Кілька років тому я брав інтерв’ю в галузевого експерта, і він згадав про велику плутанину у впровадженні високих технологій у промисловість: два шари шкіри.
Деякі особливо приголомшливі технічні результати були опубліковані в документах, які є шаром шкіри. Коли технічний персонал компанії комерціалізує ці результати, вони можуть зробити деякі спрощення з інженерних причин, що є ще одним шаром шкіри.
Існує проміжок між двома шарами шкіри, як і шоу продавця та шоу покупця, вони не інтегровані та послідовні.
Часто компанії з технічними талантами, науково-дослідницькими можливостями та готовністю до трансформації першими стикаються з проблемою «двох шарів шкіри», що викликає сумніви щодо ефективності технології та нечітку норму прибутку від інвестицій.
Серед різних людей, які кинулися в манію великих моделей, фінансові установи можуть бути першими, хто зіткнеться з проблемою «двох шарів шкіри».
Ми знаємо, що фінансова індустрія завжди була першим запровадженням нових технологій і дуже рано почала експериментувати з штучним інтелектом. Можна сказати, що вона є «найкращим студентом» у промисловому штучному інтелекті, і вона має хорошу інформатизацію та цифрову основу. У всіх сценаріях фронт-, мідл- і бек-офісів фінансових установ є можливості для скорочення витрат і підвищення ефективності за допомогою великих моделей. Тому фінанси також вважаються кращим сценарієм для реалізації великих моделей.
Як піонер у впровадженні великих моделей, якщо фінансова сфера не може вирішити проблему «двох шарів шкіри», це означає, що все ще існує розрив між показом продавця та показом покупця у фактичному застосуванні великих моделей.
Ця стаття має на меті прояснити, які проблеми створюють прірву між фінансами та великими моделями?
01 Питання 1: Хто головний?
Оскільки це широкомасштабна модель, її, звичайно, керуватимуть технологічні компанії та технологічні компанії, такі як OpenAI/BAT, і це те, чого фінансові установи не хочуть бачити.
Експерт у фінансовій галузі сказав нам, що після того, як ця хвиля великих моделей стала популярною, фінансові установи були особливо стурбовані та мали емоції FOMO (Fear of Missing Out).
Через останню хвилю технологій і розвиток смартфонів і мобільного Інтернету багато бізнесів традиційних банків і фірм, що займаються цінними паперами, забрали фінансові інтернет-компанії. За словами представників галузі, ця «епічна трагедія» ніколи не повинна повторитися.
Спонукані технологічною тривогою, фінансові установи дуже активно йдуть у ногу з тенденцією великих моделей. Виробникам техніки немає потреби проводити значну освіту ринку. Уся галузь показала надзвичайно хороші результати у прийнятті великих моделей.
У той же час фінансові установи також надають великого значення твердому захопленню «основних фішок» великих фінансових моделей у своїх руках, наголошуючи на «поставте мене на перше місце». Деякі працівники банківської галузі зазначили: лише великі моделі, які підходять для банків, можна справді глибоко застосувати до сценаріїв і бізнес-процесів. **Як це зробити конкретно?
**Перша категорія — тверда стружка. **
Для фінансових установ безпека даних і дотримання конфіденційності є важкою ціллю без компромісів і мають дуже суворі вимоги. Це також призводить до необхідності локального будівництва та приватизованого розгортання та функціонування широкомасштабних фінансових моделей.
Вимога локального розгортання має переваги та недоліки для великих виробників моделей. Перевага полягає в тому, що порівняно з моделлю MaaS в інших галузях, яка безпосередньо викликає інтерфейси API, локальне розгортання має вищу ціну за одиницю, вищі прибутки та вищу комерційну цінність. Недоліком є те, що для приватного розгортання потрібен повний набір рішень у хмарних рішеннях, обробці даних, сховищі, навчанні моделі, оперативному проектуванні, службі з експлуатації та технічного обслуговування тощо. Конкуренція зосереджується не лише на самій базовій моделі, яка збільшує витрати та труднощі для постачальників технічних послуг.
**Інша категорія – м’яка стружка. **
Щоб великі фінансові моделі працювали добре, вони вимагають точного налаштування власних даних, впровадження знань предметної області та зворотного зв’язку на основі сценаріїв.Сама банківська галузь має дуже хорошу цифрову основу та глибоке накопичення даних, що стає м’якою розмінною монетою в своїми руками.
Розробляючи генеративні продукти штучного інтелекту, Morgan Stanley об’єднав понад 100 000 фінансових звітів, внутрішні дані та фінансову літературу для точного налаштування базової моделі OpenAI. Відповідно до звітів, сільськогосподарська банківська галузь моєї країни також накопичила 2,6 ТБ високоякісних навчальних даних для навчання великих моделей. Крім того, незважаючи на те, що базова велика модель має сильні загальні знання, їй бракує навичок "професійного курсу" та професійних фінансових знань. Крім того, фінансовий сценарій бізнесу є складним. Молода велика модель має розвинути можливості високоякісного обслуговування та стати відмінний «AI депутат».Водити» нелегко.
Це вимагає від великих виробників моделей і технологічних компаній змінити звичне мислення про «орієнтованість на технології» та «Я тут, щоб розширити/підірвати вас», підвищити обізнаність про послуги та співпрацювати з фінансовими клієнтами, зосереджуючись на фінансових клієнтах.
Впровадження масштабних моделей у фінанси аж ніяк не є і не може бути черговим «технологічним зривом галузі». Незалежно від того, чи це загальний виробник великих моделей, чи інтегратор постачальників послуг ISV, вони повинні танцювати на базовій лінії «спочатку клієнт».
02 Питання 2: Чому інтеграція складна?
Якщо фінансові установи є головними, чи не стануть технологічні компанії «великими модельними будівельними бригадами», які можуть стягувати лише невелику плату за важку роботу і не можуть застосувати свої технологічні інновації?
Великий немає особливого немає.
**По-перше, фінансовий ШІ — річ не нова. **
Фінансові установи не такі неосвічені щодо ШІ, як усі думають. Насправді, серед усіх галузей фінансова сфера, безперечно, є однією з лідерів з точки зору «вмісту ШІ». Кілька років тому я брав інтерв’ю у декана Школи штучного інтелекту китайського університету 985. Він прямо сказав, що студенти, які навчаються в області штучного інтелекту, після закінчення навчання йдуть не в BAT або стартап-компанії, а в інформаційні центри/ технологічні центри під фінансовими установами, такими як China Merchants Bank. , що займаються фінансовим штучним інтелектом.
Таким чином, тенденція фінансового штучного інтелекту насправді значно розвинулась кілька років тому. Ось чому популярність великих моделей лише почалася цього року. Велика кількість вітчизняних банків, таких як ICBC, Ping An, Agricultural Bank of China, China Merchants Банк і CITIC Bank можуть швидко створити Створено власну спеціальну дослідницьку групу для великих моделей GPT. Здатність банку діяти своєчасно залежить від накопичення інвестицій у ШІ за останні кілька років. Тому, зосереджуючись на фінансових установах, ми також будуємо хороші фінансові моделі.
**По-друге, великі моделі - це новинка. **
Чим велика модель краща за цей «традиційний ШІ» і що вона може? Це абсолютно порожнє нове питання.
Теоретично великі моделі можуть проходити через усі ланки всього банківського ланцюга, а сценарії застосування LLM можна знайти в кожному бізнес-напрямку та в кожному інтелекті. Але насправді незрозуміло, як інтегрувати велику модель із бізнесом, коли всі зв’язки повністю реалізовано, а це означає, що багато досліджень будуть невдалими та витраченими.
Щоб прискорити розвідку, скоротити витрати та зменшити ризики, фінансові установи та технологічні компанії повинні працювати разом, дозволяючи фінансовим експертам, алгоритмістам, інженерам, тестувальникам тощо сидіти разом, досліджувати разом крок за кроком, отримувати глибоке розуміння сценаріїв , і «усунути неправду, зберігаючи істинні« потреби ».
Керівник фінансової установи прямо сказав, що сьогоднішня фінансова індустрія має дуже багатий спектр інтелектуальних програм. Якщо ви відкриєте посібник з просування фінансових продуктів компанії AI, ви побачите сотні сегментованих можливостей, але як вибрати найбільше який підходить для інтеграції у вашу власну установу?У бізнесі в цьому процесі буде багато проб і помилок.
**Наразі галузь в основному дійшла консенсусу щодо того, що сценарії необхідно оптимізувати для великих фінансових моделей. Є кілька ключових слів: **
**1. Висока частота. **У деяких ключових сценаріях і ключових програмах великі моделі можна запустити в роботу якомога швидше, щоб вирішити проблеми та знизити поріг для застосування. Наприклад, спочатку трудомісткі посади, такі як інтелектуальне обслуговування клієнтів і інтелектуальне інвестиційне консультування, можуть швидко призвести до значного скорочення витрат і підвищення ефективності.
**2. Високе значення. **Будь першим, хто досліджує райони соціальної та комерційної цінності. Наприклад, інклюзивне фінансування – це фінансова послуга, яка зараз цінується як урядом, так і приватним сектором. Вона вимагає точних даних, нижчої вартості та високодоступних можливостей обслуговування для всебічного скорочення фінансових витрат малих, середніх і мікропідприємств/ купці. Серед них багатомодальні можливості вираження та потужні можливості розуміння й аналізу великих моделей можуть відігравати дуже добру роль.
**3. Легко розгорнути. **Першою реакцією багатьох фінансистів, коли вони чують про великі моделі, є: чи можуть маленькі моделі зробити це? Великі моделі висувають вищі вимоги до обчислювальної потужності та стабільності інфраструктури апаратного забезпечення. Фінансові установи прискорюють просування локалізованого обладнання. Великі моделі розгортаються в кожному бізнес-напрямку, що створює тиск на продуктивність, тиск і тиск на розгортання. Усі вони дуже великий. Таким чином, після того, як велика модель буде стиснута та оптимізована, або мала модель з тим же ефектом, її можна впровадити в бізнес-сценарії, наприклад, велика модель генерує рекомендації для банківських фінансових продуктів, а велика модель виступає в якості асистента дослідження для Для цих традиційних штучних інтелектів, які вже використовуються, можна використовувати велику модель. Оновлення моделі не призведе до надмірних витрат на обчислювальну потужність та інженерного навантаження, і це прогресивний сценарій, який легше реалізувати.
Саме тому, що велика модель — це один шар шкіри, а фактичне застосування — інший шар шкіри, те, як інтегрувати два шари шкіри та в яких сценаріях слід віддати перевагу, — невиконана дорога. Ні фінансові установи, ні технологічні компанії не можуть працювати поодинці. Лише тісно співпрацюючи ми можемо знайти найкращий шлях інтеграції між фінансовими сценаріями та великими моделями.
03 Питання 3: Чому так багато кайданів?
Чи можна знайти сценарій, зосередитися на його завоюванні, а потім відтворити його у великому масштабі, щоб великі фінансові моделі могли розвиватися семимильними кроками?
Ми говоримо, що фінансові установи мають «більше людей, більше грошей і більше технологій», але це стосується лише інших галузей. Насправді фінансові установи не можуть виділяти необмежену кількість бюджетів, інвестувати необмежену робочу силу та відкривати необмежену кількість сценаріїв для великих моделей, щоб як завгодно демонструвати свої вміння. Крім того, у фінансовій сфері все ще існує велика кількість малих і середніх банків і компаній, що займаються продажем цінних паперів, і вартість технологічних інновацій, які вони можуть собі дозволити, також обмежена.
Банківський практик згадав AIGC і сказав: Конкуренція посилюється, персонал обмежений, талантів бракує, а витрати низькі.
**Можна сказати, що танці з кайданами є основною причиною «двошарової шкіри» фінансів і великих моделей, «шоу продавця і шоу покупця». **
**Наприклад, проблема обчислювальної потужності. **У процесі заміни локалізації великі фінансові моделі повинні розірвати кайдани дорогого навчання та високих витрат на обчислювальну потужність, що ставить перед комплексною перевіркою апаратну основу виробників моделей, можливості самодослідження, можливості екологічної сумісності та спільне програмне забезпечення оптимізація.
Зараз провідні постачальники хмарних технологій докладають великих зусиль для розробки апаратного забезпечення власної розробки, наприклад Kunlun від Baidu, Yitian від Alibaba, Shengteng від Huawei, а також допоміжного програмного забезпечення та екосистеми. Без них важко по-справжньому виграти велику фінансову модель.
**Існують також обмеження самої технології. **Відверто кажучи, у самій технології великої моделі, особливо коли вона реалізована у фінансовій сфері, ще багато проблем. Потрібно вирішити проблему ілюзії. Нісенітниця неприйнятна для суворого фінансового бізнесу. Природа моделі «чорного ящика» зробить інтелектуальне прийняття рішень штучним інтелектом ненадійним і не заслуговує довіри, що унеможливить його справжнє використання в консультаціях щодо фінансових інвестицій та аналізі ринку.
**Крім того, фінансові установи також вимірюватимуть співвідношення витрат і випуску ROI. **Але оскільки у фінансовій сфері накопичено велику кількість традиційного штучного інтелекту, як-от інтелектуальне обслуговування клієнтів, усі могли отримувати дзвінки з продажу продуктів і дзвінки щодо отримання рахунків від роботів.
Таким чином, після появи великих моделей наразі немає чіткого стандарту вимірювання того, яку вигоду вони можуть принести клієнтам, як оцінити відношення рентабельності інвестицій і які покращення приносять великі моделі.
Нездатність кількісно визначити внесок великих моделей у бізнес, очевидно, призведе до безладної конкуренції між великими виробниками моделей або конкуренції за відносини з клієнтами.Це також стало прихованою проблемою неефективності великих фінансових моделей.
Усунення розриву між галуззю та великими моделями стане стандартним кроком на ринку великих моделей у майбутньому.
У цьому процесі перші великомасштабні фінансові моделі, які зіткнуться з проблемою «двошарової шкіри», можуть надати багато корисних довідок і практик, а фінансові установи стануть першою партією великомасштабних моделей золотошукачів, які відкриють золоті копальні. раніше.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Проблема «двох шкір» між фінансами та великими моделями
Джерело: "Brain Extreme Body" (ID: unity007), автор: Zanghu
Кілька років тому я брав інтерв’ю в галузевого експерта, і він згадав про велику плутанину у впровадженні високих технологій у промисловість: два шари шкіри.
Деякі особливо приголомшливі технічні результати були опубліковані в документах, які є шаром шкіри. Коли технічний персонал компанії комерціалізує ці результати, вони можуть зробити деякі спрощення з інженерних причин, що є ще одним шаром шкіри.
Існує проміжок між двома шарами шкіри, як і шоу продавця та шоу покупця, вони не інтегровані та послідовні.
Часто компанії з технічними талантами, науково-дослідницькими можливостями та готовністю до трансформації першими стикаються з проблемою «двох шарів шкіри», що викликає сумніви щодо ефективності технології та нечітку норму прибутку від інвестицій.
Серед різних людей, які кинулися в манію великих моделей, фінансові установи можуть бути першими, хто зіткнеться з проблемою «двох шарів шкіри».
Ми знаємо, що фінансова індустрія завжди була першим запровадженням нових технологій і дуже рано почала експериментувати з штучним інтелектом. Можна сказати, що вона є «найкращим студентом» у промисловому штучному інтелекті, і вона має хорошу інформатизацію та цифрову основу. У всіх сценаріях фронт-, мідл- і бек-офісів фінансових установ є можливості для скорочення витрат і підвищення ефективності за допомогою великих моделей. Тому фінанси також вважаються кращим сценарієм для реалізації великих моделей.
Як піонер у впровадженні великих моделей, якщо фінансова сфера не може вирішити проблему «двох шарів шкіри», це означає, що все ще існує розрив між показом продавця та показом покупця у фактичному застосуванні великих моделей.
Ця стаття має на меті прояснити, які проблеми створюють прірву між фінансами та великими моделями?
01 Питання 1: Хто головний?
Оскільки це широкомасштабна модель, її, звичайно, керуватимуть технологічні компанії та технологічні компанії, такі як OpenAI/BAT, і це те, чого фінансові установи не хочуть бачити.
Експерт у фінансовій галузі сказав нам, що після того, як ця хвиля великих моделей стала популярною, фінансові установи були особливо стурбовані та мали емоції FOMO (Fear of Missing Out).
Через останню хвилю технологій і розвиток смартфонів і мобільного Інтернету багато бізнесів традиційних банків і фірм, що займаються цінними паперами, забрали фінансові інтернет-компанії. За словами представників галузі, ця «епічна трагедія» ніколи не повинна повторитися.
Спонукані технологічною тривогою, фінансові установи дуже активно йдуть у ногу з тенденцією великих моделей. Виробникам техніки немає потреби проводити значну освіту ринку. Уся галузь показала надзвичайно хороші результати у прийнятті великих моделей.
У той же час фінансові установи також надають великого значення твердому захопленню «основних фішок» великих фінансових моделей у своїх руках, наголошуючи на «поставте мене на перше місце». Деякі працівники банківської галузі зазначили: лише великі моделі, які підходять для банків, можна справді глибоко застосувати до сценаріїв і бізнес-процесів. **Як це зробити конкретно?
**Перша категорія — тверда стружка. **
Для фінансових установ безпека даних і дотримання конфіденційності є важкою ціллю без компромісів і мають дуже суворі вимоги. Це також призводить до необхідності локального будівництва та приватизованого розгортання та функціонування широкомасштабних фінансових моделей.
Вимога локального розгортання має переваги та недоліки для великих виробників моделей. Перевага полягає в тому, що порівняно з моделлю MaaS в інших галузях, яка безпосередньо викликає інтерфейси API, локальне розгортання має вищу ціну за одиницю, вищі прибутки та вищу комерційну цінність. Недоліком є те, що для приватного розгортання потрібен повний набір рішень у хмарних рішеннях, обробці даних, сховищі, навчанні моделі, оперативному проектуванні, службі з експлуатації та технічного обслуговування тощо. Конкуренція зосереджується не лише на самій базовій моделі, яка збільшує витрати та труднощі для постачальників технічних послуг.
**Інша категорія – м’яка стружка. **
Щоб великі фінансові моделі працювали добре, вони вимагають точного налаштування власних даних, впровадження знань предметної області та зворотного зв’язку на основі сценаріїв.Сама банківська галузь має дуже хорошу цифрову основу та глибоке накопичення даних, що стає м’якою розмінною монетою в своїми руками.
Це вимагає від великих виробників моделей і технологічних компаній змінити звичне мислення про «орієнтованість на технології» та «Я тут, щоб розширити/підірвати вас», підвищити обізнаність про послуги та співпрацювати з фінансовими клієнтами, зосереджуючись на фінансових клієнтах.
Впровадження масштабних моделей у фінанси аж ніяк не є і не може бути черговим «технологічним зривом галузі». Незалежно від того, чи це загальний виробник великих моделей, чи інтегратор постачальників послуг ISV, вони повинні танцювати на базовій лінії «спочатку клієнт».
02 Питання 2: Чому інтеграція складна?
Якщо фінансові установи є головними, чи не стануть технологічні компанії «великими модельними будівельними бригадами», які можуть стягувати лише невелику плату за важку роботу і не можуть застосувати свої технологічні інновації?
Великий немає особливого немає.
**По-перше, фінансовий ШІ — річ не нова. **
Фінансові установи не такі неосвічені щодо ШІ, як усі думають. Насправді, серед усіх галузей фінансова сфера, безперечно, є однією з лідерів з точки зору «вмісту ШІ». Кілька років тому я брав інтерв’ю у декана Школи штучного інтелекту китайського університету 985. Він прямо сказав, що студенти, які навчаються в області штучного інтелекту, після закінчення навчання йдуть не в BAT або стартап-компанії, а в інформаційні центри/ технологічні центри під фінансовими установами, такими як China Merchants Bank. , що займаються фінансовим штучним інтелектом.
Таким чином, тенденція фінансового штучного інтелекту насправді значно розвинулась кілька років тому. Ось чому популярність великих моделей лише почалася цього року. Велика кількість вітчизняних банків, таких як ICBC, Ping An, Agricultural Bank of China, China Merchants Банк і CITIC Bank можуть швидко створити Створено власну спеціальну дослідницьку групу для великих моделей GPT. Здатність банку діяти своєчасно залежить від накопичення інвестицій у ШІ за останні кілька років. Тому, зосереджуючись на фінансових установах, ми також будуємо хороші фінансові моделі.
Чим велика модель краща за цей «традиційний ШІ» і що вона може? Це абсолютно порожнє нове питання.
Теоретично великі моделі можуть проходити через усі ланки всього банківського ланцюга, а сценарії застосування LLM можна знайти в кожному бізнес-напрямку та в кожному інтелекті. Але насправді незрозуміло, як інтегрувати велику модель із бізнесом, коли всі зв’язки повністю реалізовано, а це означає, що багато досліджень будуть невдалими та витраченими.
Щоб прискорити розвідку, скоротити витрати та зменшити ризики, фінансові установи та технологічні компанії повинні працювати разом, дозволяючи фінансовим експертам, алгоритмістам, інженерам, тестувальникам тощо сидіти разом, досліджувати разом крок за кроком, отримувати глибоке розуміння сценаріїв , і «усунути неправду, зберігаючи істинні« потреби ».
Керівник фінансової установи прямо сказав, що сьогоднішня фінансова індустрія має дуже багатий спектр інтелектуальних програм. Якщо ви відкриєте посібник з просування фінансових продуктів компанії AI, ви побачите сотні сегментованих можливостей, але як вибрати найбільше який підходить для інтеграції у вашу власну установу?У бізнесі в цьому процесі буде багато проб і помилок.
**Наразі галузь в основному дійшла консенсусу щодо того, що сценарії необхідно оптимізувати для великих фінансових моделей. Є кілька ключових слів: **
**2. Високе значення. **Будь першим, хто досліджує райони соціальної та комерційної цінності. Наприклад, інклюзивне фінансування – це фінансова послуга, яка зараз цінується як урядом, так і приватним сектором. Вона вимагає точних даних, нижчої вартості та високодоступних можливостей обслуговування для всебічного скорочення фінансових витрат малих, середніх і мікропідприємств/ купці. Серед них багатомодальні можливості вираження та потужні можливості розуміння й аналізу великих моделей можуть відігравати дуже добру роль.
**3. Легко розгорнути. **Першою реакцією багатьох фінансистів, коли вони чують про великі моделі, є: чи можуть маленькі моделі зробити це? Великі моделі висувають вищі вимоги до обчислювальної потужності та стабільності інфраструктури апаратного забезпечення. Фінансові установи прискорюють просування локалізованого обладнання. Великі моделі розгортаються в кожному бізнес-напрямку, що створює тиск на продуктивність, тиск і тиск на розгортання. Усі вони дуже великий. Таким чином, після того, як велика модель буде стиснута та оптимізована, або мала модель з тим же ефектом, її можна впровадити в бізнес-сценарії, наприклад, велика модель генерує рекомендації для банківських фінансових продуктів, а велика модель виступає в якості асистента дослідження для Для цих традиційних штучних інтелектів, які вже використовуються, можна використовувати велику модель. Оновлення моделі не призведе до надмірних витрат на обчислювальну потужність та інженерного навантаження, і це прогресивний сценарій, який легше реалізувати.
Саме тому, що велика модель — це один шар шкіри, а фактичне застосування — інший шар шкіри, те, як інтегрувати два шари шкіри та в яких сценаріях слід віддати перевагу, — невиконана дорога. Ні фінансові установи, ні технологічні компанії не можуть працювати поодинці. Лише тісно співпрацюючи ми можемо знайти найкращий шлях інтеграції між фінансовими сценаріями та великими моделями.
03 Питання 3: Чому так багато кайданів?
Чи можна знайти сценарій, зосередитися на його завоюванні, а потім відтворити його у великому масштабі, щоб великі фінансові моделі могли розвиватися семимильними кроками?
Ми говоримо, що фінансові установи мають «більше людей, більше грошей і більше технологій», але це стосується лише інших галузей. Насправді фінансові установи не можуть виділяти необмежену кількість бюджетів, інвестувати необмежену робочу силу та відкривати необмежену кількість сценаріїв для великих моделей, щоб як завгодно демонструвати свої вміння. Крім того, у фінансовій сфері все ще існує велика кількість малих і середніх банків і компаній, що займаються продажем цінних паперів, і вартість технологічних інновацій, які вони можуть собі дозволити, також обмежена.
Банківський практик згадав AIGC і сказав: Конкуренція посилюється, персонал обмежений, талантів бракує, а витрати низькі.
**Можна сказати, що танці з кайданами є основною причиною «двошарової шкіри» фінансів і великих моделей, «шоу продавця і шоу покупця». **
**Наприклад, проблема обчислювальної потужності. **У процесі заміни локалізації великі фінансові моделі повинні розірвати кайдани дорогого навчання та високих витрат на обчислювальну потужність, що ставить перед комплексною перевіркою апаратну основу виробників моделей, можливості самодослідження, можливості екологічної сумісності та спільне програмне забезпечення оптимізація.
Зараз провідні постачальники хмарних технологій докладають великих зусиль для розробки апаратного забезпечення власної розробки, наприклад Kunlun від Baidu, Yitian від Alibaba, Shengteng від Huawei, а також допоміжного програмного забезпечення та екосистеми. Без них важко по-справжньому виграти велику фінансову модель.
**Існують також обмеження самої технології. **Відверто кажучи, у самій технології великої моделі, особливо коли вона реалізована у фінансовій сфері, ще багато проблем. Потрібно вирішити проблему ілюзії. Нісенітниця неприйнятна для суворого фінансового бізнесу. Природа моделі «чорного ящика» зробить інтелектуальне прийняття рішень штучним інтелектом ненадійним і не заслуговує довіри, що унеможливить його справжнє використання в консультаціях щодо фінансових інвестицій та аналізі ринку.
**Крім того, фінансові установи також вимірюватимуть співвідношення витрат і випуску ROI. **Але оскільки у фінансовій сфері накопичено велику кількість традиційного штучного інтелекту, як-от інтелектуальне обслуговування клієнтів, усі могли отримувати дзвінки з продажу продуктів і дзвінки щодо отримання рахунків від роботів.
Таким чином, після появи великих моделей наразі немає чіткого стандарту вимірювання того, яку вигоду вони можуть принести клієнтам, як оцінити відношення рентабельності інвестицій і які покращення приносять великі моделі.
Нездатність кількісно визначити внесок великих моделей у бізнес, очевидно, призведе до безладної конкуренції між великими виробниками моделей або конкуренції за відносини з клієнтами.Це також стало прихованою проблемою неефективності великих фінансових моделей.
У цьому процесі перші великомасштабні фінансові моделі, які зіткнуться з проблемою «двошарової шкіри», можуть надати багато корисних довідок і практик, а фінансові установи стануть першою партією великомасштабних моделей золотошукачів, які відкриють золоті копальні. раніше.