金融ビッグモデル、遠くの風に耳を傾ける

金融業界におけるAI技術の重要な応用として、金融ビッグモデルは高速カバレッジから最適価値への変革という課題に直面しています。この記事では、金融ビッグモデルの現状、直面している困難、将来の発展方向を深く分析し、金融テクノロジー分野の専門家に貴重な洞察を提供します。金融AIアプリケーション、技術革新、業界動向に興味のある友人におすすめです。

金融ビッグモデルは、AIビッグモデルの産業化に向けた最初のステップであると考えられています。

2023年から現在に至るまで、中国の金融ビッグモデル市場の発展はまさにこの判断を裏付けています。関連データによると、現在中国市場では20近くの金融ビッグモデルが使用されており、大手金融機関はすでにAIビッグモデルを適用しているか、AIビッグモデルの研究開発と応用の計画を示しています。

コスト削減と効率性向上の観点から、金融機関は現在、モバイルファイナンスやデジタルシステムの自律的な置き換えなど、複数のデジタル投資目標を考慮する必要があることに留意する必要があります。大規模な AI モデルに割り当てることができるリソースは豊富ではなく、AI が金融機関にもたらす投資収益は依然として非常に限られています。金融業界にとって、大規模モデルを効率的に立ち上げることに本当に価値があるのでしょうか?

2023年にフィンテックサミットに参加した際、銀行の担当者と話をしたことを覚えています。彼は、金融機関が大規模なAIモデルを構築する最も根本的な動機は懸念であると指摘しました。モバイル インターネット時代が到来する前、世界の金融業界は一般的に新しいテクノロジーの影響を過小評価していました。その後、Apple Pay、Alipay、WeChatなどのモバイルインターネットプラットフォームが時代の恩恵を享受しました。同様の状況が再び発生するのを防ぐことが、金融機関が大規模な AI モデルへの投資を増やす根本的な動機です。

そうだとすれば、金融業界が単に大規模なモデルに向けて急速に移行するだけでは不十分だ。また、遠くの風に耳を傾け、長期目標から中期および短期の行動計画を遡ることもできる必要があります。

今日は、この観点からスタートし、ビッグモデルを素早く活用した上で金融業界が次にどこに向かうのかについてお話しします。

1. 金融ビッグモデル、高速カバレッジ1.0から価値最適化2.0へ

世界市場から中国市場まで、生成AIがもたらした大きなモデルチェンジは、1年以上にわたって金融業界に技術革新の波を引き起こしました。

国際的には、OpenAI は金融業界を GPT テクノロジーの実装の第一段階と見なしています。例えば、モルガン・スタンレーと協力して、GPT-4 をベースにした投資助言ロボットを開発しました。

中国の金融業界では、大規模なAIモデルがかつてないスピードでカバーされている。わずか1年余りで、大手銀行、証券会社、保険会社は大規模な金融モデルの導入を完了しました。

例えば、中国工商銀行は、業界初となる数千億規模のフルスタック、自律、制御可能なAI大規模モデル技術システムを構築し、複数の金融業務分野で革新的な応用を実現したと発表しました。例えば、支店業務では、ビッグモデルに基づいた支店従業員向けのインテリジェントアシスタントが導入されました。中国農業銀行の AI は、ChatGPT に似た AI 大規模モデル アプリケーションである ChatABC をリリースし、テクノロジーに関する質疑応答のシナリオで社内パイロットを実施しました。中国郵政貯蓄銀行は、Baidu の「文心易眼」に接続することで、インテリジェントリスク管理、インテリジェント運用、インテリジェント投資調査、インテリジェントマーケティングなどのシナリオに大規模言語モデルを適用しています。

プライベートバンキングレベルでは、Ant Financial はビッグモデル技術を産業金融レベルに適用して、中小企業の信用プロファイルを特定します。保険業界では、中安保険が「中有凌曦」システムを構築し、インテリジェントな顧客サービス、有効期限リマインダー、インテリジェントな運用などのビジネスシナリオにビッグモデルを導入しました。

テクノロジーおよびソリューションプロバイダーの観点から見ると、中国市場には現在、さまざまな金融ビッグモデルのテクノロジー供給チャネルが存在します。 Tencent CloudとAnt Financialはともに金融ビッグモデルソリューションを立ち上げた。金融業界では、大規模なモデルの実装とインフラストラクチャの更新の両方が必要です。ファーウェイは2023年にPanguビッグモデルに基づく金融グレードのPaaSソリューションを立ち上げ、AI for Data、AI for Business、AI for ITの3つのカテゴリーで10のシナリオをカバーする金融ビッグモデルソリューションをリリースしました。

オープンソースのビッグモデルのレベルでは、Du Xiaoman は、1,760 億のパラメータを持つ Bloom ビッグモデルに基づいてトレーニングされた Xuanyuan ビッグモデルをオープンソース化しました。これは、マーケティング、顧客サービス、リスク管理、オフィスから研究開発まで、Du Xiaomanのさまざまなビジネスシナリオに適用されており、一連の大規模モデル評価で主導的な地位を獲得しています。

金融ビッグモデルは高速カバレッジを特徴とする1.0時代を急速に通過したことがわかります。第一段階では、金融ビッグモデルに関連する技術やソリューションが急速に立ち上げられ、大手金融機関が競ってそれらを試用し、中国の金融ビッグモデルの発展に良い基礎が築かれました。

金融ビッグモデルの第一段階から得られた結果は明白です。たとえば、テクノロジーは急速に発展しており、ユーザーの意欲も非常に高まっています。同時に、金融ビッグモデルは、銀行から保険、証券、その他の分野に至るまで、非常に包括的な範囲の産業をカバーしています。さらに、関連する技術力サプライチェーンも改善されました。クローズドソース モデルとオープン ソース モデルの両方を考慮し、複数の展開方法を提供し、大規模な金融モデルに適合する比較的完全なソフトウェアおよびハードウェア インフラストラクチャを備えています。

しかし、将来的には、金融ビッグモデルは、探索的な 1.0 段階から、収益率を必要とし、長期的な開発の価値を反映する 2.0 段階に移行する必要があります。

この段階では、大規模な金融モデルが直面する課題はより複雑になり、戦略的方法論の問題も表面化します。

2. 明らかになった課題

大規模な金融モデルの実装プロセスを見ると、それが示す利点と欠点のロジックは、金融業界における AI 技術のこれまでの実装とまったく同じであることがわかります。第一段階では、業界が直感的にAIが使いやすいと感じるようになります。しかし、次の大きな課題は、AIが十分な投資収益をもたらすことができるかどうか、そしてそれがビジネスの中核に浸透できるかどうかです。

現在、大規模な金融モデルも同様の問題に直面しています。まず第一に、大規模なモデルによってもたらされる知能錯覚やデータ汚染の問題は、金融業界の専門性とセキュリティに対する極めて高い要求と一致することが困難です。

第二に、金融業界では機密性レベルとセキュリティコンプライアンスの要件が極めて高いため、大規模なモデルの展開にはプライベート化が必要になることが多く、モデルが大量のデータを学習したり、過剰なデータフローを禁止したりすることが禁止されます。これにより、2つの問題が発生しました。 1 つは、民営化によって金融機関に多大な研究開発費と運用・保守コストの圧力がかかっている点です。もう 1 つは、セキュリティ レベルが高く、データの使用が制限されているため、大規模な金融モデルのパフォーマンスが低下するなどの問題が発生していることです。

金融機関にとって、大規模なモデルの開発とトレーニングのコストが高すぎるだけでなく、シナリオベースの状況でモデルを展開するためのコスト圧力も非常に高くなります。大規模な財務モデルはまだ探索段階にあり、実際のビジネスへのフィードバックをもたらすことが難しいため、組織内または限界的なビジネスで導入されることが多いです。その結果、導入コストは増加し続けていますが、商業的価値が実現されるのには時間がかかります。

最後に、金融業界の高いセキュリティと大規模モデル技術の未熟さの間にはギャップがあります。大規模な財務モデルは、通常、中核的な金融ビジネスには導入できません。たとえば、大規模なモデルによってサポートされるインテリジェントなカスタマー サービスは、カスタマー サービス担当者を置き換えることができないだけでなく、手動のカスタマー サービスを頻繁に呼び起こし、カスタマー サービスがユーザーのニーズを再理解する必要が生じる可能性があります。リスク管理などの産業応用面では、大規模モデルは大きな可能性を示していますが、より複雑なリスク異常を実際に処理することはまだできません。

この場合、大規模な金融モデルは、一定期間運用されて人気が衰えた後、多くの金融テクノロジーと同様に、無視される可能性が高くなります。

テクノロジーと産業の間に長年存在してきた障壁をどうやって打ち破ることができるでしょうか?これには、遠くから風の音を聞くための金融大手モデルが必要になるかもしれません。

3. 未来から現在を振り返る

ブレット・キングは、彼の有名な著書「Banking 4.0」の第 1 章で、基本原則への回帰について論じています。つまり、問題の根本に立ち返り、デザインの本質に立ち返る必要があるのです。金融のシナリオでは、まず銀行がなぜ設計されたのかを理解し、次に銀行がどのように発展すべきかを議論する必要があります。

大規模な金融モデルが直面する可能性のある障壁を打ち破りたいのであれば、私たちは、大規模なモデルが将来金融に何をもたらすかを考え、判断し、さらには想定し、そして未来から現在へと逆算するという認識も持たなければなりません。たとえこの未来が比較的遠いものであったとしても、少なくとも遠くの風が私たちを行き止まりに導くことはないでしょう。

では、AI ビッグモデルは金融に何をもたらすのでしょうか?この問題は、技術的な側面とアプリケーションの側面という 2 つの側面から理解できます。

技術的な観点から見ると、大規模言語モデルの技術的なアップグレード パスは比較的決まっており、業界では技術開発パラダイムとエンジニアリングの実践に関して明確なコンセンサスが得られています。

たとえば、私たちは最近、Du Xiaoman 金融技術委員会の執行委員長であり、データ インテリジェンス アプリケーション部門のゼネラル マネージャーである Yang Qing 氏が書いた「The Big Language Model: Principles and Engineering Practice」を読みました。本書では、大規模言語モデルのいくつかの重要な技術を明確に提案するだけでなく、その出現と推論能力における特徴、そして広く注目されている大規模言語モデルのスケーリング則についても指摘しています。モデルのトレーニングと推論機能が向上するにつれて、大規模な言語モデルはインテリジェントな出現効果を示し続けるでしょう。この技術的なアンカーは金融業界が追求する長期的な価値であり、Du Xiaoman などの金融テクノロジー サプライヤーが大規模言語モデルを探索する際の価値の関心事でもあります。

応用面から見ると、金融ビッグモデルの応用シナリオは数多くありますが、次の 3 つの側面にまとめることができます。

1. 一般の方向けのインテリジェントな顧客サービス - Intelligent Advisor。
2. 産業ユーザー向けのインテリジェントなクレジット識別 - クレジットシステムの構築。
3. 金融機関内の従業員の能力を強化する。

これら 3 つの能力を究極的に開発することで、大規模な金融モデルがもたらす長期的な価値が生まれます。たとえば、将来的には、大規模な言語モデルによって駆動されるインテリジェントな顧客サービスが、インテリジェントなコンサルタントや 1 対 1 の金融サービス専門家になる可能性があります。ビジネスドッキングや情報通知などの基本機能を完備するだけでなく、ユーザーのニーズに基づいてカスタマイズされた金融ソリューションを提供し、大規模ユーザーや企業ユーザーから包括的なユーザーへの金融カスタマイズ機能の変革を実現します。

技術面とアプリケーション面を組み合わせることで、金融ビッグモデルの将来を次の 3 つの側面で固定することができます。

1. インテリジェントでユビキタスな企業および個人向けクレジット サービス。
2. 金融顧客サービスでは人員が少なく、無人化されているところもあります。
3. 金融機関の総合的なインテリジェント機能の究極。

モバイルファイナンスが銀行や証券会社をユーザーの手に直接届け、金融をユーザーに近づけることだとすれば、AIビッグモデルファイナンスはユーザーがさらに前進し、ユーザーのあらゆる要求と資産を金融サービスに接続できるようにします。

4. 遠くの風を利用して現在の道路を測定する

金融ビッグモデルの分野では、長い間、理論的思考と実践的思考の間で議論が続いてきました。

いわゆる空論は、金融機関がアルゴリズム自体とモデルのパフォーマンスにもっと注意を払う必要があることを意味します。まず大型モデルを立ち上げ、その大型モデルのハンマーを使って金融ビジネスの釘を見つけるべきだ。現実的であるためには、金融業界のアプリケーション シナリオから始めて、インテリジェントな金融アプリケーションのセキュリティ、コンプライアンス、コスト管理を優先し、これに基づいて大規模モデルの機能を適応および調整して、大規模モデルが金融サービスを提供できるようにする必要があります。

ある程度、どちらにも正しい要素がありますが、おそらくどちらも新しいアイデアを追加することもできます。両者とも短期的な決定に重点を置いているため、金融ビッグモデルの出発点は業界の画期的なアップグレードと、モバイルファイナンスやさらに根本的な変化などの長期的な変化の追求であるという事実を無視しています。

大規模な財務モデルで補足する必要がある考え方は、実用的かつ理想主義的であることに加えて、将来に焦点を当て、最終的に達成される可能性のある理想的な目標から現在の作業を段階的に推論する必要があるということです。遠くからの風にあなたの現在の歩みを吹き飛ばさせましょう。このような観点から、金融機関は、将来いつでも出現する可能性のあるさらなる AI 技術革新を考慮しながら、大規模モデルを立ち上げる効率性を考慮する必要があります。独自のデジタル アーキテクチャとソフトウェアおよびハードウェア インフラストラクチャを、今後の AI テクノロジーの反復に適応させます。

具体的には、「未来に奉仕する」財務モデルには、次の 3 つのレベルのアクションが含まれます。

1. 大規模な財務モデルのための強固な基盤を築きます。これには、独自の研究開発システムのほか、過度の保守主義による技術的行き詰まりを回避するための技術サプライヤーとのオープンで効果的な協力関係が含まれます。
2. 大規模な金融モデルのエンジニアリング能力と想像力を組み合わせたものです。大規模言語モデルの長期的な開発のために、金融業界は大規模なモデルを持つことに限定することはできません。また、大規模モデルに対するエンジニアリング制御に磨きをかけ、いつでも大規模モデルを自社のニーズを満たす状態に改良し、大規模モデルの創造的な探索を積極的に開始できるようにする必要があります。私たちは、外部の機会を捉えながら、内部的にも変化を起こしています。
3. 長期的かつ明確でインテリジェントな目標を設定します。大規模な金融モデルに関しては、長期的な可能性だけでなく、短期的な限界にも向き合わなければなりません。大きなモデル自体の最優先事項の原則に戦略的に戻り、この目標から逆算して各ステップで前進します。

金融業界の前に大きなモデルが現れたとき、私たちが最初に感じる感情は驚きと憧れです。しかし、実際にビッグモデルを適用する場合、ビッグモデルが使用されているかどうか、どのようなビジネスシナリオがカバーされているか、それがもたらす投資収益率など、現状に重点を置きすぎる傾向があります。現時点では、新たな課題や明確でない価値観がしばしば対立を生み出し、金融機関をジレンマに陥らせています。遠くからの風を許し、金融情報の長期主義を現在に当てはめれば、ほとんどの問題に対する解決策は見つかるでしょう。

著者：Feng Ciyuan;ソース公開アカウント: Brain Extreme (ID: 341401)