Changement d'attitude de l'industrie financière envers les grands modèles : de l'anxiété à l'exploration rationnelle

Depuis le lancement de ChatGPT, l'attitude du secteur financier envers les grands modèles d'intelligence artificielle a évolué d'une anxiété initiale à une approche plus rationnelle. Au début, il y avait une inquiétude générale dans l'industrie concernant le retard technologique, et de nombreuses équipes ont été formées pour travailler sur les grands modèles. Avec le temps, les institutions financières ont commencé à adopter une vision plus rationnelle des grands modèles, en se concentrant sur leur valeur d'application réelle.

Actuellement, plusieurs grandes banques ont intégré les grands modèles dans leur planification stratégique. Selon des statistiques incomplètes, au moins 11 banques cotées en A-shares ont déclaré dans leur dernier rapport semestriel qu'elles exploraient l'application des grands modèles. D'après les tendances récentes, les institutions financières réfléchissent et planifient de manière plus approfondie les grands modèles au niveau stratégique et de la conception de haut niveau.

Comparé au début de l'année, la compréhension des clients financiers des grands modèles a nettement augmenté. Certaines grandes banques, comme l'ABC de l'Agriculture, ont été les premières à lancer des applications basées sur de grands modèles. Par la suite, de plus en plus d'institutions financières ont commencé à s'intéresser à la valeur d'application réelle des grands modèles, plutôt qu'à la simple quête de modèles auto-développés.

En raison de limitations liées à la puissance de calcul et aux coûts, les institutions financières adoptent différentes stratégies d'application des grands modèles. Les grandes institutions ont tendance à développer leurs propres grands modèles d'entreprise, tandis que les petites et moyennes institutions préfèrent souvent utiliser des API de cloud public ou des services déployés en privé. Pour résoudre les problèmes de puissance de calcul, certaines institutions choisissent de construire leur propre puissance de calcul, tandis que d'autres optent pour des solutions de déploiement hybride.

La gouvernance des données est également devenue un travail clé pour les institutions financières. De plus en plus d'institutions commencent à construire des plateformes de données et des systèmes de gouvernance. Certaines banques établissent un cycle de données de grand modèle via MLOps, réalisant ainsi une gestion et un traitement efficaces des données.

Dans le domaine des scénarios d'application, les institutions financières choisissent généralement de commencer par des scénarios internes, tels que les bureaux intelligents, le développement intelligent, etc. Les assistants de code et les assistants de service client sont des domaines d'application qui montrent des résultats relativement rapides. Cependant, l'application des grands modèles dans les activités financières de base reste confrontée à des défis et nécessite une exploration plus approfondie.

Certaines institutions financières ont commencé à reconstruire leurs systèmes informatiques sur la base de grands modèles, en adoptant un modèle en couches qui intègre les grands modèles comme noyau et les modèles traditionnels. Des stratégies multi-modèles sont également largement utilisées pour optimiser les meilleurs résultats.

L'application des grands modèles a un impact sur la structure des talents dans l'industrie financière. D'une part, certains postes traditionnels sont confrontés à un risque de remplacement ; d'autre part, il y a un énorme besoin de talents liés aux grands modèles. Les institutions financières forment et attirent des talents en IA de diverses manières pour soutenir le développement continu des applications des grands modèles.

Dans l'ensemble, l'attitude du secteur financier envers les grands modèles est passée d'une anxiété initiale à une exploration rationnelle, cherchant activement des voies d'application et des modèles de développement adaptés à ses besoins.