the Nvidia A100 GPU (NVDA ) (used for Llama 2) can set one back by $1-$2 for every GPU hour. Doing the math, a 10 billion parameter model could cost around $150,000, while a 100 billion parameter model could cost as high as $1,500,000.

If not renting, purchasing the GPUs outright is an alternative. Yet, buying around 1000 A100 GPUs to form a cluster might set one back by more than $10 million.

Bloomberg’s investment of over a million dollars is particularly eye-opening when juxtaposed against the rapid advancements in AI. Astonishingly, a model costing just $100 managed to surpass BloombergGPT’s performance in just half a year. While BloombergGPT’s training incorporated proprietary data a vast majority (99.30%) of their dataset was publicly accessible. Comes FinGPT.

FinGPT

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

Nó hiện có 3 phiên bản; loạt FinGPT v3 là các mô hình được cải tiến bằng phương pháp LoRA, và chúng được đào tạo trên tin tức và tweet để phân tích cảm xúc. Chúng hoạt động tốt nhất trong nhiều thử nghiệm cảm xúc tài chính. FinGPT v3.1 được xây dựng trên mô hình chatglm2-6B, trong khi FinGPT v3.2 dựa trên mô hình Llama2-7b.

FINGPT

Hoạt động của FinGPT:

1. Nguồn dữ liệu và Kỹ thuật:
   • Thu thập dữ liệu: Sử dụng dữ liệu từ các nguồn uy tín như Yahoo, Reuters, và nhiều hơn, FinGPT kết hợp một loạt các tin tức tài chính, từ cổ phiếu Mỹ đến cổ phiếu Trung Quốc.
   • Xử lý dữ liệu: Dữ liệu thô này trải qua nhiều giai đoạn làm sạch, phân tích và kỹ thuật tạo mẫu để đảm bảo tính liên quan và chính xác.
2. Mô hình Ngôn ngữ Lớn (LLM):
   • Đào tạo: Sử dụng dữ liệu được thu thập, không chỉ có thể đào tạo LLM để tạo ra các mô hình nhẹ tinh chỉnh cho các nhu cầu cụ thể, mà còn có thể thích nghi các mô hình hoặc API hiện có để hỗ trợ ứng dụng.
   • Chiến lược Tinh chỉnh:
     • Lớp Tensor (LoRA): Một trong những thách thức chính trong việc phát triển các mô hình như FinGPT là việc có được dữ liệu nhãn chất lượng cao. Nhận ra thách thức này, FinGPT áp dụng một cách tiếp cận sáng tạo. Thay vì chỉ dựa vào việc gắn nhãn truyền thống, các mô hình sử dụng sự biến động của giá cổ phiếu trên thị trường làm nhãn, dịch cảm xúc tin tức thành các nhãn cụ thể như tích cực, tiêu cực hoặc trung lập. Điều này dẫn đến sự cải thiện đáng kể khả năng dự đoán của mô hình, đặc biệt là trong việc phân biệt cảm xúc tích cực và tiêu cực. Thông qua các kỹ thuật tinh chỉnh như LoRA, FinGPT v3 đã tối ưu hóa hiệu suất trong khi giảm tải 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 – dù đó là khẩu vị rủi ro, mẫu đầu tư hoặc cài đặt cố vấn robot tùy chỉnh. Kỹ thuật này, một phần quan trọng của cả ChatGPT và GPT4, đảm bảo trải nghiệm người dùng được tùy chỉnh và trực quan hơn.
3. Ứng dụng và Đổi mới:
   • Cố vấn Robot: Giống như một cố vấn tài chính có kinh nghiệm, FinGPT có thể phân tích cảm xúc 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 các nguồn đa dạng, từ các hãng tin đến Twitter, FinGPT có thể xây dựng các chiến lược giao dịch hiệu quả. Trên thực tế, ngay cả khi chỉ dựa trên cảm xúc từ Twitter, nó đã thể hiện kết quả giao dịch đầy hứa hẹn.

FinGPT comparison with ChatGLM, LLAMA 2, BloombergGPT

Đường lối Hiện tại và Tương lai của FinGPT: Tháng 7 năm 2023 đánh dấu một cột mốc thú vị cho FinGPT. Đội ngũ đã công bố một bài báo nghiên cứu có tiêu đề, “Instruct-FinGPT: Phân tích Cảm xúc Tài chính bằng cách Tinh chỉnh Hướng dẫn của Mô hình Ngôn ngữ Lớn Tổng quát.” Trung tâm của bài báo này là việc khám phá kỹ thuật tinh chỉnh hướng dẫn, cho phép FinGPT thực hiện các phân tích cảm xúc tài chính phức tạp.

Nhưng FinGPT không chỉ giới hạn ở phân tích cảm xúc. Trên thực tế, có 19 ứng dụng đa dạng khác, mỗi ứng dụng đều hứa hẹn khai thác LLM theo những cách mới mẻ. Từ kỹ thuật tạo mẫu đến hiểu biết về các ngữ cảnh tài chính phức tạp, FinGPT đang thiết lập mình như một mô hình GenAI đa năng trong lĩnh vực tài chính.

Làm thế nào các Ngân hàng Toàn cầu đang Nhận ra Trí tuệ nhân tạo Tạo sinh

Trong khi đầu năm 2023 chứng kiến một số người chơi tài chính lớn như Bank of America (BAC ), Citigroup và Goldman Sachs áp đặt các hạn chế về việc sử dụng ChatGPT của OpenAI bởi nhân viên của họ, các đối tác khác trong ngành đã quyết định chọn một thái độ chấp nhận hơn.

Morgan Stanley (MS ), ví dụ, đã tích hợp các rô-bốt trò chuyện được hỗ trợ bởi OpenAI như một công cụ cho các cố vấn tài chính của họ. Bằng cách tận dụng nghiên cứu và dữ liệu nội bộ rộng lớn của công ty, những rô-bốt trò chuyện này phục vụ như các nguồn kiến thức phong phú, tăng cường hiệu quả và độ chính xác của tư vấn tài chính.

Vào tháng 3 năm nay, Hedge fund Citadel đang đàm phán để có được giấy phép ChatGPT toàn doanh nghiệp. Việc triển khai tiềm năng dự kiến sẽ tăng cường các lĩnh vực như phát triển phần mềm và phân tích thông tin phức tạp.

JPMorgan Chase cũng đang đầu tư vào việc sử dụng các mô hình ngôn ngữ lớn để phát hiện gian lận. Phương pháp của họ tập trung vào việc sử dụng mẫu email để xác định các vi phạm tiềm ẩn. Không dừng lại ở đó, ngân hàng đã đặt mục tiêu tham vọng: thêm tới $1,5 tỷ giá trị với AI vào cuối năm.

Về Goldman Sachs, họ không hoàn toàn miễn nhiễm với sức hút của AI. Ngân hàng đang khám phá sức mạnh của trí tuệ nhân tạo tạo sinh để củng cố lĩnh vực kỹ thuật phần mềm của mình. Như Marco Argenti, Giám đốc Thông tin của Goldman Sachs, cho biết, sự tích hợp như vậy có tiềm năng biến lực lượng lao động của họ thành điều “siêu nhân.”

Ứng dụng của Trí tuệ nhân tạo Tạo sinh trong Ngành Ngân hàng và Tài chính

Generative AI in Finance Use Cases

Trí tuệ nhân tạo tạo sinh đang biến đổi cơ bản các hoạt động tài chính, quá trình ra quyết định và tương tác với khách hàng. Dưới đây là một cuộc khám phá chi tiết về các ứng dụng của nó:

1. Phòng chống Gian lận: Trí tuệ nhân tạo tạo sinh đang ở tiền phong trong việc phát triển các cơ chế phát hiện gian lận tiên tiến. Bằng cách phân tích các hồ dữ liệu lớn, nó có thể xác định các mẫu và bất thường phức tạp, cung cấp một cách tiếp cận chủ động hơn. Các hệ thống truyền thống, thường bị áp đảo bởi khối lượng dữ liệu, có thể tạo ra các kết quả dương tính giả. Trí tuệ nhân tạo tạo sinh, ngược lại, liên tục tinh chỉnh sự hiểu biết của mình, giảm thiểu sai sót và đảm bảo các giao dịch tài chính an toàn hơn.

2. Đánh giá Rủi ro Tín dụng: Các phương pháp truyền thống để đánh giá khả năng tín dụng của người vay, trong khi đáng tin cậy, đang trở nên lỗi thời. Các mô hình trí tuệ nhân tạo tạo sinh, thông qua các tham số đa dạng – từ lịch sử tín dụng đến các mẫu hành vi tinh vi – cung cấp một hồ sơ rủi ro toàn diện. Điều này không chỉ đảm bảo cho vay an toàn hơn mà còn đáp ứng một khách hàng rộng lớn hơn, bao gồm cả những người có thể bị phục vụ không đầy đủ bởi các chỉ số truyền thống.

3. Tăng cường Tương tác Khách hàng: Thế giới tài chính đang chứng kiến một cuộc cách mạng trong dịch vụ khách hàng, nhờ vào các mô hình NLP được hỗ trợ bởi trí tuệ nhân tạo tạo sinh. Những mô hình này giỏi trong việc hiểu và trả lời các câu hỏi của khách hàng đa dạng, cung cấp các giải pháp được cá nhân hóa một cách nhanh chóng. Bằng cách tự động hóa các nhiệm vụ thường xuyên, các tổ chức tài chính có thể giảm chi phí, tối ưu hóa hoạt động và quan trọng nhất, nâng cao sự hài lòng của khách hàng.

4. Tài chính Cá nhân hóa: Một kích cỡ phù hợp với tất cả là một di tích của quá khứ. Ngày nay, khách hàng đòi hỏi việc lập kế hoạch tài chính được tùy chỉnh theo nhu cầu và khát vọng độc đáo của họ. Trí tuệ nhân tạo tạo sinh xuất sắc trong lĩnh vực này. Bằng cách phân tích dữ liệu – từ mẫu chi tiêu đến sở thích đầu tư – nó tạo ra các kế hoạch tài chính được cá nhân hóa. Cách tiếp cận toàn diện này đảm bảo khách hàng được thông tin tốt hơn và được trang bị tốt hơn để điều hướng tương lai tài chính của họ.

5. Giao dịch Thuật toán: Sức mạnh phân tích của trí tuệ nhân tạo tạo sinh đang 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 cảm xúc tin tức – nó cung cấp những hiểu biết sâu sắc, cho phép các chuyên gia tài chính tối ưu hóa chiến lược, dự đoán sự thay đổi của thị trường và giảm thiểu rủi ro tiềm ẩn.

6. Củng cố Khung pháp lý Tuân thủ: Các quy định về Chống Rửa tiền (AML) là rất quan trọng trong việc duy trì tính toàn vẹn của các hệ thống tài chính. Trí tuệ nhân tạo tạo sinh 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 tạo ra các kết quả dương tính giả, tối ưu hóa hoạt động.

7. An ninh mạng: Với các mối đe dọa mạng liên tục phát triển, ngành tài chính cần các giải pháp linh hoạt. Trí tuệ nhân tạo tạo sinh cung cấp chính xác điều đó. Việc triển khai các mô hình dự đoán động cho phép phát hiện mối đe dọa nhanh hơn, củng cố cơ sở hạ tầng tài chính chống lại các vi phạm tiềm ẩn.

Tuy nhiên, giống như bất kỳ công nghệ nào đang phát triển, trí tuệ nhân tạo tạo sinh cũng đi kèm với một tập hợp các thách thức trong ngành tài chính.

Thách thức

1. Tăng Cường Sự偏见: Các mô hình AI, dù tinh vi đến đâu, vẫn phụ thuộc vào dữ liệu đào tạo do con người tạo ra. Dữ liệu này, với những sự偏见 vốn có – dù cố ý hay không – có thể dẫn đến kết quả bị歪曲. Trong một lĩnh vực như tài chính, nơi công bằng và công lý là tối quan trọng, những sự偏见 như vậy có thể dẫn đến hậu quả nghiêm trọng. Các nhà lãnh đạo tài chính cần phải chủ động trong việc xác định những sự偏见 này và đảm bảo rằng các tập dữ liệu của họ là toàn diện và đại diện nhất có thể.
2. Tính Tin cậy của Đầu ra và Ra quyết định: Trí tuệ nhân tạo tạo sinh, đôi khi, có thể tạo ra kết quả sai và lừa đảo – thường được gọi là ‘ảo giác‘. Những sai lầm này là khá dự kiến 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 nghiêm trọng. Việc dựa hoàn toàn vào AI cho các quyết định quan trọng, như phê duyệt khoản vay, là nguy hiểm. Thay vào đó, AI nên được xem như một công cụ tinh vi hỗ trợ các chuyên gia tài chính, không phải là thứ thay thế họ. Nó nên xử lý trọng lượng tính toán, cung cấp thông tin để các chuyên gia có thể đưa ra quyết định cuối cùng, thông minh.
3. Riêng tư Dữ liệu và Tuân thủ: Bảo vệ dữ liệu khách hàng nhạy cảm vẫn là một mối quan ngại lớn với các ứng dụng trí tuệ nhân tạo tạo sinh. Đảm bảo hệ thống tuân thủ các tiêu chuẩn toàn cầu như Quy định Bảo vệ Dữ liệu Chung (GDPR) và Đạo luật Quyền riêng tư của Người tiêu dùng California (CCPA) là rất quan trọng. AI có thể không biết hoặc tôn trọng những ranh giới này, vì vậy việc sử dụng nó phải được điều tiết bởi các hướng dẫn bảo vệ dữ liệu nghiêm ngặt, đặc biệt là trong lĩnh vực tài chính nơi bí mật là tối quan trọng.
4. Chất lượng Dữ liệu Đầu vào: Trí tuệ nhân tạo tạo sinh chỉ tốt như dữ liệu được cung cấp cho nó. Dữ liệu không chính xác hoặc không đầy đủ có thể vô tình dẫn đến tư vấn tài chính hoặc quyết định kém.

Kết luận

Từ việc tăng cường các chiến lược giao dịch đến củng cố an ninh, các ứng dụng của Trí tuệ nhân tạo tạo sinh là rộng lớn và biến đổi. Tuy nhiên, giống như bất kỳ công nghệ nào, điều quan trọng là phải tiếp cận việc áp dụng nó một cách thận trọng, xem xét các tác động về đạo đức và riêng tư.

Những tổ chức thành công trong việc khai thác sức mạnh của trí tuệ nhân tạo tạo sinh, đồng thời tôn trọng những hạn chế và cạm bẫy tiềm ẩn của nó, sẽ không nghi ngờ gì về việc định hình tương lai của sân chơi tài chính toàn cầu.