金融大模型落地,还需跨越几重山?

科技云报道原创。

时至今日,大模型的狂欢盛宴仍在持续,而金融行业得益于数据密集且有强劲的数字化基础,从一众场景中脱颖而出。

越来越多的公司开始布局金融行业大模型,无论是乐信、奇富科技、度小满、蚂蚁这样的金融科技公司,还是百度智能云、华为、腾讯云等互联网和科技大厂,都推出了金融行业大模型及解决方案,希望抢到金融大模型的“头啖汤”。

从过去的一年看,金融大模型已涉及运营、客服、营销、风控、研究以及贷后等多个场景,但金融机构对大模型的应用仍集中在探索、研发或试用阶段。

据北京商报《2023金融大模型报告》显示,商业银行出于其审慎经营、风险管控的原则,近70%的银行在金融大模型的应用中都仍然处于内部测试、联手建模、团队搭建甚至内部探讨阶段。

一边是行业进展轰轰烈烈,另一边是金融业谨慎落地,大模型在金融行业到底发挥了怎样的作用?还有哪些挑战阻碍着大模型在金融行业的大规模落地?

大模型赋能金融业

一直以来,金融机构都在通过数字化技术持续挖掘数据价值,比如业内广泛采用的AI技术,在客服、内容生成、视觉识别等领域已带来了明显的价值提升。而大语言模型技术的出世,更是给金融行业的AI技术应用注入了一针“强心剂”。

北京商报《2023金融大模型报告》显示,金融业对大模型在金融领域中的应用都非常看好,有95.45%的机构表示看好金融大模型的应用前景,且有超过一半的机构认为金融机构“非常需要”大模型的应用。

业内普遍认为,大模型在营销、客服、投顾、风控等领域具有广泛的应用价值,有助于金融机构提升服务效率及用户体验、优化风控决策能力、高效响应用户需求,实现金融机构经营效率及服务手段的升级转型。

对此,腾讯公共事务副总裁、腾讯研究院高级顾问冯宏声表示,大模型对金融场景的赋能会有两个方向:

一是,原有场景的升级,即原来金融行业的业务场景、业务内容,可以借助大模型进一步地去强化,提供更智能化、更人性化的服务方式。

受制于原有的一些技术条件,金融机构的数字化建设只是用于特定业务的流程管理。

但是大模型的加持,使得金融机构可以在更多的具体业务场景得到辅助,甚至替代掉原有工作中重复性的部分,包括替代规则化、逻辑化的一些场景。

一个典型的金融场景是风控。传统的风控模型会遇到建模效果有限、小样本数据不足的情况下,会导致性能不达标,单点的防御能力和风险预测能力很难适应业务快速发展的需求。

但基于大模型的风险治理升级会对传统的风控业务流程进行改造,能够实现实现高频率、高精度的专家级建模,全流程自动建模自动上线,跨风险类型的能力泛化。

再比如,在智能交互方面,大模型能提供“真人级”对话效果,对客户的语音识别准确率可达到99%以上。同时,在处理复杂和专业性金融知识上,大模型也具有人工所不具备的能力,这将为金融客服、智能投顾、产品营销等带来一个质的飞跃。

在分析决策方面,大模型能够凭借强大的信息挖掘能力,唤醒金融机构大量沉积的信息,对关键信息进行抽取,为判别式AI小模型进行赋能。

在风险决策、信用评估、反欺诈等场景下,大模型能丰满信息的维度,挖掘出小模型无法覆盖到的区域。大模型与小模型相互搭配,将大大提升金融决策的精准度和效率。

二是,新场景的变革。大模型的出现意味着技术路径转换和技术能力的增强,可以在很多场景当中来替换原有的小模型,比如对话、抽取、内容理解,同时也能够基于大模型开发出很多场景。

比如,在中后台场景中,代码是一个最根本的保障。

通过基于大模型的AI代码助手,可以建立代码补全、自动化测试、代码诊断、技术对话的能力,减轻人工撰写代码的负担,也能够提升代码质量,进一步提升敏捷开发的效率。

在AI开发层面,大模型的自动生成能力也将颠覆传统机器学习模型开发“手工作坊”的模式,大模型工程师只需要下达清晰的指令,用文字描述出需求,即能自动生成模型,极大提升机器学习的开发效率和生产模式。

长期去看,现在的大模型技术也会叠加一些外设的设备,产生更多的Agent(智能体),从而不断去重构应用场景。

金融大模型落地面临多重挑战

尽管金融业普遍看好大模型的未来发展,但在谈及落地时,金融机构大多认为需较长时间才能解决大模型所面临的合规、安全、隐私等问题。更多的金融机构和服务商认为,3-5年内金融大模型才会大范围落地,也有少部分机构认为落地时间需要5-10年甚至更久。

首要的挑战来自数据安全合规。

金融行业本身对数据安全和隐私合规有着严格的要求,注定了金融大模型在采集、传输、加工及处理信息的各个环节,都要比通用大模型乃至其他行业大模型更为谨慎。

数据是不同金融机构的核心生产力,关系着自身的护城河问题。

大模型发展需要高质量数据集,同时又受限于自身远远不及通用语料的数据规模,就必然需要不同业态完成数据共享。如何构建一个合理且安全的机制,考验的是整个金融行业的智慧。

其次,可靠性仍是大模型在金融领域落地的鸿沟。

金融机构对模型精度和效率要求高,尤其是一些专业性强、知识密度高的领域,大模型的表现存在输出结果不受控、可解释性较差、可信程度较低等情况,从而限制了其应用场景。

因此,金融大模型的发展,要处理好金融业务数据如何融入到大模型中,以及如何控制幻觉问题等模型缺陷问题。

所谓“幻觉”,指的是人工智能模型生成的内容,不是基于任何现实世界的数据,而是大模型自己想象的产物,即给出事实错误或者是一些看上去权威正确的虚假信息。

如果无法有效发现“幻觉”中的漏洞,那么将很可能导致金融大模型出现理解或判断上的偏差,直接影响应用效果。

为了将大模型更好地“缝合”到业务场景中,提升可靠性、安全性和流畅度,各大厂商的主流方案有三种:

一是将大模型与专业领域的小模型结合,大模型负责认知、理解、沟通、创作,小模型负责把握风险、承载严谨的逻辑;

二是将大模型的参数知识与结构化、显性化、可靠的金融知识图谱相结合,此举能很好地为大模型注入可靠性;

三是将开放QA(问答)和封闭QA的结合,让大模型得到请求指令后,在专业知识领域内进行检索,大幅提高准确性。

最后,成本也是金融大模型走向商业化落地的重要因素。

金融的本质是风控,大模型在优化金融业务流程和用户体验的同时,也需要降低大模型高昂的迭代和训练成本。

一些金融机构选择利用大数据的整合,在垂直领域精调模型,以小规模算力打造轻量级精调模型,将成本降到最低。

此外,在大模型技术的应用过程中带来的伦理道德、价值观等问题,需要法律法规的约束,这些在未来都需要进一步厘清和给出明确的规定指引。

总的来看,金融数据不充分、研发成本较高、大模型在金融垂直领域仍未挖掘出涌现效应等挑战,使得大模型落地实际效果和预期业务价值之间存在差异。

金融大模型落地的真正难点在于,能否在产业中扎得更深;其颠覆性也更建立在,纵深到产业中去,赋能金融行业的数字化发展。

从更大的视角来看,随着金融大模型标准的落地,数据合规、隐私安全和训练工艺等问题一一得到解决,金融大模型一定会撬动更多的岗位,解决当下无法解决的问题,带来更大的产业价值。

【关于科技云报道】

专注于原创的企业级内容行家——科技云报道。成立于2015年,是前沿企业级IT领域Top10媒体。获工信部权威认可,可信云、全球云计算大会官方指定传播媒体之一。深入原创报道云计算、大数据、人工智能、区块链等领域。

免责声明:此文内容为第三方自媒体作者发布的观察或评论性文章,所有文字和图片版权归作者所有,且仅代表作者个人观点,与极客网无关。文章仅供读者参考,并请自行核实相关内容。投诉邮箱:editor@fromgeek.com。

极客网企业会员

免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。

2024-01-26
金融大模型落地,还需跨越几重山?
科技云报道原创。时至今日,大模型的狂欢盛宴仍在持续,而金融行业得益于数据密集且有强劲的数字化基础,从一众场景中脱颖而出。越来越多的...

长按扫码 阅读全文