Source : « Brain Extreme Body » (ID : unity007), auteur : Zanghu
Source de l'image : générée par Unbounded AI
Il y a quelques années, j'ai interviewé un expert de l'industrie et il a évoqué une confusion majeure dans la mise en œuvre de la haute technologie dans l'industrie : deux couches de peau.
Certains résultats techniques particulièrement impressionnants ont été publiés dans des articles, ce qui constitue une couche de peau. Lorsque le personnel technique de l'entreprise commercialise ces résultats, il peut procéder à certaines simplifications pour des raisons d'ingénierie, ce qui constitue une autre couche de peau.
Il y a un écart entre les deux couches de peau, tout comme le spectacle du vendeur et celui de l'acheteur, elles ne sont pas intégrées et cohérentes.
Souvent, les entreprises dotées de talents techniques, de capacités de R&D et d'une volonté de transformation seront d'abord confrontées au problème des « deux couches de peau », ce qui suscite des doutes sur l'efficacité de la technologie et des taux de retour sur investissement flous.
Parmi les nombreuses personnes qui se précipitent dans l'engouement pour les grands modèles, les institutions financières pourraient être les premières à relever le défi des « deux couches de peau ».
Nous savons que le secteur financier a toujours été l'un des premiers à adopter les nouvelles technologies et a commencé très tôt à expérimenter l'IA. On peut dire qu'il est le « meilleur étudiant » en IA industrielle, et il dispose d'une bonne base d'informatisation et de numérique. Dans tous les scénarios de front, middle et back offices des institutions financières, il est possible de réduire les coûts et d’améliorer l’efficacité à l’aide de grands modèles. La finance est donc également considérée comme le scénario privilégié pour la mise en œuvre de grands modèles.
En tant que pionnier dans la mise en œuvre de grands modèles, si le domaine financier ne peut pas résoudre le problème des « deux couches de peau », cela signifie qu'il existe encore un écart entre le spectacle du vendeur et celui de l'acheteur dans l'application réelle des grands modèles.
Cet article espère clarifier quelles questions creusent le fossé entre la finance et les grands modèles ?
01 Question 1 : Qui est le principal ?
Puisqu’il s’agit d’un modèle à grande échelle, il sera bien sûr dirigé par des entreprises technologiques et des sociétés technologiques telles que OpenAI/BAT, et c’est quelque chose que les institutions financières ne veulent pas voir.
Un expert dans le domaine financier nous a dit qu'après la popularité de cette vague de grands modèles, les institutions financières étaient particulièrement anxieuses et éprouvaient une émotion FOMO (Fear of Missing Out).
En raison de la dernière vague technologique et de l’essor des smartphones et de l’Internet mobile, de nombreuses activités des banques et sociétés de titres traditionnelles ont été confisquées par les sociétés financières Internet. Selon les professionnels du secteur, cette « tragédie épique » ne doit jamais se reproduire.
Poussées par l'anxiété technologique, les institutions financières sont très actives pour suivre la tendance des grands modèles. Les fabricants de technologies n'ont guère besoin de faire beaucoup d'éducation du marché. L'ensemble du secteur a extrêmement bien réussi à accepter les grands modèles.
Dans le même temps, les institutions financières attachent également une grande importance à bien maîtriser les « puces de base » des grands modèles financiers, en mettant l'accent sur « me donner la priorité ». Certaines personnes du secteur bancaire l'ont souligné : seuls les grands modèles adaptés aux banques peuvent véritablement être appliqués en profondeur aux scénarios et aux processus commerciaux. **Comment le faire spécifiquement ?
**La première catégorie concerne les chips dures. **
Pour les institutions financières, la sécurité des données et le respect de la confidentialité sont des objectifs difficiles, sans compromis et soumis à des exigences très strictes. Cela conduit également à la nécessité d’une construction localisée ainsi que d’un déploiement et d’une exploitation privatisés de modèles financiers à grande échelle.
L’exigence d’un déploiement local présente des avantages et des inconvénients pour les grands fabricants de modèles. L’avantage est que par rapport au modèle MaaS d’autres secteurs qui appelle directement des interfaces API, le déploiement local a un prix unitaire plus élevé, des bénéfices plus élevés et une valeur commerciale plus élevée. L'inconvénient est que le déploiement privé nécessite un ensemble complet de solutions en matière de solutions cloud, de traitement des données, de stockage, de formation de modèles, d'ingénierie rapide, de services d'exploitation et de maintenance, etc. La concurrence ne se concentre pas seulement sur le modèle de base lui-même, qui augmente les coûts et difficultés pour les prestataires techniques.
**L'autre catégorie est celle des chips molles. **
Pour que les grands modèles financiers fonctionnent correctement, ils nécessitent un ajustement fin des données propriétaires, l'introduction de connaissances dans le domaine et des commentaires basés sur des scénarios. Le secteur bancaire lui-même dispose d'une très bonne base numérique et d'une accumulation approfondie de données, qui deviennent une monnaie d'échange douce dans ses mains.
En développant des produits d'IA générative, Morgan Stanley a combiné plus de 100 000 rapports financiers, données internes et littérature financière pour affiner le modèle de base d'OpenAI. Selon les rapports, le secteur bancaire agricole de mon pays a également accumulé 2,6 To de données de formation de haute qualité pour la formation de grands modèles. En outre, bien que les grands modèles de base aient de solides connaissances générales, ils n'ont pas la capacité de « suivre des cours professionnels » et n'ont pas de connaissances financières professionnelles.En outre, le secteur des scénarios financiers est complexe.Les nouveaux grands modèles doivent développer des capacités de service de haute qualité et devenir un excellent "adjoint de l'IA". Conduire n'est pas facile.
Cela nécessite que les grands fabricants de modèles et les entreprises technologiques changent la pensée habituelle du « centré sur la technologie » et du « je suis là pour vous responsabiliser/subvertir », améliorer la sensibilisation aux services et coopérer avec les clients financiers, en se concentrant sur les clients financiers.
La mise en œuvre de modèles financiers à grande échelle n'est en aucun cas et ne peut pas être une nouvelle « perturbation technologique du secteur ». Qu'il s'agisse d'un fabricant généraliste de grands modèles ou d'un fournisseur de services ISV intégrateur, ils doivent danser sur le principe du « client d'abord ».
Si les institutions financières étaient les principales, les entreprises technologiques ne deviendraient-elles pas de « grandes équipes de construction modèles » qui ne peuvent facturer qu'une somme modique pour un travail acharné et ne peuvent pas exercer leur innovation technologique ?
Gros pas de numéro spécial.
**Tout d’abord, l’IA financière n’est pas une nouveauté. **
Les institutions financières ne sont pas aussi ignorantes de l’IA qu’on le pense. En fait, parmi tous les secteurs, le domaine financier est certainement parmi les meilleurs en termes de « contenu IA ». Il y a quelques années, j'ai interviewé le doyen de l'école d'intelligence artificielle d'une université 985 en Chine. Il a dit sans ambages que les étudiants dans le domaine de l'IA ne vont pas au BAT ou aux start-up après l'obtention de leur diplôme, mais dans des centres d'information/ centres technologiques relevant d'institutions financières telles que la China Merchants Bank, s'engageant dans l'intelligence artificielle financière.
Par conséquent, la tendance de l'IA financière s'est considérablement développée il y a quelques années, c'est pourquoi la popularité des grands modèles vient de commencer cette année. Un grand nombre de banques nationales telles que ICBC, Ping An, Agricultural Bank of China, China Merchants Bank et CITIC Bank peuvent rapidement établir leur propre équipe de recherche dédiée aux grands modèles GPT. La capacité de la banque à agir en temps opportun repose sur l’accumulation d’investissements dans l’IA au cours des dernières années. Par conséquent, en nous concentrant sur les institutions financières, nous construisons également de bons modèles financiers.
**Deuxièmement, les grands modèles sont une nouveauté. **
En quoi le grand modèle est-il meilleur que ces « IA traditionnelles » et que peut-il faire ? C’est une nouvelle question complètement vide.
Théoriquement, les grands modèles peuvent parcourir tous les maillons de l’ensemble de la chaîne du secteur bancaire, et des scénarios d’application LLM peuvent être trouvés dans chaque métier et chaque intelligence. Mais en réalité, il n'est pas clair comment intégrer le grand modèle dans l'entreprise lorsque tous les liens sont pleinement mis en œuvre, ce qui signifie qu'un grand nombre d'explorations échoueront et seront gaspillées.
Pour accélérer l'exploration, réduire les coûts et réduire les risques, les institutions financières et les entreprises technologiques doivent travailler ensemble, permettant aux experts financiers, aux algorithmes, aux ingénieurs, aux testeurs, etc. de s'asseoir ensemble, d'explorer ensemble petit à petit et d'obtenir des informations approfondies sur les scénarios. , et "supprimer les mensonges tout en conservant le vrai" des besoins ".
Le responsable d'une institution financière a déclaré sans ambages que le secteur financier actuel dispose d'une gamme très riche d'applications intelligentes.Si vous ouvrez le manuel de promotion des produits financiers d'une société d'IA, vous pouvez voir des centaines de capacités segmentées, mais comment choisir la plus celui qui convient pour s'intégrer dans votre propre institution ? En affaires, il y aura beaucoup d'essais et d'erreurs dans ce processus.
**À l'heure actuelle, l'industrie est parvenue à un consensus selon lequel les scénarios doivent être optimisés pour les grands modèles financiers. Il y a plusieurs mots-clés : **
**1. Haute fréquence. **Dans certains scénarios et applications clés, les grands modèles peuvent être mis en œuvre dès que possible pour résoudre les problèmes et abaisser le seuil d'application. Par exemple, des postes à forte intensité de main-d'œuvre, tels que le service client intelligent et le conseil en investissement intelligent, peuvent rapidement entraîner une réduction significative des coûts et une amélioration de l'efficacité.
**2. Valeur élevée. **Soyez le premier à explorer les domaines à valeur sociale et commerciale. Par exemple, la finance inclusive est un service financier actuellement apprécié à la fois par le gouvernement et le secteur privé. Il nécessite des informations précises, des coûts réduits et des capacités de service hautement accessibles pour réduire globalement les coûts financiers des petites, moyennes et micro-entreprises. marchands. Parmi eux, les capacités d'expression multimodales et les puissantes capacités de compréhension et d'analyse des grands modèles peuvent jouer un très bon rôle.
**3. Facile à déployer. **La première réaction de nombreux praticiens financiers lorsqu’ils entendent parler des grands modèles est la suivante : les petits modèles peuvent-ils faire cela ? Les grands modèles ont mis en avant des exigences plus élevées en matière de puissance de calcul et de stabilité de l'infrastructure matérielle. Les institutions financières accélèrent la promotion du matériel localisé. Les grands modèles sont déployés dans chaque secteur d'activité, ce qui entraîne une pression sur les performances, une pression sur les coûts et une pression sur le déploiement. très grand. Par conséquent, une fois le grand modèle compressé et optimisé, ou un petit modèle ayant le même effet, il peut être implémenté dans des scénarios commerciaux, tels que le grand modèle générant des recommandations pour les produits financiers bancaires et le grand modèle agissant comme assistant de recherche pour Pour ces IA traditionnelles déjà utilisées, le grand modèle peut être utilisé. La mise à niveau du modèle n'augmentera pas les coûts excessifs de puissance de calcul ni la charge de travail d'ingénierie, et constitue un scénario progressif plus facile à mettre en œuvre.
Précisément parce que le grand modèle est une couche de peau et que l’application réelle est une autre couche de peau, la manière d’intégrer les deux couches de peau et les scénarios à privilégier constituent un chemin inexploré. Ni les institutions financières ni les entreprises technologiques ne peuvent travailler seules. Ce n'est qu'en travaillant en étroite collaboration que nous pourrons trouver la meilleure voie d'intégration entre les scénarios financiers et les grands modèles.
03 Question 3 : Pourquoi y a-t-il autant d'entraves ?
Est-il possible de trouver un scénario, de se concentrer sur sa conquête, puis de le reproduire à grande échelle, afin que les grands modèles financiers puissent avancer à pas de géant ?
Nous disons que les institutions financières ont « plus de personnel, plus d’argent et plus de technologie », mais cela n’est que relatif par rapport aux autres secteurs. En réalité, il est impossible pour les institutions financières d'allouer des budgets illimités, d'investir une main-d'œuvre illimitée et d'ouvrir des scénarios illimités permettant aux grands modèles de montrer leurs compétences à volonté. En outre, il existe encore un grand nombre de petites et moyennes banques et maisons de titres dans le domaine financier, et le coût de l'innovation technologique qu'elles peuvent se permettre est également limité.
Un praticien bancaire a mentionné l'AIGC et a déclaré : La concurrence s'intensifie, le personnel est limité, les talents manquent et les coûts sont serrés.
**On peut dire que danser avec des chaînes est la principale raison de la « peau à deux couches » de la finance et des grands modèles, « le spectacle du vendeur et le spectacle de l'acheteur ». **
**Par exemple, le problème de la puissance de calcul. **Dans le processus de substitution de localisation, les grands modèles financiers doivent briser les chaînes d'une formation coûteuse et des coûts élevés de puissance de calcul, ce qui constitue un test complet de la base matérielle des fabricants de modèles, de leurs capacités d'auto-recherche, de leurs capacités de compatibilité écologique et de leur collaboration logicielle. optimisation.
À l'heure actuelle, les principaux fournisseurs de cloud font de gros efforts pour développer du matériel auto-développé, comme Kunlun de Baidu, Yitian d'Alibaba, Shengteng de Huawei, ainsi que des logiciels et un écosystème de support. Sans eux, il est difficile de véritablement conquérir le grand modèle financier.
**Il existe également des limites liées à la technologie elle-même. ** Franchement, il existe encore de nombreux problèmes dans la technologie des grands modèles elle-même, en particulier lorsqu'elle est mise en œuvre dans le domaine financier. Le problème de l'illusion doit être résolu. Le non-sens est inacceptable pour une entreprise financière rigoureuse. La nature de la boîte noire du modèle rendra la prise de décision intelligente par l'IA peu fiable et peu fiable, la rendant incapable d'être véritablement utilisée dans les décisions de conseil en investissement financier et d'analyse de marché.
**De plus, les institutions financières mesureront également le ratio entrées-sorties du retour sur investissement. **Mais comme une grande quantité d'IA traditionnelle a été accumulée sur la scène financière, comme le service client intelligent, tout le monde peut avoir reçu des appels de vente de produits et des appels de recouvrement de factures de robots.
Par conséquent, après l'introduction des grands modèles, il n'existe actuellement aucune norme de mesure claire quant aux avantages qu'ils peuvent apporter aux clients, comment évaluer le retour sur investissement du rapport retour sur investissement et quelles sont les améliorations apportées par les grands modèles.
L'incapacité de quantifier la contribution des grands modèles à l'activité entraînera évidemment une concurrence désordonnée entre les grands fabricants de modèles ou une concurrence pour les relations avec les clients.C'est également devenu une préoccupation cachée quant à l'inefficacité des grands modèles financiers.
L’élimination de l’écart entre l’industrie et les grands modèles sera une démarche standard dans le secteur des grands modèles à l’avenir.
Dans ce processus, les premiers modèles financiers à grande échelle confrontés au problème de la « peau à deux couches » peuvent fournir de nombreuses références et pratiques utiles, et les institutions financières deviendront le premier groupe de chercheurs d'or modèles à grande échelle à découvrir des mines d'or. plus tôt.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Le problème des « deux peaux » entre finance et grands modèles
Source : « Brain Extreme Body » (ID : unity007), auteur : Zanghu
Il y a quelques années, j'ai interviewé un expert de l'industrie et il a évoqué une confusion majeure dans la mise en œuvre de la haute technologie dans l'industrie : deux couches de peau.
Certains résultats techniques particulièrement impressionnants ont été publiés dans des articles, ce qui constitue une couche de peau. Lorsque le personnel technique de l'entreprise commercialise ces résultats, il peut procéder à certaines simplifications pour des raisons d'ingénierie, ce qui constitue une autre couche de peau.
Il y a un écart entre les deux couches de peau, tout comme le spectacle du vendeur et celui de l'acheteur, elles ne sont pas intégrées et cohérentes.
Souvent, les entreprises dotées de talents techniques, de capacités de R&D et d'une volonté de transformation seront d'abord confrontées au problème des « deux couches de peau », ce qui suscite des doutes sur l'efficacité de la technologie et des taux de retour sur investissement flous.
Parmi les nombreuses personnes qui se précipitent dans l'engouement pour les grands modèles, les institutions financières pourraient être les premières à relever le défi des « deux couches de peau ».
Nous savons que le secteur financier a toujours été l'un des premiers à adopter les nouvelles technologies et a commencé très tôt à expérimenter l'IA. On peut dire qu'il est le « meilleur étudiant » en IA industrielle, et il dispose d'une bonne base d'informatisation et de numérique. Dans tous les scénarios de front, middle et back offices des institutions financières, il est possible de réduire les coûts et d’améliorer l’efficacité à l’aide de grands modèles. La finance est donc également considérée comme le scénario privilégié pour la mise en œuvre de grands modèles.
En tant que pionnier dans la mise en œuvre de grands modèles, si le domaine financier ne peut pas résoudre le problème des « deux couches de peau », cela signifie qu'il existe encore un écart entre le spectacle du vendeur et celui de l'acheteur dans l'application réelle des grands modèles.
Cet article espère clarifier quelles questions creusent le fossé entre la finance et les grands modèles ?
01 Question 1 : Qui est le principal ?
Puisqu’il s’agit d’un modèle à grande échelle, il sera bien sûr dirigé par des entreprises technologiques et des sociétés technologiques telles que OpenAI/BAT, et c’est quelque chose que les institutions financières ne veulent pas voir.
Un expert dans le domaine financier nous a dit qu'après la popularité de cette vague de grands modèles, les institutions financières étaient particulièrement anxieuses et éprouvaient une émotion FOMO (Fear of Missing Out).
En raison de la dernière vague technologique et de l’essor des smartphones et de l’Internet mobile, de nombreuses activités des banques et sociétés de titres traditionnelles ont été confisquées par les sociétés financières Internet. Selon les professionnels du secteur, cette « tragédie épique » ne doit jamais se reproduire.
Poussées par l'anxiété technologique, les institutions financières sont très actives pour suivre la tendance des grands modèles. Les fabricants de technologies n'ont guère besoin de faire beaucoup d'éducation du marché. L'ensemble du secteur a extrêmement bien réussi à accepter les grands modèles.
Dans le même temps, les institutions financières attachent également une grande importance à bien maîtriser les « puces de base » des grands modèles financiers, en mettant l'accent sur « me donner la priorité ». Certaines personnes du secteur bancaire l'ont souligné : seuls les grands modèles adaptés aux banques peuvent véritablement être appliqués en profondeur aux scénarios et aux processus commerciaux. **Comment le faire spécifiquement ?
**La première catégorie concerne les chips dures. **
Pour les institutions financières, la sécurité des données et le respect de la confidentialité sont des objectifs difficiles, sans compromis et soumis à des exigences très strictes. Cela conduit également à la nécessité d’une construction localisée ainsi que d’un déploiement et d’une exploitation privatisés de modèles financiers à grande échelle.
L’exigence d’un déploiement local présente des avantages et des inconvénients pour les grands fabricants de modèles. L’avantage est que par rapport au modèle MaaS d’autres secteurs qui appelle directement des interfaces API, le déploiement local a un prix unitaire plus élevé, des bénéfices plus élevés et une valeur commerciale plus élevée. L'inconvénient est que le déploiement privé nécessite un ensemble complet de solutions en matière de solutions cloud, de traitement des données, de stockage, de formation de modèles, d'ingénierie rapide, de services d'exploitation et de maintenance, etc. La concurrence ne se concentre pas seulement sur le modèle de base lui-même, qui augmente les coûts et difficultés pour les prestataires techniques.
**L'autre catégorie est celle des chips molles. **
Pour que les grands modèles financiers fonctionnent correctement, ils nécessitent un ajustement fin des données propriétaires, l'introduction de connaissances dans le domaine et des commentaires basés sur des scénarios. Le secteur bancaire lui-même dispose d'une très bonne base numérique et d'une accumulation approfondie de données, qui deviennent une monnaie d'échange douce dans ses mains.
Cela nécessite que les grands fabricants de modèles et les entreprises technologiques changent la pensée habituelle du « centré sur la technologie » et du « je suis là pour vous responsabiliser/subvertir », améliorer la sensibilisation aux services et coopérer avec les clients financiers, en se concentrant sur les clients financiers.
La mise en œuvre de modèles financiers à grande échelle n'est en aucun cas et ne peut pas être une nouvelle « perturbation technologique du secteur ». Qu'il s'agisse d'un fabricant généraliste de grands modèles ou d'un fournisseur de services ISV intégrateur, ils doivent danser sur le principe du « client d'abord ».
02 Question 2 : Pourquoi l'intégration est-elle difficile ?
Si les institutions financières étaient les principales, les entreprises technologiques ne deviendraient-elles pas de « grandes équipes de construction modèles » qui ne peuvent facturer qu'une somme modique pour un travail acharné et ne peuvent pas exercer leur innovation technologique ?
Gros pas de numéro spécial.
**Tout d’abord, l’IA financière n’est pas une nouveauté. **
Les institutions financières ne sont pas aussi ignorantes de l’IA qu’on le pense. En fait, parmi tous les secteurs, le domaine financier est certainement parmi les meilleurs en termes de « contenu IA ». Il y a quelques années, j'ai interviewé le doyen de l'école d'intelligence artificielle d'une université 985 en Chine. Il a dit sans ambages que les étudiants dans le domaine de l'IA ne vont pas au BAT ou aux start-up après l'obtention de leur diplôme, mais dans des centres d'information/ centres technologiques relevant d'institutions financières telles que la China Merchants Bank, s'engageant dans l'intelligence artificielle financière.
Par conséquent, la tendance de l'IA financière s'est considérablement développée il y a quelques années, c'est pourquoi la popularité des grands modèles vient de commencer cette année. Un grand nombre de banques nationales telles que ICBC, Ping An, Agricultural Bank of China, China Merchants Bank et CITIC Bank peuvent rapidement établir leur propre équipe de recherche dédiée aux grands modèles GPT. La capacité de la banque à agir en temps opportun repose sur l’accumulation d’investissements dans l’IA au cours des dernières années. Par conséquent, en nous concentrant sur les institutions financières, nous construisons également de bons modèles financiers.
En quoi le grand modèle est-il meilleur que ces « IA traditionnelles » et que peut-il faire ? C’est une nouvelle question complètement vide.
Théoriquement, les grands modèles peuvent parcourir tous les maillons de l’ensemble de la chaîne du secteur bancaire, et des scénarios d’application LLM peuvent être trouvés dans chaque métier et chaque intelligence. Mais en réalité, il n'est pas clair comment intégrer le grand modèle dans l'entreprise lorsque tous les liens sont pleinement mis en œuvre, ce qui signifie qu'un grand nombre d'explorations échoueront et seront gaspillées.
Pour accélérer l'exploration, réduire les coûts et réduire les risques, les institutions financières et les entreprises technologiques doivent travailler ensemble, permettant aux experts financiers, aux algorithmes, aux ingénieurs, aux testeurs, etc. de s'asseoir ensemble, d'explorer ensemble petit à petit et d'obtenir des informations approfondies sur les scénarios. , et "supprimer les mensonges tout en conservant le vrai" des besoins ".
Le responsable d'une institution financière a déclaré sans ambages que le secteur financier actuel dispose d'une gamme très riche d'applications intelligentes.Si vous ouvrez le manuel de promotion des produits financiers d'une société d'IA, vous pouvez voir des centaines de capacités segmentées, mais comment choisir la plus celui qui convient pour s'intégrer dans votre propre institution ? En affaires, il y aura beaucoup d'essais et d'erreurs dans ce processus.
**À l'heure actuelle, l'industrie est parvenue à un consensus selon lequel les scénarios doivent être optimisés pour les grands modèles financiers. Il y a plusieurs mots-clés : **
**2. Valeur élevée. **Soyez le premier à explorer les domaines à valeur sociale et commerciale. Par exemple, la finance inclusive est un service financier actuellement apprécié à la fois par le gouvernement et le secteur privé. Il nécessite des informations précises, des coûts réduits et des capacités de service hautement accessibles pour réduire globalement les coûts financiers des petites, moyennes et micro-entreprises. marchands. Parmi eux, les capacités d'expression multimodales et les puissantes capacités de compréhension et d'analyse des grands modèles peuvent jouer un très bon rôle.
**3. Facile à déployer. **La première réaction de nombreux praticiens financiers lorsqu’ils entendent parler des grands modèles est la suivante : les petits modèles peuvent-ils faire cela ? Les grands modèles ont mis en avant des exigences plus élevées en matière de puissance de calcul et de stabilité de l'infrastructure matérielle. Les institutions financières accélèrent la promotion du matériel localisé. Les grands modèles sont déployés dans chaque secteur d'activité, ce qui entraîne une pression sur les performances, une pression sur les coûts et une pression sur le déploiement. très grand. Par conséquent, une fois le grand modèle compressé et optimisé, ou un petit modèle ayant le même effet, il peut être implémenté dans des scénarios commerciaux, tels que le grand modèle générant des recommandations pour les produits financiers bancaires et le grand modèle agissant comme assistant de recherche pour Pour ces IA traditionnelles déjà utilisées, le grand modèle peut être utilisé. La mise à niveau du modèle n'augmentera pas les coûts excessifs de puissance de calcul ni la charge de travail d'ingénierie, et constitue un scénario progressif plus facile à mettre en œuvre.
Précisément parce que le grand modèle est une couche de peau et que l’application réelle est une autre couche de peau, la manière d’intégrer les deux couches de peau et les scénarios à privilégier constituent un chemin inexploré. Ni les institutions financières ni les entreprises technologiques ne peuvent travailler seules. Ce n'est qu'en travaillant en étroite collaboration que nous pourrons trouver la meilleure voie d'intégration entre les scénarios financiers et les grands modèles.
03 Question 3 : Pourquoi y a-t-il autant d'entraves ?
Est-il possible de trouver un scénario, de se concentrer sur sa conquête, puis de le reproduire à grande échelle, afin que les grands modèles financiers puissent avancer à pas de géant ?
Nous disons que les institutions financières ont « plus de personnel, plus d’argent et plus de technologie », mais cela n’est que relatif par rapport aux autres secteurs. En réalité, il est impossible pour les institutions financières d'allouer des budgets illimités, d'investir une main-d'œuvre illimitée et d'ouvrir des scénarios illimités permettant aux grands modèles de montrer leurs compétences à volonté. En outre, il existe encore un grand nombre de petites et moyennes banques et maisons de titres dans le domaine financier, et le coût de l'innovation technologique qu'elles peuvent se permettre est également limité.
Un praticien bancaire a mentionné l'AIGC et a déclaré : La concurrence s'intensifie, le personnel est limité, les talents manquent et les coûts sont serrés.
**On peut dire que danser avec des chaînes est la principale raison de la « peau à deux couches » de la finance et des grands modèles, « le spectacle du vendeur et le spectacle de l'acheteur ». **
**Par exemple, le problème de la puissance de calcul. **Dans le processus de substitution de localisation, les grands modèles financiers doivent briser les chaînes d'une formation coûteuse et des coûts élevés de puissance de calcul, ce qui constitue un test complet de la base matérielle des fabricants de modèles, de leurs capacités d'auto-recherche, de leurs capacités de compatibilité écologique et de leur collaboration logicielle. optimisation.
À l'heure actuelle, les principaux fournisseurs de cloud font de gros efforts pour développer du matériel auto-développé, comme Kunlun de Baidu, Yitian d'Alibaba, Shengteng de Huawei, ainsi que des logiciels et un écosystème de support. Sans eux, il est difficile de véritablement conquérir le grand modèle financier.
**Il existe également des limites liées à la technologie elle-même. ** Franchement, il existe encore de nombreux problèmes dans la technologie des grands modèles elle-même, en particulier lorsqu'elle est mise en œuvre dans le domaine financier. Le problème de l'illusion doit être résolu. Le non-sens est inacceptable pour une entreprise financière rigoureuse. La nature de la boîte noire du modèle rendra la prise de décision intelligente par l'IA peu fiable et peu fiable, la rendant incapable d'être véritablement utilisée dans les décisions de conseil en investissement financier et d'analyse de marché.
**De plus, les institutions financières mesureront également le ratio entrées-sorties du retour sur investissement. **Mais comme une grande quantité d'IA traditionnelle a été accumulée sur la scène financière, comme le service client intelligent, tout le monde peut avoir reçu des appels de vente de produits et des appels de recouvrement de factures de robots.
Par conséquent, après l'introduction des grands modèles, il n'existe actuellement aucune norme de mesure claire quant aux avantages qu'ils peuvent apporter aux clients, comment évaluer le retour sur investissement du rapport retour sur investissement et quelles sont les améliorations apportées par les grands modèles.
L'incapacité de quantifier la contribution des grands modèles à l'activité entraînera évidemment une concurrence désordonnée entre les grands fabricants de modèles ou une concurrence pour les relations avec les clients.C'est également devenu une préoccupation cachée quant à l'inefficacité des grands modèles financiers.
Dans ce processus, les premiers modèles financiers à grande échelle confrontés au problème de la « peau à deux couches » peuvent fournir de nombreuses références et pratiques utiles, et les institutions financières deviendront le premier groupe de chercheurs d'or modèles à grande échelle à découvrir des mines d'or. plus tôt.