Một danh sách gần đây về AI và ngân hàng ngày càng được trích dẫn nhiều hơn. Danh sách này xếp hạng 23 ngân hàng lớn nhất ở Châu Âu và Hoa Kỳ, có tổng tài sản ít nhất 1 nghìn tỷ đô la Mỹ đủ điều kiện để lựa chọn.
Danh sách này được gọi là "Chỉ số AI của ngân hàng (Chỉ số AI rõ ràng)", do công ty tư vấn Evident Insights phát hành, nó được công bố rộng rãi và đây là lần đầu tiên xếp hạng danh sách trưởng thành AI (trưởng thành AI) của các ngân hàng.
Danh sách 10 ngân hàng hàng đầu về chỉ số AI:
Nguồn: Evident Insights, do Viện Nghiên cứu Công nghệ Bingjian tổng hợp
Để lập danh sách này, Evident Insights đã thu thập hàng triệu điểm dữ liệu, dựa trên báo cáo tài chính ngân hàng và dữ liệu công khai từ hàng loạt nguồn dữ liệu bên thứ ba, với sự tham gia của hơn 50 chuyên gia hàng đầu về trí tuệ nhân tạo và ngân hàng, để lập danh sách này. danh sách.
Mỗi ngân hàng được đánh giá dựa trên 142 chỉ số riêng lẻ trên bốn khía cạnh: tài năng, đổi mới, lãnh đạo và minh bạch. Tài năng chiếm tỷ trọng cao nhất, đạt 40%.
Theo Evident Insights, số lượng và chất lượng của các tài năng AI sẽ ảnh hưởng lớn đến khả năng cạnh tranh trong tương lai của các ngân hàng hàng đầu này. JPMorgan Chase, đứng đầu, có nhiều nhân viên trí tuệ nhân tạo nhất trong ngành ngân hàng, chiếm hơn 10% tổng số nhân viên và vẫn đang tăng tốc tuyển dụng. Từ tháng 2 đến tháng 4 năm 2023, JPMorgan Chase đã đăng ít nhất 20% quảng cáo việc làm cho các vị trí trí tuệ nhân tạo và lõi dữ liệu của tất cả các ngân hàng trong danh sách.
Sau khi tìm kiếm và phân tích thông tin trên các trang web tuyển dụng như LinkedIn, Evident Insights cũng nhận thấy một hiện tượng thú vị: vào thời điểm trí tuệ nhân tạo sáng tạo đang rất hot, 23 ngân hàng này *chỉ có chưa đến 2% mô tả công việc liên quan đến AI *, Các kỹ năng dành cho AI tổng quát như mô hình ngôn ngữ lớn (LLM) hoặc ChatGPT được đề cập rõ ràng.
Sau khi phân tích các báo cáo liên quan đến Bằng chứng và các ngân hàng được liệt kê, Viện Nghiên cứu Công nghệ Bingjian cũng phát hiện ra rằng mặc dù GPT đã trở thành một ngành khoa học nổi tiếng, nhưng các ngân hàng quốc tế lớn này không cho rằng nó có thể chữa khỏi mọi bệnh tật. Do sớm đầu tư vào công nghệ trí tuệ nhân tạo và triển khai sâu, nhiều ngân hàng** đã thiết lập hệ thống quản lý tài sản deep learning khá hoàn thiện và họ chưa vội bắt kịp các điểm nóng GPT. **
Ngược lại, các chỉ số “minh bạch” nêu trong danh sách được nhiều ngân hàng lớn định giá cao hơn.
Morgan Stanley: Sử dụng GPT-4 để quản lý kiến thức
Morgan Stanley, hầu như không lọt vào top 10 trong danh sách chỉ số AI của ngân hàng, là công ty nổi tiếng nhất về các ứng dụng GPT và hạng mục phụ "đổi mới" của nó đứng thứ tư. Mặc dù vậy, ứng dụng GPT của Morgan Stanley vẫn đang trong giai đoạn thử nghiệm và chưa đi vào môi trường sản xuất và lĩnh vực thử nghiệm chưa rộng rãi.
Khi OpenAI chính thức ra mắt GPT-4 vào tháng 3 năm nay, nó đã tung ra ứng dụng quản lý tài sản của Morgan Stanley là một trường hợp điển hình.
Cụ thể, Morgan Stanley duy trì một thư viện hàng trăm nghìn trang nội dung bao gồm các chiến lược đầu tư, nghiên cứu thị trường và bình luận cũng như quan điểm của nhà phân tích—rất nhiều thông tin lan truyền trên nhiều trang web nội bộ, phần lớn ở dạng PDF, Yêu cầu Cố vấn Tài chính (FA ) duyệt qua một lượng lớn thông tin để tìm câu trả lời cho một câu hỏi cụ thể có thể khá kém hiệu quả.
Bắt đầu từ năm ngoái, công ty và OpenAI đã bắt đầu làm việc cùng nhau để khám phá cách sử dụng khả năng nhúng và truy xuất của GPT để tối đa hóa "vốn trí tuệ" của nó -- hơn 100.000 tài liệu.
GPT-4 sẽ cung cấp hỗ trợ cho chatbot nội bộ của công ty** (lưu ý rằng nó không phải bên ngoài)**, có thể tiến hành tìm kiếm toàn diện và tích hợp nội dung quản lý tài sản, sau đó cung cấp cho cố vấn tài chính câu trả lời họ muốn.
Morgan Stanley, công ty có hơn 15.000 cố vấn tài chính, có thể hỏi chatbot nội bộ của mình những câu hỏi sau:
*Lời khuyên đầu tư (Chúng tôi đánh giá thế nào về cổ phiếu Alphabet và hiệu suất trong tương lai của nó là tăng hay giảm?)
*Hoạt động kinh doanh như bình thường (Năm đối thủ cạnh tranh chính của IBM là ai?)
* Câu hỏi về quy trình (Làm cách nào để đặt IRA vào quỹ ủy thác không hủy ngang?).
Morgan Stanley đã "tinh chỉnh" GPT-4 cho một vấn đề tương tự bằng cách sử dụng 100.000 tài liệu làm kho dữ liệu đào tạo.
Theo Forbes, 300 FA của Morgan Stanley đang giúp các người mẫu "học tăng cường" -- khi họ nhận được câu trả lời từ chatbot, họ có thể đưa ra một phiếu ủng hộ hoặc phản đối hoặc cung cấp thêm thông tin chi tiết theo yêu cầu.
Một trong những vấn đề bị chỉ trích rộng rãi của ChatGPT là nó thường tạo ra nội dung "ảo giác" mà không có cơ sở thực tế, điều này gây tử vong cho các dịch vụ quản lý tài sản. Đáp lại, Morgan Stanley đang giới hạn các loại lời nhắc/câu hỏi mà FA có thể nhập vào hệ thống, giới hạn các chủ đề đối với các câu hỏi liên quan đến kinh doanh, điều này đảm bảo rằng đầu ra đến từ các tài liệu kiến thức hiện có của họ.
Nếu FA thấy rằng nội dung bị sai trong quá trình sử dụng, bạn cũng có thể tham khảo mã lý do - trích dẫn bài viết cơ bản được liên kết với nguồn của nội dung - đầy đủ và đáng tin cậy hơn hầu hết các mô hình ngôn ngữ lớn.
Cuối cùng, có kiểm toán viên tuân thủ kiểm tra nội dung, trong quy trình quản lý kiến thức thông thường của công ty, có nhân viên tuân thủ xem xét nội dung nghiên cứu đầu tư, chưa kể nội dung mà FA muốn cung cấp cho thế giới bên ngoài.
Trên thực tế, bộ phận quản lý tài sản của Morgan Stanley đã dành nhiều năm để nghiên cứu hệ thống "Hành động tốt nhất tiếp theo" (NBA), đây là một công cụ thực tế để trang bị máy học cho 15.000 FA.
Hệ thống NBA khám phá các ý tưởng đầu tư được cá nhân hóa thông qua học máy và phân phối chúng cho các khách hàng cụ thể thông qua hệ thống CRM của mình. Hệ thống NBA có ba chức năng mục tiêu riêng biệt:
Một là cung cấp cho khách hàng lời khuyên đầu tư và giúp ra quyết định, không chỉ cung cấp đầu tư thụ động mà còn cung cấp các lựa chọn đầu tư cổ phiếu và trái phiếu riêng lẻ theo mong muốn của khách hàng;
Thứ hai là cảnh báo cho các hoạt động nhanh chóng, chẳng hạn như cảnh báo về số dư tiền mặt thấp và cảnh báo về những thay đổi đáng kể về giá trị danh mục đầu tư của khách hàng, v.v.;
Thứ ba là lập kế hoạch sự kiện trong đời, ví dụ: nếu xác nhận rằng con của khách hàng bị bệnh, hệ thống có thể đề xuất bệnh viện địa phương điều trị bệnh tốt nhất và lập kế hoạch tài chính cho việc điều trị, để thiết lập mối quan hệ giá trị gia tăng với khách hàng.
Jeff McMillan, người đứng đầu bộ phận dữ liệu và đổi mới tại Morgan Stanley, người đứng đầu mảng kinh doanh liên quan đến GPT-4, nói với Forbes rằng phương pháp "đẩy" của hệ thống NBA có thể tốt như phương pháp "kéo" dựa trên các câu trả lời nhanh chóng của GPT để hợp tác.
Theo báo cáo mới nhất vào tháng 7 của AdvisorHub, một trang web chuyên về lĩnh vực tư vấn tài sản, Morgan Stanley dự kiến sẽ triển khai các công cụ AI tổng quát cho hơn 15.000 cố vấn tài chính của mình trong quý 3 năm nay. Kể từ tháng 3 năm nay, con số này chỉ là 900 FA đã được thử nghiệm. .
Trong danh sách chỉ số AI của ngân hàng, hạng mục phụ tài năng của Morgan Stanley chỉ xếp thứ 11. Morgan Stanley đã tăng tốc tuyển dụng nhân tài AI kể từ nửa cuối năm. Vị trí tuyển dụng mới nhất của họ là tuyển dụng giám đốc điều hành quản lý tài sản mới cho các nền tảng trí tuệ nhân tạo và máy học. Theo LinkedIn, mức lương cơ bản hàng năm của vị trí này là từ 180.000 đến 260.000. đô la Mỹ giữa.
Ngân hàng vô địch và á quân AI: Nâng cao hệ thống máy học hiện có
JPMorgan Chase, đứng đầu danh sách, có một số kế hoạch tuyên bố cho GPT, nhưng không tiết lộ quá nhiều chi tiết về ứng dụng; trong khi Ngân hàng Hoàng gia Canada (RBC), xuất hiện như một chú ngựa ô ở vị trí á quân, không bao giờ đề cập đến GPT.
Theo báo cáo của CNBC, JPMorgan Chase đang phát triển một dịch vụ phần mềm tương tự như ChatGPT. Các tài liệu do JPMorgan Chase & Co gửi cho thấy ngân hàng này đã nộp đơn đăng ký nhãn hiệu cho một sản phẩm có tên "IndexGPT" vào tháng Năm. IndexGPT sẽ sử dụng "phần mềm điện toán đám mây sử dụng trí tuệ nhân tạo" để "phân tích và lựa chọn chứng khoán phù hợp với nhu cầu của khách hàng".
Lori Beer, giám đốc công nghệ toàn cầu của JPMorgan Chase, cho biết ngân hàng đã thuê 1.500 nhà khoa học dữ liệu và kỹ sư máy học và đang thử nghiệm "nhiều trường hợp sử dụng" của công nghệ GPT .”.
“Đây sẽ là chén thánh về cách mọi người quản lý tài sản của họ,” Mary Callahan Erdoes, giám đốc điều hành bộ phận quản lý tài sản và tài sản của ngân hàng, nói về AI tại hội nghị Ngày đầu tư của JPMorgan vào ngày 22 tháng 5.
“Chúng tôi đã tải dữ liệu độc quyền trong 30 năm về mọi công ty mà chúng tôi đã xem xét,” Erdoes nói, mô tả quá trình phát triển công cụ gần đây của bộ phận mình, “và sau đó chúng tôi kết hợp nó với hàng triệu điểm dữ liệu mà chúng tôi có được mỗi ngày. Matching, chúng tôi đã thấy một sự gia tăng lớn như vậy."
Cô ấy tiết lộ thêm rằng **JPMorgan Chase có hoạt động kinh doanh quản lý tài sản nội bộ của riêng mình và mô hình giống như GPT chạy trên hệ thống quản lý danh mục đầu tư Spectrum của nó. **
Á quân trong danh sách chỉ số AI của ngân hàng là RBC đến từ Canada, ngân hàng đã sử dụng công nghệ học sâu và học tăng cường để quản lý tài sản trong nhiều năm, đặc biệt là trong ba bảng xếp hạng hàng đầu trong tiểu mục "đổi mới" và "minh bạch". bảng xếp hạng chỉ số.
RBC đã thành lập một trung tâm nghiên cứu trí tuệ nhân tạo có tên là Borealis AI, trung tâm này không chỉ phục vụ ngân hàng mẹ mà còn tham gia vào các nghiên cứu tiên tiến về trí tuệ nhân tạo. Trong một cuộc phỏng vấn với KPMG, Kathryn Hume, người đứng đầu Borealis AI, đã trình bày chi tiết cách nhóm của cô áp dụng học tăng cường vào dịch vụ khách hàng ngân hàng:
Nhóm Borealis AI và RBC Capital Markets đã ra mắt một hệ thống thực hiện giao dịch dựa trên học tập củng cố. "Chúng tôi muốn hiểu cách máy học có thể được sử dụng để giúp các khách hàng có đơn đặt hàng lớn hoặc số lượng lớn giao dịch theo trình tự tốt hơn để mang lại lợi nhuận tối đa. Hóa ra là các mô hình chúng tôi tạo ra rất năng động, đáp ứng theo thời gian thực linh hoạt hơn so với các thuật toán giao dịch truyền thống. Các biến thể trong sự biến động."
Borealis AI cũng đã thành công trong việc giúp các ngân hàng thương mại và bán lẻ chuyển đổi các quy trình kinh doanh của ngày hôm qua thành các sản phẩm tương lai của ngày mai. Ví dụ: ** đã xây dựng công cụ dự báo dòng tiền để giúp cố vấn tài chính chủ động tương tác với khách hàng, hiểu nhu cầu tài chính sắp tới và đưa ra lời khuyên có mục tiêu hơn. ** Đồng thời giúp khách hàng bán lẻ quản lý tài chính của họ bằng cách tạo ứng dụng và hưởng lợi từ công nghệ máy học cá nhân hóa mới nhất.
Vào tháng 4 năm nay, RBC đã giành được Giải thưởng Trải nghiệm Khách hàng Trí tuệ Nhân tạo Tốt nhất từ tạp chí Digital Banker cho hệ thống Dự báo NOMI do ngân hàng và Borealis AI cùng phát triển.
Hệ thống Dự báo NOMI sử dụng học sâu để đưa ra dự báo kịp thời và chính xác về dòng tiền của khách hàng. Được hỗ trợ bởi bộ dữ liệu duy nhất của ngân hàng, các mô hình được đào tạo để cá nhân hóa trải nghiệm cho khách hàng của RBC, bao gồm thanh toán hóa đơn, chuyển khoản điện tử, đầu tư và thanh toán bảng lương.
Mô hình lớn theo chiều dọc: phù hợp là tốt nhất
Cho dù đó là hệ thống NBA của Morgan Stanley, hệ thống Spectrum của Morgan Stanley hay hệ thống Dự báo NOMI do RGB phát triển độc lập, chúng đều là sự kết hợp của nhiều mô hình khác nhau được đào tạo bởi dữ liệu tích lũy của chính ngân hàng. Sau khi ghép GPT để tinh chỉnh đào tạo, nâng cao khả năng tương tác chung cũng là lựa chọn tương tự của các ngân hàng quốc tế hàng đầu này.
Bất kể nước ngoài hay trong nước, với số lượng mô hình lớn nguồn mở ngày càng tăng và chi phí đào tạo mô hình giảm, nỗi ám ảnh về các mô hình ngôn ngữ lớn nói chung đã dần phai nhạt. Từ Hội nghị trí tuệ nhân tạo thế giới Thượng Hải vừa kết thúc, có thể thấy câu chuyện mới là: mô hình ngành, mô hình dọc và "mô hình lớn trao quyền cho hàng nghìn ngành".
Ví dụ điển hình nhất là BloombergGPT do Bloomberg đưa ra, Bloomberg đã làm cho mô hình nhỏ hơn, với khoảng 50 tỷ tham số, nhỏ hơn nhiều so với 175 tỷ tham số của GPT-3. hơn so với các mô hình lớn có mục đích chung.
Sự giám sát chặt chẽ và tính chuyên nghiệp của ngành tài chính xác định rằng trên cơ sở Bí quyết, việc đào tạo dữ liệu chuyên nghiệp do các tổ chức tài chính tích lũy có thể được sử dụng để tạo ra một mô hình dọc phù hợp với nhu cầu của ngành. **Ví dụ: mô hình lớn Origin One do Bingjian Technology đưa ra, dựa trên nhiều năm kinh nghiệm trong các mô hình thuật toán phục vụ khách hàng ngân hàng và bảo hiểm, đang nỗ lực trong dịch vụ khách hàng thông minh, xử lý tài liệu tài chính và phân tích các sản phẩm đầu tư nước ngoài. **
Những lợi thế chuyên nghiệp của mô hình dọc sẽ ngày càng trở nên rõ ràng hơn trong ngành quản lý tài sản. sự phát triển nhanh chóng của thị trường đuôi dài. Với sự trợ giúp của GPT-4, số lượng và hiệu quả phục vụ khách hàng của 15.000 cố vấn tài chính của Morgan Stanley sẽ tăng lên bao nhiêu lần?
Ngoài các ngân hàng hàng đầu này, mô hình lớn theo chiều dọc mang đến cho các công ty khởi nghiệp nhiều cơ hội hơn để phục vụ nhiều khách hàng hơn ở lớp ứng dụng. Các công ty công nghệ thu hút nhiều khách hàng tiềm năng hơn thông qua các rào cản gia nhập thấp và tính độc lập, trong khi các ngân hàng lớn truyền thống sử dụng lợi thế riêng của họ để nhắm mục tiêu khách hàng hiện tại và quảng bá các danh mục sản phẩm khác nhau.
Từ quan điểm của thị trường tư vấn robo của Hoa Kỳ, nó chủ yếu bao gồm ba loại người tham gia:
Đầu tiên, các công ty mới thành lập do Wealthfront và Betterment đại diện sử dụng lợi thế công nghệ của riêng họ và các yêu cầu ngưỡng thấp để khai thác giá trị của các khách hàng dài hạn;
Thứ hai là các tổ chức tài chính quy mô lớn do Vanguard và Charles Schwab đại diện tận dụng lợi thế vốn của chính họ, lợi thế khách hàng hiện tại, lợi thế thương hiệu và rào cản cạnh tranh để tung ra các sản phẩm tư vấn đầu tư thông minh;
Thứ ba là mua lại các công ty bên thứ ba để nhanh chóng triển khai thị trường tư vấn đầu tư thông minh, chẳng hạn như việc BlackRock mua lại Future Advisor.
Theo tính toán của công ty xếp hạng tín nhiệm CRISIL GR&A, việc áp dụng các mô hình quy mô lớn trong lĩnh vực nghiên cứu đầu tư thông minh dự kiến sẽ tiết kiệm 22,5% chi phí, điều này sẽ giúp việc quản lý tài sản mang lại lợi ích cho nhiều người hơn.
** Tính toàn diện cao hơn cũng có nghĩa là nhiều rủi ro hơn. **Điều đáng nói là khả năng RBC vượt qua nhiều ngân hàng lớn của Châu Âu và Châu Mỹ và đứng thứ hai trong danh sách chỉ số AI của ngân hàng cũng là do hành động AI có trách nhiệm (Responsible AI) của nó. Kathryn Hume tin rằng mọi người ngày càng nhận thức được rủi ro đạo đức mà AI có thể làm trầm trọng thêm. Trên khắp thế giới, cuộc tranh luận xung quanh việc sử dụng trí tuệ nhân tạo có đạo đức và có trách nhiệm đang ngày càng gay gắt.
Trí tuệ nhân tạo có thể giải thích được (XAI) sẽ là một công nghệ mới nổi, có lẽ là đối trọng của nó với GPT. Mặc dù thông tin chi tiết về thuật toán của ChatGPT hoàn toàn là "hộp đen", nhưng XAI cho phép người dùng và cơ quan quản lý xem xét kỹ lưỡng các nguyên tắc cơ bản về cách thức hoạt động của AI và thúc giục các nhà phát triển trau dồi thuật toán để chúng hoạt động như dự định. **XAI cho phép các nhà quản lý tài sản và cố vấn đầu tư theo dõi và biện minh cho lời khuyên tài chính có nguồn gốc từ AI và điều chỉnh nó phù hợp với các yêu cầu quy định cũng như lợi ích tốt nhất của khách hàng. **
Những tài liệu tham khảo:
Thông tin chi tiết rõ ràng: Chỉ số AI rõ ràng cho báo cáo kết quả chính của ngân hàng
FORBES: Morgan Stanley đang đào tạo GPT như thế nào để giúp các cố vấn tài chính
AdvisorHub: Morgan Stanley tung ra phần mềm AI cho tất cả các nhà môi giới trong quý thứ ba
Chứng khoán Ping An: * "Góc nhìn chuyển đổi số của các ngân hàng thương mại từ AIGC"*
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
AI+Wealth Management: Các ngân hàng quốc tế hàng đầu có kế hoạch sử dụng GPT theo cách này
Nguồn: Viện nghiên cứu công nghệ Bingjian
Một danh sách gần đây về AI và ngân hàng ngày càng được trích dẫn nhiều hơn. Danh sách này xếp hạng 23 ngân hàng lớn nhất ở Châu Âu và Hoa Kỳ, có tổng tài sản ít nhất 1 nghìn tỷ đô la Mỹ đủ điều kiện để lựa chọn.
Danh sách này được gọi là "Chỉ số AI của ngân hàng (Chỉ số AI rõ ràng)", do công ty tư vấn Evident Insights phát hành, nó được công bố rộng rãi và đây là lần đầu tiên xếp hạng danh sách trưởng thành AI (trưởng thành AI) của các ngân hàng.
Danh sách 10 ngân hàng hàng đầu về chỉ số AI:
Để lập danh sách này, Evident Insights đã thu thập hàng triệu điểm dữ liệu, dựa trên báo cáo tài chính ngân hàng và dữ liệu công khai từ hàng loạt nguồn dữ liệu bên thứ ba, với sự tham gia của hơn 50 chuyên gia hàng đầu về trí tuệ nhân tạo và ngân hàng, để lập danh sách này. danh sách.
Mỗi ngân hàng được đánh giá dựa trên 142 chỉ số riêng lẻ trên bốn khía cạnh: tài năng, đổi mới, lãnh đạo và minh bạch. Tài năng chiếm tỷ trọng cao nhất, đạt 40%.
Theo Evident Insights, số lượng và chất lượng của các tài năng AI sẽ ảnh hưởng lớn đến khả năng cạnh tranh trong tương lai của các ngân hàng hàng đầu này. JPMorgan Chase, đứng đầu, có nhiều nhân viên trí tuệ nhân tạo nhất trong ngành ngân hàng, chiếm hơn 10% tổng số nhân viên và vẫn đang tăng tốc tuyển dụng. Từ tháng 2 đến tháng 4 năm 2023, JPMorgan Chase đã đăng ít nhất 20% quảng cáo việc làm cho các vị trí trí tuệ nhân tạo và lõi dữ liệu của tất cả các ngân hàng trong danh sách.
Sau khi tìm kiếm và phân tích thông tin trên các trang web tuyển dụng như LinkedIn, Evident Insights cũng nhận thấy một hiện tượng thú vị: vào thời điểm trí tuệ nhân tạo sáng tạo đang rất hot, 23 ngân hàng này *chỉ có chưa đến 2% mô tả công việc liên quan đến AI *, Các kỹ năng dành cho AI tổng quát như mô hình ngôn ngữ lớn (LLM) hoặc ChatGPT được đề cập rõ ràng.
Sau khi phân tích các báo cáo liên quan đến Bằng chứng và các ngân hàng được liệt kê, Viện Nghiên cứu Công nghệ Bingjian cũng phát hiện ra rằng mặc dù GPT đã trở thành một ngành khoa học nổi tiếng, nhưng các ngân hàng quốc tế lớn này không cho rằng nó có thể chữa khỏi mọi bệnh tật. Do sớm đầu tư vào công nghệ trí tuệ nhân tạo và triển khai sâu, nhiều ngân hàng** đã thiết lập hệ thống quản lý tài sản deep learning khá hoàn thiện và họ chưa vội bắt kịp các điểm nóng GPT. **
Ngược lại, các chỉ số “minh bạch” nêu trong danh sách được nhiều ngân hàng lớn định giá cao hơn.
Morgan Stanley: Sử dụng GPT-4 để quản lý kiến thức
Morgan Stanley, hầu như không lọt vào top 10 trong danh sách chỉ số AI của ngân hàng, là công ty nổi tiếng nhất về các ứng dụng GPT và hạng mục phụ "đổi mới" của nó đứng thứ tư. Mặc dù vậy, ứng dụng GPT của Morgan Stanley vẫn đang trong giai đoạn thử nghiệm và chưa đi vào môi trường sản xuất và lĩnh vực thử nghiệm chưa rộng rãi.
Khi OpenAI chính thức ra mắt GPT-4 vào tháng 3 năm nay, nó đã tung ra ứng dụng quản lý tài sản của Morgan Stanley là một trường hợp điển hình.
Cụ thể, Morgan Stanley duy trì một thư viện hàng trăm nghìn trang nội dung bao gồm các chiến lược đầu tư, nghiên cứu thị trường và bình luận cũng như quan điểm của nhà phân tích—rất nhiều thông tin lan truyền trên nhiều trang web nội bộ, phần lớn ở dạng PDF, Yêu cầu Cố vấn Tài chính (FA ) duyệt qua một lượng lớn thông tin để tìm câu trả lời cho một câu hỏi cụ thể có thể khá kém hiệu quả.
Bắt đầu từ năm ngoái, công ty và OpenAI đã bắt đầu làm việc cùng nhau để khám phá cách sử dụng khả năng nhúng và truy xuất của GPT để tối đa hóa "vốn trí tuệ" của nó -- hơn 100.000 tài liệu.
GPT-4 sẽ cung cấp hỗ trợ cho chatbot nội bộ của công ty** (lưu ý rằng nó không phải bên ngoài)**, có thể tiến hành tìm kiếm toàn diện và tích hợp nội dung quản lý tài sản, sau đó cung cấp cho cố vấn tài chính câu trả lời họ muốn.
Morgan Stanley, công ty có hơn 15.000 cố vấn tài chính, có thể hỏi chatbot nội bộ của mình những câu hỏi sau:
*Lời khuyên đầu tư (Chúng tôi đánh giá thế nào về cổ phiếu Alphabet và hiệu suất trong tương lai của nó là tăng hay giảm?)
*Hoạt động kinh doanh như bình thường (Năm đối thủ cạnh tranh chính của IBM là ai?)
* Câu hỏi về quy trình (Làm cách nào để đặt IRA vào quỹ ủy thác không hủy ngang?).
Morgan Stanley đã "tinh chỉnh" GPT-4 cho một vấn đề tương tự bằng cách sử dụng 100.000 tài liệu làm kho dữ liệu đào tạo.
Theo Forbes, 300 FA của Morgan Stanley đang giúp các người mẫu "học tăng cường" -- khi họ nhận được câu trả lời từ chatbot, họ có thể đưa ra một phiếu ủng hộ hoặc phản đối hoặc cung cấp thêm thông tin chi tiết theo yêu cầu.
Một trong những vấn đề bị chỉ trích rộng rãi của ChatGPT là nó thường tạo ra nội dung "ảo giác" mà không có cơ sở thực tế, điều này gây tử vong cho các dịch vụ quản lý tài sản. Đáp lại, Morgan Stanley đang giới hạn các loại lời nhắc/câu hỏi mà FA có thể nhập vào hệ thống, giới hạn các chủ đề đối với các câu hỏi liên quan đến kinh doanh, điều này đảm bảo rằng đầu ra đến từ các tài liệu kiến thức hiện có của họ.
Nếu FA thấy rằng nội dung bị sai trong quá trình sử dụng, bạn cũng có thể tham khảo mã lý do - trích dẫn bài viết cơ bản được liên kết với nguồn của nội dung - đầy đủ và đáng tin cậy hơn hầu hết các mô hình ngôn ngữ lớn.
Cuối cùng, có kiểm toán viên tuân thủ kiểm tra nội dung, trong quy trình quản lý kiến thức thông thường của công ty, có nhân viên tuân thủ xem xét nội dung nghiên cứu đầu tư, chưa kể nội dung mà FA muốn cung cấp cho thế giới bên ngoài.
Trên thực tế, bộ phận quản lý tài sản của Morgan Stanley đã dành nhiều năm để nghiên cứu hệ thống "Hành động tốt nhất tiếp theo" (NBA), đây là một công cụ thực tế để trang bị máy học cho 15.000 FA.
Hệ thống NBA khám phá các ý tưởng đầu tư được cá nhân hóa thông qua học máy và phân phối chúng cho các khách hàng cụ thể thông qua hệ thống CRM của mình. Hệ thống NBA có ba chức năng mục tiêu riêng biệt:
Một là cung cấp cho khách hàng lời khuyên đầu tư và giúp ra quyết định, không chỉ cung cấp đầu tư thụ động mà còn cung cấp các lựa chọn đầu tư cổ phiếu và trái phiếu riêng lẻ theo mong muốn của khách hàng;
Thứ hai là cảnh báo cho các hoạt động nhanh chóng, chẳng hạn như cảnh báo về số dư tiền mặt thấp và cảnh báo về những thay đổi đáng kể về giá trị danh mục đầu tư của khách hàng, v.v.;
Thứ ba là lập kế hoạch sự kiện trong đời, ví dụ: nếu xác nhận rằng con của khách hàng bị bệnh, hệ thống có thể đề xuất bệnh viện địa phương điều trị bệnh tốt nhất và lập kế hoạch tài chính cho việc điều trị, để thiết lập mối quan hệ giá trị gia tăng với khách hàng.
Jeff McMillan, người đứng đầu bộ phận dữ liệu và đổi mới tại Morgan Stanley, người đứng đầu mảng kinh doanh liên quan đến GPT-4, nói với Forbes rằng phương pháp "đẩy" của hệ thống NBA có thể tốt như phương pháp "kéo" dựa trên các câu trả lời nhanh chóng của GPT để hợp tác.
Theo báo cáo mới nhất vào tháng 7 của AdvisorHub, một trang web chuyên về lĩnh vực tư vấn tài sản, Morgan Stanley dự kiến sẽ triển khai các công cụ AI tổng quát cho hơn 15.000 cố vấn tài chính của mình trong quý 3 năm nay. Kể từ tháng 3 năm nay, con số này chỉ là 900 FA đã được thử nghiệm. .
Trong danh sách chỉ số AI của ngân hàng, hạng mục phụ tài năng của Morgan Stanley chỉ xếp thứ 11. Morgan Stanley đã tăng tốc tuyển dụng nhân tài AI kể từ nửa cuối năm. Vị trí tuyển dụng mới nhất của họ là tuyển dụng giám đốc điều hành quản lý tài sản mới cho các nền tảng trí tuệ nhân tạo và máy học. Theo LinkedIn, mức lương cơ bản hàng năm của vị trí này là từ 180.000 đến 260.000. đô la Mỹ giữa.
Ngân hàng vô địch và á quân AI: Nâng cao hệ thống máy học hiện có
JPMorgan Chase, đứng đầu danh sách, có một số kế hoạch tuyên bố cho GPT, nhưng không tiết lộ quá nhiều chi tiết về ứng dụng; trong khi Ngân hàng Hoàng gia Canada (RBC), xuất hiện như một chú ngựa ô ở vị trí á quân, không bao giờ đề cập đến GPT.
Theo báo cáo của CNBC, JPMorgan Chase đang phát triển một dịch vụ phần mềm tương tự như ChatGPT. Các tài liệu do JPMorgan Chase & Co gửi cho thấy ngân hàng này đã nộp đơn đăng ký nhãn hiệu cho một sản phẩm có tên "IndexGPT" vào tháng Năm. IndexGPT sẽ sử dụng "phần mềm điện toán đám mây sử dụng trí tuệ nhân tạo" để "phân tích và lựa chọn chứng khoán phù hợp với nhu cầu của khách hàng".
Lori Beer, giám đốc công nghệ toàn cầu của JPMorgan Chase, cho biết ngân hàng đã thuê 1.500 nhà khoa học dữ liệu và kỹ sư máy học và đang thử nghiệm "nhiều trường hợp sử dụng" của công nghệ GPT .”.
“Đây sẽ là chén thánh về cách mọi người quản lý tài sản của họ,” Mary Callahan Erdoes, giám đốc điều hành bộ phận quản lý tài sản và tài sản của ngân hàng, nói về AI tại hội nghị Ngày đầu tư của JPMorgan vào ngày 22 tháng 5.
“Chúng tôi đã tải dữ liệu độc quyền trong 30 năm về mọi công ty mà chúng tôi đã xem xét,” Erdoes nói, mô tả quá trình phát triển công cụ gần đây của bộ phận mình, “và sau đó chúng tôi kết hợp nó với hàng triệu điểm dữ liệu mà chúng tôi có được mỗi ngày. Matching, chúng tôi đã thấy một sự gia tăng lớn như vậy."
Cô ấy tiết lộ thêm rằng **JPMorgan Chase có hoạt động kinh doanh quản lý tài sản nội bộ của riêng mình và mô hình giống như GPT chạy trên hệ thống quản lý danh mục đầu tư Spectrum của nó. **
Á quân trong danh sách chỉ số AI của ngân hàng là RBC đến từ Canada, ngân hàng đã sử dụng công nghệ học sâu và học tăng cường để quản lý tài sản trong nhiều năm, đặc biệt là trong ba bảng xếp hạng hàng đầu trong tiểu mục "đổi mới" và "minh bạch". bảng xếp hạng chỉ số.
RBC đã thành lập một trung tâm nghiên cứu trí tuệ nhân tạo có tên là Borealis AI, trung tâm này không chỉ phục vụ ngân hàng mẹ mà còn tham gia vào các nghiên cứu tiên tiến về trí tuệ nhân tạo. Trong một cuộc phỏng vấn với KPMG, Kathryn Hume, người đứng đầu Borealis AI, đã trình bày chi tiết cách nhóm của cô áp dụng học tăng cường vào dịch vụ khách hàng ngân hàng:
Nhóm Borealis AI và RBC Capital Markets đã ra mắt một hệ thống thực hiện giao dịch dựa trên học tập củng cố. "Chúng tôi muốn hiểu cách máy học có thể được sử dụng để giúp các khách hàng có đơn đặt hàng lớn hoặc số lượng lớn giao dịch theo trình tự tốt hơn để mang lại lợi nhuận tối đa. Hóa ra là các mô hình chúng tôi tạo ra rất năng động, đáp ứng theo thời gian thực linh hoạt hơn so với các thuật toán giao dịch truyền thống. Các biến thể trong sự biến động."
Borealis AI cũng đã thành công trong việc giúp các ngân hàng thương mại và bán lẻ chuyển đổi các quy trình kinh doanh của ngày hôm qua thành các sản phẩm tương lai của ngày mai. Ví dụ: ** đã xây dựng công cụ dự báo dòng tiền để giúp cố vấn tài chính chủ động tương tác với khách hàng, hiểu nhu cầu tài chính sắp tới và đưa ra lời khuyên có mục tiêu hơn. ** Đồng thời giúp khách hàng bán lẻ quản lý tài chính của họ bằng cách tạo ứng dụng và hưởng lợi từ công nghệ máy học cá nhân hóa mới nhất.
Vào tháng 4 năm nay, RBC đã giành được Giải thưởng Trải nghiệm Khách hàng Trí tuệ Nhân tạo Tốt nhất từ tạp chí Digital Banker cho hệ thống Dự báo NOMI do ngân hàng và Borealis AI cùng phát triển.
Hệ thống Dự báo NOMI sử dụng học sâu để đưa ra dự báo kịp thời và chính xác về dòng tiền của khách hàng. Được hỗ trợ bởi bộ dữ liệu duy nhất của ngân hàng, các mô hình được đào tạo để cá nhân hóa trải nghiệm cho khách hàng của RBC, bao gồm thanh toán hóa đơn, chuyển khoản điện tử, đầu tư và thanh toán bảng lương.
Mô hình lớn theo chiều dọc: phù hợp là tốt nhất
Cho dù đó là hệ thống NBA của Morgan Stanley, hệ thống Spectrum của Morgan Stanley hay hệ thống Dự báo NOMI do RGB phát triển độc lập, chúng đều là sự kết hợp của nhiều mô hình khác nhau được đào tạo bởi dữ liệu tích lũy của chính ngân hàng. Sau khi ghép GPT để tinh chỉnh đào tạo, nâng cao khả năng tương tác chung cũng là lựa chọn tương tự của các ngân hàng quốc tế hàng đầu này.
Bất kể nước ngoài hay trong nước, với số lượng mô hình lớn nguồn mở ngày càng tăng và chi phí đào tạo mô hình giảm, nỗi ám ảnh về các mô hình ngôn ngữ lớn nói chung đã dần phai nhạt. Từ Hội nghị trí tuệ nhân tạo thế giới Thượng Hải vừa kết thúc, có thể thấy câu chuyện mới là: mô hình ngành, mô hình dọc và "mô hình lớn trao quyền cho hàng nghìn ngành".
Ví dụ điển hình nhất là BloombergGPT do Bloomberg đưa ra, Bloomberg đã làm cho mô hình nhỏ hơn, với khoảng 50 tỷ tham số, nhỏ hơn nhiều so với 175 tỷ tham số của GPT-3. hơn so với các mô hình lớn có mục đích chung.
Sự giám sát chặt chẽ và tính chuyên nghiệp của ngành tài chính xác định rằng trên cơ sở Bí quyết, việc đào tạo dữ liệu chuyên nghiệp do các tổ chức tài chính tích lũy có thể được sử dụng để tạo ra một mô hình dọc phù hợp với nhu cầu của ngành. **Ví dụ: mô hình lớn Origin One do Bingjian Technology đưa ra, dựa trên nhiều năm kinh nghiệm trong các mô hình thuật toán phục vụ khách hàng ngân hàng và bảo hiểm, đang nỗ lực trong dịch vụ khách hàng thông minh, xử lý tài liệu tài chính và phân tích các sản phẩm đầu tư nước ngoài. **
Những lợi thế chuyên nghiệp của mô hình dọc sẽ ngày càng trở nên rõ ràng hơn trong ngành quản lý tài sản. sự phát triển nhanh chóng của thị trường đuôi dài. Với sự trợ giúp của GPT-4, số lượng và hiệu quả phục vụ khách hàng của 15.000 cố vấn tài chính của Morgan Stanley sẽ tăng lên bao nhiêu lần?
Ngoài các ngân hàng hàng đầu này, mô hình lớn theo chiều dọc mang đến cho các công ty khởi nghiệp nhiều cơ hội hơn để phục vụ nhiều khách hàng hơn ở lớp ứng dụng. Các công ty công nghệ thu hút nhiều khách hàng tiềm năng hơn thông qua các rào cản gia nhập thấp và tính độc lập, trong khi các ngân hàng lớn truyền thống sử dụng lợi thế riêng của họ để nhắm mục tiêu khách hàng hiện tại và quảng bá các danh mục sản phẩm khác nhau.
Từ quan điểm của thị trường tư vấn robo của Hoa Kỳ, nó chủ yếu bao gồm ba loại người tham gia:
Đầu tiên, các công ty mới thành lập do Wealthfront và Betterment đại diện sử dụng lợi thế công nghệ của riêng họ và các yêu cầu ngưỡng thấp để khai thác giá trị của các khách hàng dài hạn;
Thứ hai là các tổ chức tài chính quy mô lớn do Vanguard và Charles Schwab đại diện tận dụng lợi thế vốn của chính họ, lợi thế khách hàng hiện tại, lợi thế thương hiệu và rào cản cạnh tranh để tung ra các sản phẩm tư vấn đầu tư thông minh;
Thứ ba là mua lại các công ty bên thứ ba để nhanh chóng triển khai thị trường tư vấn đầu tư thông minh, chẳng hạn như việc BlackRock mua lại Future Advisor.
Theo tính toán của công ty xếp hạng tín nhiệm CRISIL GR&A, việc áp dụng các mô hình quy mô lớn trong lĩnh vực nghiên cứu đầu tư thông minh dự kiến sẽ tiết kiệm 22,5% chi phí, điều này sẽ giúp việc quản lý tài sản mang lại lợi ích cho nhiều người hơn.
** Tính toàn diện cao hơn cũng có nghĩa là nhiều rủi ro hơn. **Điều đáng nói là khả năng RBC vượt qua nhiều ngân hàng lớn của Châu Âu và Châu Mỹ và đứng thứ hai trong danh sách chỉ số AI của ngân hàng cũng là do hành động AI có trách nhiệm (Responsible AI) của nó. Kathryn Hume tin rằng mọi người ngày càng nhận thức được rủi ro đạo đức mà AI có thể làm trầm trọng thêm. Trên khắp thế giới, cuộc tranh luận xung quanh việc sử dụng trí tuệ nhân tạo có đạo đức và có trách nhiệm đang ngày càng gay gắt.
Trí tuệ nhân tạo có thể giải thích được (XAI) sẽ là một công nghệ mới nổi, có lẽ là đối trọng của nó với GPT. Mặc dù thông tin chi tiết về thuật toán của ChatGPT hoàn toàn là "hộp đen", nhưng XAI cho phép người dùng và cơ quan quản lý xem xét kỹ lưỡng các nguyên tắc cơ bản về cách thức hoạt động của AI và thúc giục các nhà phát triển trau dồi thuật toán để chúng hoạt động như dự định. **XAI cho phép các nhà quản lý tài sản và cố vấn đầu tư theo dõi và biện minh cho lời khuyên tài chính có nguồn gốc từ AI và điều chỉnh nó phù hợp với các yêu cầu quy định cũng như lợi ích tốt nhất của khách hàng. **
Những tài liệu tham khảo: