Исследование трансформации финансового сектора в условиях применения крупных моделей

С момента появления ChatGPT финансовая отрасль немедленно испытала сильное чувство тревоги. Эта отрасль, полная веры в технологии, боится отстать в эпоху стремительных изменений. Это чувство тревоги даже распространилось на тихие храмы. Один из специалистов отрасли сообщил, что в мае, когда она была в командировке в Дали, ей даже удалось встретить в храме финансовых профессионалов, обсуждающих большие модели.

Однако это беспокойство постепенно возвращается к рациональности, и мышление становится более ясным. Главный технический директор банковского бизнеса Softline описал несколько этапов отношения финансовой отрасли к большим моделям: в феврале-марте - общее беспокойство; в апреле-мае - массовое создание команд; в последующие месяцы - столкновение с трудностями в процессе внедрения, становясь более рациональными; сейчас - внимание к эталонам и попытки проверить проверенные сценарии.

Новая тенденция заключается в том, что многие финансовые учреждения уже начали стратегически оценивать большие модели. По неполным данным, по меньшей мере 11 банков среди компаний, котирующихся на A-акциях, в своих последних полугодовых отчетах явно заявили о том, что они исследуют применение больших моделей. Судя по недавним действиям, они начинают более четко мыслить и планировать пути на стратегическом и верхнем уровне.

От высокого энтузиазма к рациональному возвращению

В начале года, когда ChatGPT только появился, финансовые клиенты имели ограниченное понимание больших моделей. Хотя энтузиазм был высок, они не знали, как именно их использовать. Некоторые крупные банки первыми начали действовать, запуская различные рекламные кампании, чтобы "попользоваться" этим трендом. В то же время, технологические отделы ведущих финансовых учреждений активно обсуждали с крупными компаниями вопросы создания больших моделей. Они в целом надеялись создать большие модели самостоятельно и задавали вопросы о создании наборов данных, покупке серверов, методах обучения и т.д.

После мая ситуация постепенно изменилась. Из-за нехватки вычислительных ресурсов и высоких затрат многие финансовые учреждения начали переходить от простого желания создать собственную инфраструктуру к более внимательному отношению к прикладной ценности. В настоящее время каждое финансовое учреждение внимательно следит за тем, как другие организации используют большие модели и каких результатов они достигают.

В частности, крупные финансовые учреждения могут внедрять передовые базовые модели в отрасли, создавать корпоративные большие модели и одновременно использовать метод дообучения для формирования специализированных задач больших моделей, быстро обеспечивая поддержку бизнесу. Мелкие и средние финансовые учреждения могут по мере необходимости внедрять различные публичные облачные API больших моделей или услуги приватного развертывания, чтобы напрямую удовлетворять потребности в поддержке.

Из-за высоких требований финансовой отрасли к соблюдению норм данных, безопасности и доверительности, некоторые считают, что прогресс внедрения больших моделей в этой отрасли на самом деле несколько отстает от первоначальных ожиданий в начале года. Некоторые финансовые учреждения уже начали искать решения, например, в области вычислительной мощности есть несколько подходов:

1. Прямое создание вычислительной мощности, стоимость выше, но безопасность хорошая, подходит для крупных финансовых учреждений, желающих создать собственные отраслевые или корпоративные большие модели.

2. Гибридное развертывание вычислительной мощности, при котором чувствительные данные не покидают домен, позволяет принимать вызовы интерфейса службы больших моделей из публичного облака, одновременно обрабатывая локальные данные с помощью приватного развертывания. Этот подход имеет относительно низкие затраты и подходит для малых и средних финансовых учреждений, использующих по мере необходимости.

В связи с тем, что малым и средним учреждениям трудно получить или позволить себе GPU-карты, соответствующие органы изучают возможность создания инфраструктуры больших моделей для сектора ценных бумаг, сосредоточив вычислительные мощности и ресурсы общих больших моделей, чтобы малые и средние финансовые учреждения также могли использовать услуги больших моделей.

В области управления данными все больше финансовых учреждений среднего уровня начинают создавать платформы данных и системы управления данными. Некоторые банки решают проблемы с данными с помощью методов больших моделей и MLOps, достигая единого управления и эффективной обработки разнородных данных из различных источников.

Вход из внешней сцены

В последние полгода поставщики услуг больших моделей и финансовые учреждения искали подходящие сценарии, включая умный офис, интеллектуальную разработку, умный маркетинг, интеллектуальное обслуживание клиентов, умные инвестиционные исследования, интеллектуальный риск-менеджмент, анализ потребностей и т.д.

Каждое финансовое учреждение имеет богатые идеи о больших моделях. Однако на практике обычно применяется стратегия сначала внутренней, а затем внешней реализации. Это связано с тем, что текущие технологии больших моделей еще не достаточно зрелые, а финансовая отрасль предъявляет высокие требования к регулированию, безопасности и надежности.

В настоящее время такие сценарии, как помощник кода и умный офис, уже реализованы во многих финансовых учреждениях. Однако эксперты отрасли считают, что эти широко используемые сценарии на самом деле еще не являются основными приложениями финансовых учреждений, и большие модели все еще далеки от глубокого внедрения в бизнес-уровень финансовой отрасли.

Некоторые изменения на уровне верхнего проектирования в настоящее время происходят. Будущие интеллектуальные и цифровые системы будут строиться на основе больших моделей, что требует от финансовой отрасли переработки систем в процессе внедрения больших моделей, а также необходимости синхронизации больших моделей с традиционными малыми моделями.

На данный момент несколько ведущих финансовых учреждений создали многослойные системные структуры на основе больших моделей, которые включают в себя уровни инфраструктуры, модели, сервисов больших моделей и приложения. Эти системы в целом имеют две основные характеристики: во-первых, большие модели выполняют центральные функции, используя традиционные модели как навыки; во-вторых, уровень больших моделей использует стратегию нескольких моделей, выбирая наилучший результат через внутренние соревнования.

Пробел в талантах все еще огромен

Применение крупных моделей уже начинает вызывать некоторые вызовы и изменения в структуре кадров финансовой отрасли. Некоторые должности подвергаются риску замещения, но есть и банки, которые надеются, что крупные модели принесут новые возможности, повысив качество обслуживания сотрудников и эффективность работы, одновременно освобождая часть сотрудников для выполнения более высокоценной работы.

Более важно то, что предложение талантов в области больших моделей трудно соответствует растущему спросу. Финансовые учреждения сталкиваются с проблемой нехватки кадров, когда пытаются применить возможности больших моделей к核心业务流程. Прямой спрос на таланты, применяющие большие модели, относительно прост, но если требуется создать отраслевую или корпоративную большую модель, то необходима эффективная команда специалистов по вертикальным большим моделям.

Некоторые организации предприняли действия, такие как совместная разработка учебных курсов, создание совместных проектных групп и т.д., чтобы повысить квалификацию сотрудников компаний. В этом процессе структура персонала финансовых учреждений также будет подвергаться корректировке и изменениям, что облегчит удержание разработчиков крупных моделей.