Beberapa tahun yang lalu, saya mewawancarai seorang pakar industri, dan dia menyebutkan kebingungan besar dalam penerapan teknologi tinggi ke dalam industri: dua lapisan kulit.
Beberapa hasil teknis yang sangat mengagumkan telah dipublikasikan di makalah, yaitu lapisan kulit. Ketika personel teknis perusahaan mengkomersialkan hasil ini, mereka mungkin melakukan beberapa penyederhanaan karena alasan teknis, yang merupakan lapisan lain dari hal tersebut.
Terdapat gap antara kedua lapisan kulit tersebut, seperti halnya tampilan penjual dan tampilan pembeli, keduanya tidak menyatu dan konsisten.
Seringkali, perusahaan dengan bakat teknis, kemampuan penelitian dan pengembangan, dan kemauan untuk bertransformasi pertama-tama akan menghadapi masalah "dua lapisan kulit", yang menyebabkan keraguan mengenai efektivitas teknologi dan tingkat ROI yang tidak jelas.
Di antara banyak orang yang terjun ke dalam kegilaan model yang besar, lembaga keuangan mungkin merupakan pihak pertama yang menghadapi tantangan “dua lapisan kulit”.
Kita tahu bahwa industri keuangan selalu menjadi pengguna awal teknologi baru, dan telah mulai bereksperimen dengan AI sejak awal, dan dapat dikatakan sebagai "siswa terbaik" dalam AI industri, dan memiliki landasan informasi dan digital yang baik. Di semua skenario front, middle, dan back office lembaga keuangan, terdapat ruang untuk pengurangan biaya dan peningkatan efisiensi dengan menggunakan model besar. Oleh karena itu, pendanaan juga dianggap sebagai skenario pilihan untuk penerapan model besar.
Sebagai pionir penerapan model besar, jika bidang keuangan tidak mampu menyelesaikan masalah “dua lapis kulit”, berarti masih terdapat gap antara tampilan penjual dan tampilan pembeli dalam penerapan model besar yang sebenarnya.
Artikel ini berharap dapat memperjelas permasalahan apa yang membuka kesenjangan antara keuangan dan model besar?
01 Pertanyaan 1: Siapa yang utama?
Karena ini adalah model berskala besar, tentu saja akan dipimpin oleh perusahaan teknologi dan perusahaan teknologi seperti OpenAI/BAT, dan ini adalah sesuatu yang tidak ingin dilihat oleh lembaga keuangan.
Seorang pakar di bidang keuangan memberi tahu kami bahwa setelah gelombang model besar ini menjadi populer, lembaga keuangan menjadi sangat cemas dan memiliki emosi FOMO (Fear of Missing Out).
Karena gelombang terakhir teknologi dan munculnya telepon pintar dan Internet seluler, banyak bisnis bank tradisional dan perusahaan sekuritas telah diambil alih oleh perusahaan keuangan Internet. Menurut orang dalam industri ini, "tragedi epik" ini tidak boleh terulang kembali.
Didorong oleh kegelisahan akan teknologi, lembaga-lembaga keuangan sangat aktif dalam mengikuti tren model-model besar. Produsen teknologi tidak perlu banyak melakukan pendidikan pasar. Seluruh industri telah menunjukkan kinerja yang sangat baik dalam menerima model-model besar.
Pada saat yang sama, lembaga keuangan juga sangat mementingkan untuk memegang teguh "chip inti" dari model keuangan besar di tangan mereka sendiri, dengan menekankan pada "mengutamakan saya". Beberapa orang di industri perbankan menyatakan: Hanya model besar yang sesuai untuk bank yang benar-benar dapat diterapkan secara mendalam pada skenario dan proses bisnis. **Bagaimana cara melakukannya secara spesifik?
**Kategori pertama adalah chip keras. **
Bagi lembaga keuangan, keamanan data dan kepatuhan privasi merupakan target yang sulit tanpa kompromi dan memiliki persyaratan yang sangat ketat. Hal ini juga menyebabkan perlunya konstruksi lokal dan penerapan serta pengoperasian model keuangan skala besar yang diprivatisasi.
Persyaratan penerapan lokal memiliki kelebihan dan kekurangan bagi produsen model besar. Keuntungannya adalah dibandingkan dengan model MaaS di industri lain yang secara langsung memanggil antarmuka API, penerapan lokal memiliki harga satuan yang lebih tinggi, keuntungan yang lebih tinggi, dan nilai komersial yang lebih tinggi. Kerugiannya adalah penerapan pribadi memerlukan serangkaian solusi lengkap dalam solusi cloud, pemrosesan data, penyimpanan, pelatihan model, rekayasa cepat, layanan operasi dan pemeliharaan, dll. Fokus persaingan tidak hanya pada model dasar itu sendiri, yang meningkatkan biaya dan kesulitan bagi penyedia layanan teknis.
**Kategori lainnya adalah soft chips. **
Agar model keuangan besar dapat bekerja dengan baik, mereka memerlukan penyesuaian data kepemilikan, pengenalan pengetahuan domain, dan umpan balik berbasis skenario. Industri perbankan sendiri memiliki landasan digital yang sangat baik dan akumulasi data yang mendalam, yang menjadi tawar-menawar yang lembut. chip di tangannya.
Dalam mengembangkan produk AI generatif, Morgan Stanley telah menggabungkan lebih dari 100.000 laporan keuangan, data internal, dan literatur keuangan untuk menyempurnakan model dasar OpenAI. Menurut laporan, industri perbankan pertanian di negara saya juga telah mengumpulkan 2,6 TB data pelatihan berkualitas tinggi untuk pelatihan model besar. Selain itu, meskipun model besar dasar memiliki pengetahuan umum yang kuat, ia tidak memiliki kemampuan "kursus profesional" dan pengetahuan keuangan profesional. Selain itu, bisnis skenario keuangannya rumit. Model besar yang masih baru harus mengembangkan kemampuan layanan berkualitas tinggi dan menjadi "wakil AI" yang luar biasa. Mengemudi” tidaklah mudah.
Hal ini mengharuskan produsen model besar dan perusahaan teknologi untuk mengubah pemikiran umum tentang "berpusat pada teknologi" dan "Saya di sini untuk memberdayakan/menumbangkan Anda", meningkatkan kesadaran layanan, dan bekerja sama dengan pelanggan keuangan, dengan fokus pada pelanggan keuangan.
Penerapan model skala besar di bidang keuangan sama sekali bukan dan tidak bisa menjadi “gangguan teknologi terhadap industri” lainnya. Baik itu produsen model besar secara umum atau integrator penyedia layanan ISV, mereka harus didasarkan pada prinsip "utamakan pelanggan".
02 Pertanyaan 2: Mengapa integrasi sulit?
Jika lembaga keuangan adalah yang utama, bukankah perusahaan teknologi akan menjadi "tim konstruksi model besar" yang hanya dapat mengenakan biaya kecil untuk kerja keras dan tidak dapat mengerahkan inovasi teknologinya?
Besar, tidak istimewa, tidak.
**Pertama-tama, AI finansial bukanlah hal baru. **
Lembaga keuangan tidak sebodoh yang dipikirkan semua orang tentang AI. Faktanya, di antara semua industri, bidang keuangan jelas merupakan salah satu yang teratas dalam hal “konten AI”. Beberapa tahun lalu, saya mewawancarai dekan Artificial Intelligence School di sebuah universitas 985 di China, beliau mengatakan secara blak-blakan bahwa mahasiswa di bidang AI tidak masuk ke BAT atau perusahaan start-up setelah lulus, melainkan ke pusat informasi/ pusat teknologi di bawah lembaga keuangan seperti China Merchants Bank, yang terlibat dalam kecerdasan buatan keuangan.
Oleh karena itu, tren AI finansial sebenarnya telah berkembang secara signifikan beberapa tahun yang lalu. Oleh karena itu, popularitas model besar baru dimulai tahun ini. Sejumlah besar bank domestik seperti ICBC, Ping An, Agricultural Bank of China, China Merchants Bank, dan CITIC Bank dapat dengan cepat membentuk tim peneliti khusus untuk model besar GPT. Kemampuan bank untuk bertindak tepat waktu bergantung pada akumulasi investasi pada AI selama beberapa tahun terakhir. Oleh karena itu, dengan fokus pada lembaga keuangan, kami juga membangun model keuangan yang baik.
**Kedua, model besar adalah hal baru. **
Apa yang bisa membuat model besar lebih baik daripada "AI tradisional" ini dan apa yang bisa dilakukannya? Ini adalah pertanyaan baru yang benar-benar kosong.
Secara teoritis, model besar dapat dijalankan melalui semua tautan di seluruh rantai industri perbankan, dan skenario penerapan LLM dapat ditemukan di setiap lini bisnis dan setiap intelijen. Namun kenyataannya, tidak jelas bagaimana mengintegrasikan model besar dengan bisnis ketika semua tautan diterapkan sepenuhnya, yang berarti banyak eksplorasi yang akan gagal dan sia-sia.
Untuk mempercepat eksplorasi, mengurangi biaya, dan mengurangi risiko, lembaga keuangan dan perusahaan teknologi harus bekerja sama, sehingga memungkinkan pakar keuangan, ilmuwan algoritme, insinyur, penguji, dll. untuk duduk bersama, melakukan eksplorasi bersama sedikit demi sedikit, mendapatkan wawasan mendalam tentang skenario , dan "menghapus kepalsuan sambil mempertahankan" kebutuhan "yang sebenarnya.
Penanggung jawab sebuah lembaga keuangan dengan blak-blakan mengatakan bahwa industri keuangan saat ini memiliki beragam aplikasi cerdas. Jika Anda membuka manual promosi produk keuangan dari sebuah perusahaan AI, Anda dapat melihat ratusan kemampuan tersegmentasi, tetapi bagaimana memilih yang paling banyak yang cocok untuk diintegrasikan ke dalam institusi Anda sendiri?Dalam bisnis, akan ada banyak trial and error dalam proses ini.
**Saat ini, industri pada dasarnya telah mencapai konsensus bahwa skenario harus dioptimalkan untuk model keuangan besar. Ada beberapa kata kunci: **
**1.Frekuensi tinggi. **Dalam beberapa skenario utama dan aplikasi utama, model besar dapat diterapkan sesegera mungkin untuk memecahkan masalah dan menurunkan ambang batas penerapan. Misalnya, posisi yang awalnya padat karya seperti layanan pelanggan yang cerdas dan penasihat investasi yang cerdas dapat dengan cepat menghasilkan pengurangan biaya yang signifikan dan hasil peningkatan efisiensi.
**2.Nilai tinggi. **Jadilah yang pertama menjelajahi area yang memiliki nilai sosial dan komersial. Misalnya, keuangan inklusif adalah layanan keuangan yang saat ini dihargai oleh pemerintah dan sektor swasta. Hal ini memerlukan wawasan data yang tepat, biaya yang lebih rendah, dan kemampuan layanan yang sangat mudah diakses untuk secara komprehensif mengurangi biaya keuangan usaha kecil, menengah, dan mikro/ pedagang. Diantaranya, kemampuan ekspresi multi-modal serta kemampuan pemahaman dan analisis yang kuat dari model besar dapat memainkan peran yang sangat baik.
**3. Mudah diterapkan. **Reaksi pertama banyak praktisi keuangan ketika mendengar tentang model besar adalah, dapatkah model kecil melakukan hal ini? Model-model besar telah mengajukan persyaratan yang lebih tinggi untuk daya komputasi dan stabilitas infrastruktur perangkat keras. Lembaga-lembaga keuangan mempercepat promosi perangkat keras lokal. Model-model besar diterapkan di setiap lini bisnis, yang membawa tekanan kinerja, tekanan biaya, dan tekanan penerapan. Semua adalah sangat besar. Oleh karena itu, setelah model besar dikompresi dan dioptimalkan, atau model kecil dengan efek yang sama, model tersebut dapat diimplementasikan dalam skenario bisnis, seperti model besar yang menghasilkan rekomendasi produk keuangan bank, dan model besar bertindak sebagai asisten peneliti untuk perusahaan sekuritas. Untuk AI tradisional yang sudah digunakan, model besar dapat digunakan. Peningkatan model tidak akan meningkatkan biaya daya komputasi dan beban kerja teknik yang berlebihan, dan merupakan skenario progresif yang lebih mudah diterapkan.
Justru karena model besar adalah satu lapisan kulit dan penerapan sebenarnya adalah lapisan kulit lainnya, cara mengintegrasikan kedua lapisan kulit tersebut dan skenario mana yang harus diprioritaskan adalah jalan yang belum dilalui. Baik lembaga keuangan maupun perusahaan teknologi tidak dapat bekerja sendiri. Hanya dengan bekerja sama secara erat kita dapat menemukan jalur integrasi terbaik antara skenario keuangan dan model besar.
03 Pertanyaan 3: Mengapa banyak sekali belenggu?
Apakah mungkin untuk menemukan sebuah skenario, fokus untuk menaklukkannya, dan kemudian mereplikasinya dalam skala besar, sehingga model keuangan yang besar dapat maju dengan pesat?
Kita mengatakan bahwa lembaga keuangan memiliki “lebih banyak orang, lebih banyak uang, dan lebih banyak teknologi”, namun hal ini hanya relatif jika dibandingkan dengan industri lain. Pada kenyataannya, mustahil bagi lembaga keuangan untuk mengalokasikan anggaran yang tidak terbatas, menginvestasikan tenaga kerja yang tidak terbatas, dan membuka skenario yang tidak terbatas bagi model-model besar untuk memamerkan keahlian mereka sesuka hati. Selain itu, masih terdapat sejumlah besar bank kecil dan menengah serta perusahaan sekuritas di bidang keuangan, dan biaya inovasi teknologi yang mampu mereka tanggung juga terbatas.
Seorang praktisi bank menyebutkan AIGC dan mengatakan: Persaingan semakin ketat, personel terbatas, talenta kurang, dan biaya terbatas.
**Dapat dikatakan bahwa menari dengan belenggu adalah alasan utama dari "kulit dua lapis" antara keuangan dan model besar, "pertunjukan penjual dan pertunjukan pembeli". **
**Misalnya masalah daya komputasi. **Dalam proses substitusi lokalisasi, model keuangan besar harus mematahkan belenggu pelatihan yang mahal dan biaya daya komputasi yang tinggi, yang merupakan ujian komprehensif terhadap fondasi perangkat keras, kemampuan penelitian mandiri, kemampuan kompatibilitas ekologis, dan kolaboratif perangkat lunak dari produsen model. optimasi.
Saat ini, vendor cloud terkemuka sedang melakukan upaya besar untuk mengembangkan perangkat keras yang mereka kembangkan sendiri, seperti Kunlun milik Baidu, Yitian milik Alibaba, Shengteng milik Huawei, serta perangkat lunak dan ekosistem pendukung. Tanpa hal-hal tersebut, sulit untuk benar-benar memenangkan model keuangan besar.
**Ada juga keterbatasan dari teknologi itu sendiri. **Terus terang, masih banyak permasalahan dalam teknologi model besar itu sendiri, terutama di bidang keuangan. Masalah ilusi harus diselesaikan. Omong kosong tidak dapat diterima untuk bisnis keuangan yang ketat. Sifat kotak hitam dari model ini akan membuat pengambilan keputusan cerdas AI tidak dapat dipercaya dan tidak dapat dipercaya, sehingga tidak dapat benar-benar digunakan dalam pengambilan keputusan konsultasi investasi keuangan dan analisis pasar.
**Selain itu, lembaga keuangan juga akan mengukur rasio input-output ROI. **Tetapi karena sejumlah besar AI tradisional telah terakumulasi di dunia keuangan, seperti layanan pelanggan yang cerdas, setiap orang mungkin telah menerima panggilan penjualan produk dan panggilan penagihan tagihan dari robot.
Oleh karena itu, setelah diperkenalkannya model besar, saat ini tidak ada standar pengukuran yang jelas mengenai seberapa besar manfaat yang dapat diberikan kepada pelanggan, bagaimana mengevaluasi rasio pengembalian terhadap output, dan peningkatan apa saja yang dihasilkan oleh model besar.
Ketidakmampuan untuk mengukur kontribusi model besar terhadap bisnis jelas akan menyebabkan persaingan yang tidak teratur di antara produsen model besar atau persaingan dalam hubungan pelanggan.Hal ini juga menjadi kekhawatiran tersembunyi atas ketidakefektifan model keuangan besar.
Menghilangkan kesenjangan antara industri dan model besar akan menjadi langkah standar dalam jalur model besar di masa depan.
Dalam proses ini, model keuangan skala besar pertama yang menghadapi masalah "kulit dua lapis" dapat memberikan banyak referensi dan praktik yang berguna, dan lembaga keuangan akan menjadi model penggali emas skala besar pertama yang menemukan tambang emas. lebih awal.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Masalah “dua kulit” antara keuangan dan model besar
Sumber: "Brain Extreme Body" (ID: unity007), penulis: Zanghu
Beberapa tahun yang lalu, saya mewawancarai seorang pakar industri, dan dia menyebutkan kebingungan besar dalam penerapan teknologi tinggi ke dalam industri: dua lapisan kulit.
Beberapa hasil teknis yang sangat mengagumkan telah dipublikasikan di makalah, yaitu lapisan kulit. Ketika personel teknis perusahaan mengkomersialkan hasil ini, mereka mungkin melakukan beberapa penyederhanaan karena alasan teknis, yang merupakan lapisan lain dari hal tersebut.
Terdapat gap antara kedua lapisan kulit tersebut, seperti halnya tampilan penjual dan tampilan pembeli, keduanya tidak menyatu dan konsisten.
Seringkali, perusahaan dengan bakat teknis, kemampuan penelitian dan pengembangan, dan kemauan untuk bertransformasi pertama-tama akan menghadapi masalah "dua lapisan kulit", yang menyebabkan keraguan mengenai efektivitas teknologi dan tingkat ROI yang tidak jelas.
Di antara banyak orang yang terjun ke dalam kegilaan model yang besar, lembaga keuangan mungkin merupakan pihak pertama yang menghadapi tantangan “dua lapisan kulit”.
Kita tahu bahwa industri keuangan selalu menjadi pengguna awal teknologi baru, dan telah mulai bereksperimen dengan AI sejak awal, dan dapat dikatakan sebagai "siswa terbaik" dalam AI industri, dan memiliki landasan informasi dan digital yang baik. Di semua skenario front, middle, dan back office lembaga keuangan, terdapat ruang untuk pengurangan biaya dan peningkatan efisiensi dengan menggunakan model besar. Oleh karena itu, pendanaan juga dianggap sebagai skenario pilihan untuk penerapan model besar.
Sebagai pionir penerapan model besar, jika bidang keuangan tidak mampu menyelesaikan masalah “dua lapis kulit”, berarti masih terdapat gap antara tampilan penjual dan tampilan pembeli dalam penerapan model besar yang sebenarnya.
Artikel ini berharap dapat memperjelas permasalahan apa yang membuka kesenjangan antara keuangan dan model besar?
01 Pertanyaan 1: Siapa yang utama?
Karena ini adalah model berskala besar, tentu saja akan dipimpin oleh perusahaan teknologi dan perusahaan teknologi seperti OpenAI/BAT, dan ini adalah sesuatu yang tidak ingin dilihat oleh lembaga keuangan.
Seorang pakar di bidang keuangan memberi tahu kami bahwa setelah gelombang model besar ini menjadi populer, lembaga keuangan menjadi sangat cemas dan memiliki emosi FOMO (Fear of Missing Out).
Karena gelombang terakhir teknologi dan munculnya telepon pintar dan Internet seluler, banyak bisnis bank tradisional dan perusahaan sekuritas telah diambil alih oleh perusahaan keuangan Internet. Menurut orang dalam industri ini, "tragedi epik" ini tidak boleh terulang kembali.
Didorong oleh kegelisahan akan teknologi, lembaga-lembaga keuangan sangat aktif dalam mengikuti tren model-model besar. Produsen teknologi tidak perlu banyak melakukan pendidikan pasar. Seluruh industri telah menunjukkan kinerja yang sangat baik dalam menerima model-model besar.
Pada saat yang sama, lembaga keuangan juga sangat mementingkan untuk memegang teguh "chip inti" dari model keuangan besar di tangan mereka sendiri, dengan menekankan pada "mengutamakan saya". Beberapa orang di industri perbankan menyatakan: Hanya model besar yang sesuai untuk bank yang benar-benar dapat diterapkan secara mendalam pada skenario dan proses bisnis. **Bagaimana cara melakukannya secara spesifik?
**Kategori pertama adalah chip keras. **
Bagi lembaga keuangan, keamanan data dan kepatuhan privasi merupakan target yang sulit tanpa kompromi dan memiliki persyaratan yang sangat ketat. Hal ini juga menyebabkan perlunya konstruksi lokal dan penerapan serta pengoperasian model keuangan skala besar yang diprivatisasi.
Persyaratan penerapan lokal memiliki kelebihan dan kekurangan bagi produsen model besar. Keuntungannya adalah dibandingkan dengan model MaaS di industri lain yang secara langsung memanggil antarmuka API, penerapan lokal memiliki harga satuan yang lebih tinggi, keuntungan yang lebih tinggi, dan nilai komersial yang lebih tinggi. Kerugiannya adalah penerapan pribadi memerlukan serangkaian solusi lengkap dalam solusi cloud, pemrosesan data, penyimpanan, pelatihan model, rekayasa cepat, layanan operasi dan pemeliharaan, dll. Fokus persaingan tidak hanya pada model dasar itu sendiri, yang meningkatkan biaya dan kesulitan bagi penyedia layanan teknis.
**Kategori lainnya adalah soft chips. **
Agar model keuangan besar dapat bekerja dengan baik, mereka memerlukan penyesuaian data kepemilikan, pengenalan pengetahuan domain, dan umpan balik berbasis skenario. Industri perbankan sendiri memiliki landasan digital yang sangat baik dan akumulasi data yang mendalam, yang menjadi tawar-menawar yang lembut. chip di tangannya.
Hal ini mengharuskan produsen model besar dan perusahaan teknologi untuk mengubah pemikiran umum tentang "berpusat pada teknologi" dan "Saya di sini untuk memberdayakan/menumbangkan Anda", meningkatkan kesadaran layanan, dan bekerja sama dengan pelanggan keuangan, dengan fokus pada pelanggan keuangan.
Penerapan model skala besar di bidang keuangan sama sekali bukan dan tidak bisa menjadi “gangguan teknologi terhadap industri” lainnya. Baik itu produsen model besar secara umum atau integrator penyedia layanan ISV, mereka harus didasarkan pada prinsip "utamakan pelanggan".
02 Pertanyaan 2: Mengapa integrasi sulit?
Jika lembaga keuangan adalah yang utama, bukankah perusahaan teknologi akan menjadi "tim konstruksi model besar" yang hanya dapat mengenakan biaya kecil untuk kerja keras dan tidak dapat mengerahkan inovasi teknologinya?
Besar, tidak istimewa, tidak.
**Pertama-tama, AI finansial bukanlah hal baru. **
Lembaga keuangan tidak sebodoh yang dipikirkan semua orang tentang AI. Faktanya, di antara semua industri, bidang keuangan jelas merupakan salah satu yang teratas dalam hal “konten AI”. Beberapa tahun lalu, saya mewawancarai dekan Artificial Intelligence School di sebuah universitas 985 di China, beliau mengatakan secara blak-blakan bahwa mahasiswa di bidang AI tidak masuk ke BAT atau perusahaan start-up setelah lulus, melainkan ke pusat informasi/ pusat teknologi di bawah lembaga keuangan seperti China Merchants Bank, yang terlibat dalam kecerdasan buatan keuangan.
Oleh karena itu, tren AI finansial sebenarnya telah berkembang secara signifikan beberapa tahun yang lalu. Oleh karena itu, popularitas model besar baru dimulai tahun ini. Sejumlah besar bank domestik seperti ICBC, Ping An, Agricultural Bank of China, China Merchants Bank, dan CITIC Bank dapat dengan cepat membentuk tim peneliti khusus untuk model besar GPT. Kemampuan bank untuk bertindak tepat waktu bergantung pada akumulasi investasi pada AI selama beberapa tahun terakhir. Oleh karena itu, dengan fokus pada lembaga keuangan, kami juga membangun model keuangan yang baik.
Apa yang bisa membuat model besar lebih baik daripada "AI tradisional" ini dan apa yang bisa dilakukannya? Ini adalah pertanyaan baru yang benar-benar kosong.
Secara teoritis, model besar dapat dijalankan melalui semua tautan di seluruh rantai industri perbankan, dan skenario penerapan LLM dapat ditemukan di setiap lini bisnis dan setiap intelijen. Namun kenyataannya, tidak jelas bagaimana mengintegrasikan model besar dengan bisnis ketika semua tautan diterapkan sepenuhnya, yang berarti banyak eksplorasi yang akan gagal dan sia-sia.
Untuk mempercepat eksplorasi, mengurangi biaya, dan mengurangi risiko, lembaga keuangan dan perusahaan teknologi harus bekerja sama, sehingga memungkinkan pakar keuangan, ilmuwan algoritme, insinyur, penguji, dll. untuk duduk bersama, melakukan eksplorasi bersama sedikit demi sedikit, mendapatkan wawasan mendalam tentang skenario , dan "menghapus kepalsuan sambil mempertahankan" kebutuhan "yang sebenarnya.
Penanggung jawab sebuah lembaga keuangan dengan blak-blakan mengatakan bahwa industri keuangan saat ini memiliki beragam aplikasi cerdas. Jika Anda membuka manual promosi produk keuangan dari sebuah perusahaan AI, Anda dapat melihat ratusan kemampuan tersegmentasi, tetapi bagaimana memilih yang paling banyak yang cocok untuk diintegrasikan ke dalam institusi Anda sendiri?Dalam bisnis, akan ada banyak trial and error dalam proses ini.
**Saat ini, industri pada dasarnya telah mencapai konsensus bahwa skenario harus dioptimalkan untuk model keuangan besar. Ada beberapa kata kunci: **
**2.Nilai tinggi. **Jadilah yang pertama menjelajahi area yang memiliki nilai sosial dan komersial. Misalnya, keuangan inklusif adalah layanan keuangan yang saat ini dihargai oleh pemerintah dan sektor swasta. Hal ini memerlukan wawasan data yang tepat, biaya yang lebih rendah, dan kemampuan layanan yang sangat mudah diakses untuk secara komprehensif mengurangi biaya keuangan usaha kecil, menengah, dan mikro/ pedagang. Diantaranya, kemampuan ekspresi multi-modal serta kemampuan pemahaman dan analisis yang kuat dari model besar dapat memainkan peran yang sangat baik.
**3. Mudah diterapkan. **Reaksi pertama banyak praktisi keuangan ketika mendengar tentang model besar adalah, dapatkah model kecil melakukan hal ini? Model-model besar telah mengajukan persyaratan yang lebih tinggi untuk daya komputasi dan stabilitas infrastruktur perangkat keras. Lembaga-lembaga keuangan mempercepat promosi perangkat keras lokal. Model-model besar diterapkan di setiap lini bisnis, yang membawa tekanan kinerja, tekanan biaya, dan tekanan penerapan. Semua adalah sangat besar. Oleh karena itu, setelah model besar dikompresi dan dioptimalkan, atau model kecil dengan efek yang sama, model tersebut dapat diimplementasikan dalam skenario bisnis, seperti model besar yang menghasilkan rekomendasi produk keuangan bank, dan model besar bertindak sebagai asisten peneliti untuk perusahaan sekuritas. Untuk AI tradisional yang sudah digunakan, model besar dapat digunakan. Peningkatan model tidak akan meningkatkan biaya daya komputasi dan beban kerja teknik yang berlebihan, dan merupakan skenario progresif yang lebih mudah diterapkan.
Justru karena model besar adalah satu lapisan kulit dan penerapan sebenarnya adalah lapisan kulit lainnya, cara mengintegrasikan kedua lapisan kulit tersebut dan skenario mana yang harus diprioritaskan adalah jalan yang belum dilalui. Baik lembaga keuangan maupun perusahaan teknologi tidak dapat bekerja sendiri. Hanya dengan bekerja sama secara erat kita dapat menemukan jalur integrasi terbaik antara skenario keuangan dan model besar.
03 Pertanyaan 3: Mengapa banyak sekali belenggu?
Apakah mungkin untuk menemukan sebuah skenario, fokus untuk menaklukkannya, dan kemudian mereplikasinya dalam skala besar, sehingga model keuangan yang besar dapat maju dengan pesat?
Kita mengatakan bahwa lembaga keuangan memiliki “lebih banyak orang, lebih banyak uang, dan lebih banyak teknologi”, namun hal ini hanya relatif jika dibandingkan dengan industri lain. Pada kenyataannya, mustahil bagi lembaga keuangan untuk mengalokasikan anggaran yang tidak terbatas, menginvestasikan tenaga kerja yang tidak terbatas, dan membuka skenario yang tidak terbatas bagi model-model besar untuk memamerkan keahlian mereka sesuka hati. Selain itu, masih terdapat sejumlah besar bank kecil dan menengah serta perusahaan sekuritas di bidang keuangan, dan biaya inovasi teknologi yang mampu mereka tanggung juga terbatas.
Seorang praktisi bank menyebutkan AIGC dan mengatakan: Persaingan semakin ketat, personel terbatas, talenta kurang, dan biaya terbatas.
**Dapat dikatakan bahwa menari dengan belenggu adalah alasan utama dari "kulit dua lapis" antara keuangan dan model besar, "pertunjukan penjual dan pertunjukan pembeli". **
**Misalnya masalah daya komputasi. **Dalam proses substitusi lokalisasi, model keuangan besar harus mematahkan belenggu pelatihan yang mahal dan biaya daya komputasi yang tinggi, yang merupakan ujian komprehensif terhadap fondasi perangkat keras, kemampuan penelitian mandiri, kemampuan kompatibilitas ekologis, dan kolaboratif perangkat lunak dari produsen model. optimasi.
Saat ini, vendor cloud terkemuka sedang melakukan upaya besar untuk mengembangkan perangkat keras yang mereka kembangkan sendiri, seperti Kunlun milik Baidu, Yitian milik Alibaba, Shengteng milik Huawei, serta perangkat lunak dan ekosistem pendukung. Tanpa hal-hal tersebut, sulit untuk benar-benar memenangkan model keuangan besar.
**Ada juga keterbatasan dari teknologi itu sendiri. **Terus terang, masih banyak permasalahan dalam teknologi model besar itu sendiri, terutama di bidang keuangan. Masalah ilusi harus diselesaikan. Omong kosong tidak dapat diterima untuk bisnis keuangan yang ketat. Sifat kotak hitam dari model ini akan membuat pengambilan keputusan cerdas AI tidak dapat dipercaya dan tidak dapat dipercaya, sehingga tidak dapat benar-benar digunakan dalam pengambilan keputusan konsultasi investasi keuangan dan analisis pasar.
**Selain itu, lembaga keuangan juga akan mengukur rasio input-output ROI. **Tetapi karena sejumlah besar AI tradisional telah terakumulasi di dunia keuangan, seperti layanan pelanggan yang cerdas, setiap orang mungkin telah menerima panggilan penjualan produk dan panggilan penagihan tagihan dari robot.
Oleh karena itu, setelah diperkenalkannya model besar, saat ini tidak ada standar pengukuran yang jelas mengenai seberapa besar manfaat yang dapat diberikan kepada pelanggan, bagaimana mengevaluasi rasio pengembalian terhadap output, dan peningkatan apa saja yang dihasilkan oleh model besar.
Ketidakmampuan untuk mengukur kontribusi model besar terhadap bisnis jelas akan menyebabkan persaingan yang tidak teratur di antara produsen model besar atau persaingan dalam hubungan pelanggan.Hal ini juga menjadi kekhawatiran tersembunyi atas ketidakefektifan model keuangan besar.
Dalam proses ini, model keuangan skala besar pertama yang menghadapi masalah "kulit dua lapis" dapat memberikan banyak referensi dan praktik yang berguna, dan lembaga keuangan akan menjadi model penggali emas skala besar pertama yang menemukan tambang emas. lebih awal.