Несколько лет назад я брал интервью у отраслевого эксперта, и он упомянул главную путаницу при внедрении высоких технологий в промышленность: два слоя кожи.
Некоторые особенно потрясающие технические результаты были опубликованы в статьях, представляющих собой слой кожи. Когда технический персонал компании коммерциализирует эти результаты, они могут пойти на некоторые упрощения по инженерным соображениям, что является еще одним слоем кожи.
Между двумя слоями кожи существует разрыв, как и показ продавца и показ покупателя, они не интегрированы и не последовательны.
Часто компании, обладающие техническим талантом, возможностями НИОКР и готовностью к трансформации, первыми сталкиваются с проблемой «двух слоев кожи», вызывающей сомнения в эффективности технологий и неясные показатели рентабельности инвестиций.
Среди множества людей, охваченных увлечением крупными моделями, финансовые учреждения могут быть первыми, кто столкнется с проблемой «двух слоев кожи».
Мы знаем, что финансовая индустрия всегда одним из первых внедряла новые технологии и очень рано начала экспериментировать с ИИ. Можно сказать, что она является «лучшим студентом» в области промышленного ИИ и имеет хорошую информатизацию и цифровую основу. Во всех сценариях фронт-, мидл- и бэк-офисов финансовых учреждений есть возможности для снижения затрат и повышения эффективности с использованием крупных моделей. Поэтому финансы также считаются предпочтительным сценарием реализации крупных моделей.
Будучи пионером в реализации больших моделей, если финансовая сфера не может решить проблему «двух слоев кожи», это означает, что между показом продавца и показом покупателя все еще существует разрыв в реальном применении больших моделей.
В этой статье мы надеемся прояснить, какие проблемы создают разрыв между финансами и большими моделями?
##01 Вопрос 1: Кто главный?
Поскольку это крупномасштабная модель, ее, конечно же, будут возглавлять технологические компании и такие технологические компании, как OpenAI/BAT, а этого финансовые учреждения не хотят видеть.
Эксперт в финансовой сфере рассказал нам, что после того, как эта волна крупных моделей стала популярной, финансовые учреждения были особенно обеспокоены и испытывали эмоцию FOMO (страх упустить что-то).
Из-за последней волны технологий и появления смартфонов и мобильного Интернета многие предприятия традиционных банков и компаний, занимающихся ценными бумагами, были отняты интернет-финансовыми компаниями. По мнению представителей отрасли, эта «эпическая трагедия» никогда не должна повториться.
Финансовые учреждения, движимые технологической тревогой, очень активно следят за тенденцией появления крупных моделей.
В то же время финансовые учреждения также придают большое значение твердому взятию «основных фишек» крупных финансовых моделей в свои руки, подчеркивая «ставя себя на первое место». Некоторые представители банковской отрасли отмечали: только крупные модели, подходящие для банков, могут по-настоящему глубоко применяться к сценариям и бизнес-процессам. **Как конкретно это сделать?
**Первая категория — твердые чипсы. **
Для финансовых учреждений безопасность данных и соблюдение конфиденциальности являются жесткими и бескомпромиссными целями, к которым предъявляются очень строгие требования. Это также приводит к необходимости локализованного строительства и приватизированного внедрения и эксплуатации крупномасштабных финансовых моделей.
Требование локального развертывания имеет преимущества и недостатки для крупных производителей моделей. Преимущество заключается в том, что по сравнению с моделью MaaS в других отраслях, которая напрямую вызывает интерфейсы API, локальное развертывание имеет более высокую цену за единицу, более высокую прибыль и более высокую коммерческую ценность. Недостаток заключается в том, что частное развертывание требует полного набора решений в области облачных решений, обработки данных, хранения, обучения моделей, оперативного проектирования, эксплуатации и обслуживания и т. д. В центре внимания конкуренции находится не только сама базовая модель, что увеличивает затраты и трудности для поставщиков технических услуг.
**Другая категория — мягкие чипсы. **
Банковская отрасль сама по себе имеет очень хорошую цифровую основу и глубокое накопление данных, что становится мягкой разменной монетой в переговорах. его руки.
При разработке продуктов генеративного искусственного интеллекта Morgan Stanley объединил более 100 000 финансовых отчетов, внутренних данных и финансовой литературы для точной настройки базовой модели OpenAI. По имеющимся данным, сельскохозяйственная банковская отрасль моей страны также накопила 2,6 ТБ высококачественных обучающих данных для обучения крупных моделей. Кроме того, хотя базовая крупная модель обладает сильными общими знаниями, ей не хватает способностей «профессионального курса» и профессиональных финансовых знаний.Кроме того, бизнес по финансовому сценарию сложен.Молодая крупная модель должна развивать возможности высококачественного обслуживания и стать отличный «заместитель ИИ».Вождение» дело непростое.
Это требует от крупных производителей моделей и технологических компаний изменить привычные представления о «технологиях» и «Я здесь, чтобы расширить ваши возможности/подчинить вас», повысить осведомленность об услугах и сотрудничать с финансовыми клиентами, сосредоточив внимание на финансовых клиентах.
Внедрение масштабных моделей в финансах ни в коем случае не является и не может быть очередным «технологическим прорывом отрасли». Будь то крупный производитель моделей или интегратор независимого поставщика услуг, они должны следовать принципу «клиент прежде всего».
02 Вопрос 2: Почему интеграция сложна?
Если главными являются финансовые институты, не станут ли технологические компании «большими модельными строительными бригадами», которые могут взимать лишь небольшую плату за тяжелую работу и не могут реализовать свои технологические инновации?
Большой нет, особенного нет.
**Прежде всего, финансовый ИИ — не новая вещь. **
Финансовые учреждения не так невежественны в вопросах ИИ, как все думают. Фактически, среди всех отраслей финансовая сфера определенно занимает одно из первых мест с точки зрения «контента ИИ». Несколько лет назад я брал интервью у декана Школы искусственного интеллекта 985-го университета в Китае.Он прямо сказал, что студенты в области ИИ после окончания учебы идут не в BAT или стартап-компании, а в информационные центры. технологические центры при финансовых учреждениях, таких как China Merchants Bank, занимающиеся финансовым искусственным интеллектом.
Таким образом, тенденция финансового искусственного интеллекта действительно значительно развилась несколько лет назад.Вот почему популярность крупных моделей только началась в этом году.Большое количество отечественных банков, таких как ICBC, Ping An, Сельскохозяйственный банк Китая, China Merchants Bank и CITIC Bank могут быстро создать собственную исследовательскую группу для крупных моделей GPT. Способность банка действовать своевременно зависит от накопления инвестиций в искусственный интеллект за последние несколько лет. Поэтому, ориентируясь на финансовые институты, мы также строим хорошие финансовые модели.
**Во-вторых, большие модели — это новинка. **
Чем большая модель лучше этих «традиционных ИИ» и что она умеет? Это совершенно пустой новый вопрос.
Теоретически крупные модели могут проходить через все звенья всей цепочки банковской отрасли, а сценарии применения LLM можно найти в каждом направлении бизнеса и каждом аналитике. Но на самом деле неясно, как интегрировать большую модель с бизнесом, когда все звенья полностью реализованы, а это значит, что большая часть исследований окажется неудачной и потраченной впустую.
Чтобы ускорить исследование, сократить затраты и снизить риски, финансовые учреждения и технологические компании должны работать вместе, позволяя финансовым экспертам, специалистам по алгоритмам, инженерам, тестировщикам и т. д. сидеть вместе, исследовать вместе постепенно, получать глубокое понимание сценариев. и «устранить ложь, сохранив при этом подлинность» с точки зрения спроса».
Человек, отвечающий за финансовое учреждение, прямо сказал, что сегодняшняя финансовая индустрия имеет очень богатый спектр интеллектуальных приложений. Если вы откроете руководство по продвижению финансовых продуктов компании, занимающейся искусственным интеллектом, вы увидите сотни сегментированных возможностей, но как выбрать наиболее подходящий для интеграции в ваше собственное учреждение?В бизнесе в этом процессе будет много проб и ошибок.
**В настоящее время в отрасли в основном достигнут консенсус в отношении необходимости оптимизации сценариев для крупных финансовых моделей. Есть несколько ключевых слов: **
**1. Высокая частота. **В некоторых ключевых сценариях и ключевых приложениях большие модели могут быть задействованы как можно скорее, чтобы решить проблемы и снизить порог применения. Например, первоначально трудоемкие должности, такие как интеллектуальное обслуживание клиентов и интеллектуальное инвестиционное консультирование, могут быстро привести к значительному снижению затрат и повышению эффективности.
**2. Высокая ценность. **Будьте первым, кто исследует области, имеющие социальную и коммерческую ценность. Например, инклюзивное финансирование — это финансовая услуга, которая в настоящее время ценится как правительством, так и частным сектором. торговцы. Среди них очень хорошую роль могут сыграть возможности мультимодального выражения и мощные возможности понимания и анализа больших моделей.
**3. Простота развертывания. **Первой реакцией многих финансовых практиков, когда они слышат о крупных моделях, является вопрос: могут ли маленькие модели сделать это? Большие модели выдвигают более высокие требования к вычислительной мощности и стабильности аппаратной инфраструктуры. Финансовые учреждения ускоряют продвижение локализованного оборудования. Большие модели развертываются в каждом бизнес-направлении, что приводит к снижению производительности, снижению затрат и давлению на развертывание. очень большой. Таким образом, после сжатия и оптимизации большой модели или небольшой модели с тем же эффектом ее можно реализовать в бизнес-сценариях, например, когда большая модель генерирует рекомендации для банковских финансовых продуктов, а большая модель выступает в качестве ассистента по исследованиям для Для этих традиционных ИИ, которые уже используются, можно использовать большую модель. Обновление модели не приведет к чрезмерным затратам вычислительной мощности и инженерной рабочей нагрузке и представляет собой прогрессивный сценарий, который легче реализовать.
Именно потому, что большая модель — это один слой кожи, а фактическое приложение — другой слой кожи, то, как интегрировать два слоя кожи и в каких сценариях следует расставлять приоритеты, — это непроторенная дорога. Ни финансовые учреждения, ни технологические компании не могут работать в одиночку.
03 Вопрос 3: Почему так много кандалов?
Возможно ли найти сценарий, сосредоточиться на его реализации, а затем воспроизвести его в большом масштабе, чтобы крупные финансовые модели могли развиваться семимильными шагами?
Мы говорим, что у финансовых учреждений «больше людей, больше денег и больше технологий», но это только по сравнению с другими отраслями. В действительности финансовые учреждения не могут выделять неограниченные бюджеты, инвестировать неограниченную рабочую силу и открывать неограниченные сценарии для крупных моделей, чтобы они могли по своему желанию демонстрировать свои навыки. Более того, в финансовой сфере по-прежнему существует большое количество малых и средних банков и компаний, занимающихся ценными бумагами, и стоимость технологических инноваций, которые они могут себе позволить, также ограничена.
Практикующий банк упомянул AIGC и сказал: «Конкуренция усиливается, персонал ограничен, талантов не хватает, а затраты ограничены».
**Можно сказать, что танцы с кандалами являются основной причиной «двухслойной кожи» финансов и крупных моделей, «шоу продавца и шоу покупателя». **
**Например, проблема вычислительной мощности. **В процессе замены локализации крупные финансовые модели должны разорвать оковы дорогостоящего обучения и высоких затрат вычислительной мощности, что представляет собой комплексную проверку аппаратной основы производителей моделей, возможностей самоисследования, возможностей экологической совместимости и совместной работы программного обеспечения. оптимизация.
В настоящее время ведущие поставщики облачных технологий прилагают большие усилия для разработки оборудования собственной разработки, такого как Kunlun от Baidu, Yitian от Alibaba, Shengteng от Huawei, а также вспомогательного программного обеспечения и экосистемы. Без этого трудно по-настоящему выиграть большую финансовую модель.
**Существуют также ограничения самой технологии. **Честно говоря, в самой технологии больших моделей еще много проблем, особенно когда она реализуется в финансовой сфере. Проблема иллюзий должна быть решена. Глупости неприемлемы для строгого финансового бизнеса. Природа модели как «черного ящика» сделает интеллектуальное принятие решений ИИ ненадежным и ненадежным, что сделает ее невозможной по-настоящему использовать в финансовых инвестициях, консультировании и принятии решений по анализу рынка.
**Кроме того, финансовые учреждения также будут измерять соотношение затрат и результатов окупаемости инвестиций. **Но поскольку в финансовой сфере накоплено большое количество традиционных ИИ, таких как интеллектуальное обслуживание клиентов, каждый мог получать звонки по поводу продаж продуктов и звонки по сбору счетов от роботов.
Таким образом, после внедрения больших моделей в настоящее время не существует четкого стандарта измерения того, какую выгоду они могут принести клиентам, как оценить рентабельность инвестиций и какие улучшения приносят большие модели.
Неспособность количественно оценить вклад крупных моделей в бизнес, очевидно, приведет к беспорядочной конкуренции между крупными производителями моделей или конкуренции за взаимоотношения с клиентами.
Устранение разрыва между промышленностью и большими моделями станет стандартным шагом на пути развития больших моделей в будущем.
В этом процессе первые крупномасштабные финансовые модели, столкнувшиеся с проблемой «двухслойной кожи», могут предоставить множество полезных ссылок и практик, а финансовые учреждения станут первой группой золотоискателей крупномасштабных моделей, открывших золотые прииски. ранее.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Проблема «двух шкур» между финансистами и крупными моделями
Источник: "Brain Extreme Body" (ID: unity007), автор: Zanghu
Несколько лет назад я брал интервью у отраслевого эксперта, и он упомянул главную путаницу при внедрении высоких технологий в промышленность: два слоя кожи.
Некоторые особенно потрясающие технические результаты были опубликованы в статьях, представляющих собой слой кожи. Когда технический персонал компании коммерциализирует эти результаты, они могут пойти на некоторые упрощения по инженерным соображениям, что является еще одним слоем кожи.
Между двумя слоями кожи существует разрыв, как и показ продавца и показ покупателя, они не интегрированы и не последовательны.
Часто компании, обладающие техническим талантом, возможностями НИОКР и готовностью к трансформации, первыми сталкиваются с проблемой «двух слоев кожи», вызывающей сомнения в эффективности технологий и неясные показатели рентабельности инвестиций.
Среди множества людей, охваченных увлечением крупными моделями, финансовые учреждения могут быть первыми, кто столкнется с проблемой «двух слоев кожи».
Мы знаем, что финансовая индустрия всегда одним из первых внедряла новые технологии и очень рано начала экспериментировать с ИИ. Можно сказать, что она является «лучшим студентом» в области промышленного ИИ и имеет хорошую информатизацию и цифровую основу. Во всех сценариях фронт-, мидл- и бэк-офисов финансовых учреждений есть возможности для снижения затрат и повышения эффективности с использованием крупных моделей. Поэтому финансы также считаются предпочтительным сценарием реализации крупных моделей.
Будучи пионером в реализации больших моделей, если финансовая сфера не может решить проблему «двух слоев кожи», это означает, что между показом продавца и показом покупателя все еще существует разрыв в реальном применении больших моделей.
В этой статье мы надеемся прояснить, какие проблемы создают разрыв между финансами и большими моделями?
##01 Вопрос 1: Кто главный?
Поскольку это крупномасштабная модель, ее, конечно же, будут возглавлять технологические компании и такие технологические компании, как OpenAI/BAT, а этого финансовые учреждения не хотят видеть.
Эксперт в финансовой сфере рассказал нам, что после того, как эта волна крупных моделей стала популярной, финансовые учреждения были особенно обеспокоены и испытывали эмоцию FOMO (страх упустить что-то).
Из-за последней волны технологий и появления смартфонов и мобильного Интернета многие предприятия традиционных банков и компаний, занимающихся ценными бумагами, были отняты интернет-финансовыми компаниями. По мнению представителей отрасли, эта «эпическая трагедия» никогда не должна повториться.
Финансовые учреждения, движимые технологической тревогой, очень активно следят за тенденцией появления крупных моделей.
В то же время финансовые учреждения также придают большое значение твердому взятию «основных фишек» крупных финансовых моделей в свои руки, подчеркивая «ставя себя на первое место». Некоторые представители банковской отрасли отмечали: только крупные модели, подходящие для банков, могут по-настоящему глубоко применяться к сценариям и бизнес-процессам. **Как конкретно это сделать?
**Первая категория — твердые чипсы. **
Для финансовых учреждений безопасность данных и соблюдение конфиденциальности являются жесткими и бескомпромиссными целями, к которым предъявляются очень строгие требования. Это также приводит к необходимости локализованного строительства и приватизированного внедрения и эксплуатации крупномасштабных финансовых моделей.
Требование локального развертывания имеет преимущества и недостатки для крупных производителей моделей. Преимущество заключается в том, что по сравнению с моделью MaaS в других отраслях, которая напрямую вызывает интерфейсы API, локальное развертывание имеет более высокую цену за единицу, более высокую прибыль и более высокую коммерческую ценность. Недостаток заключается в том, что частное развертывание требует полного набора решений в области облачных решений, обработки данных, хранения, обучения моделей, оперативного проектирования, эксплуатации и обслуживания и т. д. В центре внимания конкуренции находится не только сама базовая модель, что увеличивает затраты и трудности для поставщиков технических услуг.
**Другая категория — мягкие чипсы. **
Банковская отрасль сама по себе имеет очень хорошую цифровую основу и глубокое накопление данных, что становится мягкой разменной монетой в переговорах. его руки.
Это требует от крупных производителей моделей и технологических компаний изменить привычные представления о «технологиях» и «Я здесь, чтобы расширить ваши возможности/подчинить вас», повысить осведомленность об услугах и сотрудничать с финансовыми клиентами, сосредоточив внимание на финансовых клиентах.
Внедрение масштабных моделей в финансах ни в коем случае не является и не может быть очередным «технологическим прорывом отрасли». Будь то крупный производитель моделей или интегратор независимого поставщика услуг, они должны следовать принципу «клиент прежде всего».
02 Вопрос 2: Почему интеграция сложна?
Если главными являются финансовые институты, не станут ли технологические компании «большими модельными строительными бригадами», которые могут взимать лишь небольшую плату за тяжелую работу и не могут реализовать свои технологические инновации?
Большой нет, особенного нет.
**Прежде всего, финансовый ИИ — не новая вещь. **
Финансовые учреждения не так невежественны в вопросах ИИ, как все думают. Фактически, среди всех отраслей финансовая сфера определенно занимает одно из первых мест с точки зрения «контента ИИ». Несколько лет назад я брал интервью у декана Школы искусственного интеллекта 985-го университета в Китае.Он прямо сказал, что студенты в области ИИ после окончания учебы идут не в BAT или стартап-компании, а в информационные центры. технологические центры при финансовых учреждениях, таких как China Merchants Bank, занимающиеся финансовым искусственным интеллектом.
Таким образом, тенденция финансового искусственного интеллекта действительно значительно развилась несколько лет назад.Вот почему популярность крупных моделей только началась в этом году.Большое количество отечественных банков, таких как ICBC, Ping An, Сельскохозяйственный банк Китая, China Merchants Bank и CITIC Bank могут быстро создать собственную исследовательскую группу для крупных моделей GPT. Способность банка действовать своевременно зависит от накопления инвестиций в искусственный интеллект за последние несколько лет. Поэтому, ориентируясь на финансовые институты, мы также строим хорошие финансовые модели.
Чем большая модель лучше этих «традиционных ИИ» и что она умеет? Это совершенно пустой новый вопрос.
Теоретически крупные модели могут проходить через все звенья всей цепочки банковской отрасли, а сценарии применения LLM можно найти в каждом направлении бизнеса и каждом аналитике. Но на самом деле неясно, как интегрировать большую модель с бизнесом, когда все звенья полностью реализованы, а это значит, что большая часть исследований окажется неудачной и потраченной впустую.
Чтобы ускорить исследование, сократить затраты и снизить риски, финансовые учреждения и технологические компании должны работать вместе, позволяя финансовым экспертам, специалистам по алгоритмам, инженерам, тестировщикам и т. д. сидеть вместе, исследовать вместе постепенно, получать глубокое понимание сценариев. и «устранить ложь, сохранив при этом подлинность» с точки зрения спроса».
Человек, отвечающий за финансовое учреждение, прямо сказал, что сегодняшняя финансовая индустрия имеет очень богатый спектр интеллектуальных приложений. Если вы откроете руководство по продвижению финансовых продуктов компании, занимающейся искусственным интеллектом, вы увидите сотни сегментированных возможностей, но как выбрать наиболее подходящий для интеграции в ваше собственное учреждение?В бизнесе в этом процессе будет много проб и ошибок.
**В настоящее время в отрасли в основном достигнут консенсус в отношении необходимости оптимизации сценариев для крупных финансовых моделей. Есть несколько ключевых слов: **
**2. Высокая ценность. **Будьте первым, кто исследует области, имеющие социальную и коммерческую ценность. Например, инклюзивное финансирование — это финансовая услуга, которая в настоящее время ценится как правительством, так и частным сектором. торговцы. Среди них очень хорошую роль могут сыграть возможности мультимодального выражения и мощные возможности понимания и анализа больших моделей.
**3. Простота развертывания. **Первой реакцией многих финансовых практиков, когда они слышат о крупных моделях, является вопрос: могут ли маленькие модели сделать это? Большие модели выдвигают более высокие требования к вычислительной мощности и стабильности аппаратной инфраструктуры. Финансовые учреждения ускоряют продвижение локализованного оборудования. Большие модели развертываются в каждом бизнес-направлении, что приводит к снижению производительности, снижению затрат и давлению на развертывание. очень большой. Таким образом, после сжатия и оптимизации большой модели или небольшой модели с тем же эффектом ее можно реализовать в бизнес-сценариях, например, когда большая модель генерирует рекомендации для банковских финансовых продуктов, а большая модель выступает в качестве ассистента по исследованиям для Для этих традиционных ИИ, которые уже используются, можно использовать большую модель. Обновление модели не приведет к чрезмерным затратам вычислительной мощности и инженерной рабочей нагрузке и представляет собой прогрессивный сценарий, который легче реализовать.
Именно потому, что большая модель — это один слой кожи, а фактическое приложение — другой слой кожи, то, как интегрировать два слоя кожи и в каких сценариях следует расставлять приоритеты, — это непроторенная дорога. Ни финансовые учреждения, ни технологические компании не могут работать в одиночку.
03 Вопрос 3: Почему так много кандалов?
Возможно ли найти сценарий, сосредоточиться на его реализации, а затем воспроизвести его в большом масштабе, чтобы крупные финансовые модели могли развиваться семимильными шагами?
Мы говорим, что у финансовых учреждений «больше людей, больше денег и больше технологий», но это только по сравнению с другими отраслями. В действительности финансовые учреждения не могут выделять неограниченные бюджеты, инвестировать неограниченную рабочую силу и открывать неограниченные сценарии для крупных моделей, чтобы они могли по своему желанию демонстрировать свои навыки. Более того, в финансовой сфере по-прежнему существует большое количество малых и средних банков и компаний, занимающихся ценными бумагами, и стоимость технологических инноваций, которые они могут себе позволить, также ограничена.
Практикующий банк упомянул AIGC и сказал: «Конкуренция усиливается, персонал ограничен, талантов не хватает, а затраты ограничены».
**Можно сказать, что танцы с кандалами являются основной причиной «двухслойной кожи» финансов и крупных моделей, «шоу продавца и шоу покупателя». **
**Например, проблема вычислительной мощности. **В процессе замены локализации крупные финансовые модели должны разорвать оковы дорогостоящего обучения и высоких затрат вычислительной мощности, что представляет собой комплексную проверку аппаратной основы производителей моделей, возможностей самоисследования, возможностей экологической совместимости и совместной работы программного обеспечения. оптимизация.
В настоящее время ведущие поставщики облачных технологий прилагают большие усилия для разработки оборудования собственной разработки, такого как Kunlun от Baidu, Yitian от Alibaba, Shengteng от Huawei, а также вспомогательного программного обеспечения и экосистемы. Без этого трудно по-настоящему выиграть большую финансовую модель.
**Существуют также ограничения самой технологии. **Честно говоря, в самой технологии больших моделей еще много проблем, особенно когда она реализуется в финансовой сфере. Проблема иллюзий должна быть решена. Глупости неприемлемы для строгого финансового бизнеса. Природа модели как «черного ящика» сделает интеллектуальное принятие решений ИИ ненадежным и ненадежным, что сделает ее невозможной по-настоящему использовать в финансовых инвестициях, консультировании и принятии решений по анализу рынка.
**Кроме того, финансовые учреждения также будут измерять соотношение затрат и результатов окупаемости инвестиций. **Но поскольку в финансовой сфере накоплено большое количество традиционных ИИ, таких как интеллектуальное обслуживание клиентов, каждый мог получать звонки по поводу продаж продуктов и звонки по сбору счетов от роботов.
Таким образом, после внедрения больших моделей в настоящее время не существует четкого стандарта измерения того, какую выгоду они могут принести клиентам, как оценить рентабельность инвестиций и какие улучшения приносят большие модели.
Неспособность количественно оценить вклад крупных моделей в бизнес, очевидно, приведет к беспорядочной конкуренции между крупными производителями моделей или конкуренции за взаимоотношения с клиентами.
В этом процессе первые крупномасштабные финансовые модели, столкнувшиеся с проблемой «двухслойной кожи», могут предоставить множество полезных ссылок и практик, а финансовые учреждения станут первой группой золотоискателей крупномасштабных моделей, открывших золотые прииски. ранее.