Perubahan Sikap Industri Keuangan terhadap Model Besar: Dari Kecemasan ke Eksplorasi yang Rasional
Sejak peluncuran ChatGPT, sikap industri keuangan terhadap model AI besar telah mengalami pergeseran dari kecemasan menjadi rasional. Pada awalnya, terdapat kekhawatiran umum di dalam industri tentang keterlambatan teknologi, sehingga banyak yang membentuk tim untuk melakukan pekerjaan terkait model besar. Seiring berjalannya waktu, lembaga keuangan mulai melihat model besar dengan lebih rasional, berfokus pada nilai aplikasi praktisnya.
Saat ini, beberapa bank besar telah memasukkan model besar dalam perencanaan strategis mereka. Menurut statistik yang tidak lengkap, setidaknya 11 bank yang terdaftar di A-shares telah menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang menjelajahi aplikasi model besar. Dari arah terbaru, lembaga keuangan sedang melakukan pemikiran dan perencanaan yang lebih mendalam tentang model besar dari perspektif strategis dan desain tingkat atas.
Dibandingkan dengan awal tahun, pemahaman pelanggan keuangan tentang model besar meningkat secara signifikan. Beberapa bank besar telah meluncurkan aplikasi model besar, seperti ChatABC dari Agricultural Bank. Selanjutnya, lebih banyak lembaga keuangan mulai memperhatikan nilai aplikasi praktis dari model besar, alih-alih hanya mengejar pembuatan model sendiri.
Karena keterbatasan daya komputasi, biaya, dan faktor lainnya, lembaga keuangan mengadopsi strategi aplikasi model besar yang berbeda. Institusi besar cenderung membangun model besar perusahaan mereka sendiri, sementara lembaga kecil dan menengah lebih banyak menggunakan API cloud publik atau layanan yang di-deploy secara privat. Untuk mengatasi masalah daya komputasi, beberapa lembaga memilih untuk membangun daya komputasi mereka sendiri, sementara yang lain mengadopsi solusi penyebaran campuran.
Pengelolaan data juga menjadi fokus utama lembaga keuangan. Semakin banyak lembaga yang mulai membangun platform data dan sistem pengelolaan. Beberapa bank membangun siklus tertutup data model besar melalui metode MLOps, yang memungkinkan pengelolaan dan pemrosesan data yang efisien.
Dalam hal aplikasi, lembaga keuangan umumnya memilih untuk memulai dari skenario internal, seperti kantor pintar, pengembangan cerdas, dan sebagainya. Asisten kode dan asisten layanan pelanggan adalah bidang aplikasi yang lebih mudah terlihat hasilnya. Namun, penerapan model besar dalam bisnis inti keuangan masih menghadapi tantangan dan perlu eksplorasi lebih lanjut.
Beberapa lembaga keuangan telah mulai merombak sistem TI mereka berdasarkan model besar, menggunakan pola berlapis, dengan model besar sebagai pusat, mengintegrasikan model tradisional. Strategi multi-model juga telah diadopsi secara luas, untuk memilih hasil terbaik.
Penerapan model besar berdampak pada struktur tenaga kerja di industri keuangan. Di satu sisi, beberapa posisi tradisional menghadapi risiko penggantian; di sisi lain, terdapat kekurangan besar dalam bakat terkait model besar. Lembaga keuangan sedang melatih dan merekrut talenta AI melalui berbagai cara untuk mendukung perkembangan berkelanjutan aplikasi model besar.
Secara keseluruhan, sikap industri keuangan terhadap model besar telah beralih dari kecemasan awal menjadi eksplorasi yang rasional, dan secara aktif mencari jalur aplikasi dan model pengembangan yang sesuai.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Tren Aplikasi Model Besar di Sektor Keuangan: Dari Kecemasan Menuju Eksplorasi Rasional Nilai Praktis
Perubahan Sikap Industri Keuangan terhadap Model Besar: Dari Kecemasan ke Eksplorasi yang Rasional
Sejak peluncuran ChatGPT, sikap industri keuangan terhadap model AI besar telah mengalami pergeseran dari kecemasan menjadi rasional. Pada awalnya, terdapat kekhawatiran umum di dalam industri tentang keterlambatan teknologi, sehingga banyak yang membentuk tim untuk melakukan pekerjaan terkait model besar. Seiring berjalannya waktu, lembaga keuangan mulai melihat model besar dengan lebih rasional, berfokus pada nilai aplikasi praktisnya.
Saat ini, beberapa bank besar telah memasukkan model besar dalam perencanaan strategis mereka. Menurut statistik yang tidak lengkap, setidaknya 11 bank yang terdaftar di A-shares telah menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang menjelajahi aplikasi model besar. Dari arah terbaru, lembaga keuangan sedang melakukan pemikiran dan perencanaan yang lebih mendalam tentang model besar dari perspektif strategis dan desain tingkat atas.
Dibandingkan dengan awal tahun, pemahaman pelanggan keuangan tentang model besar meningkat secara signifikan. Beberapa bank besar telah meluncurkan aplikasi model besar, seperti ChatABC dari Agricultural Bank. Selanjutnya, lebih banyak lembaga keuangan mulai memperhatikan nilai aplikasi praktis dari model besar, alih-alih hanya mengejar pembuatan model sendiri.
Karena keterbatasan daya komputasi, biaya, dan faktor lainnya, lembaga keuangan mengadopsi strategi aplikasi model besar yang berbeda. Institusi besar cenderung membangun model besar perusahaan mereka sendiri, sementara lembaga kecil dan menengah lebih banyak menggunakan API cloud publik atau layanan yang di-deploy secara privat. Untuk mengatasi masalah daya komputasi, beberapa lembaga memilih untuk membangun daya komputasi mereka sendiri, sementara yang lain mengadopsi solusi penyebaran campuran.
Pengelolaan data juga menjadi fokus utama lembaga keuangan. Semakin banyak lembaga yang mulai membangun platform data dan sistem pengelolaan. Beberapa bank membangun siklus tertutup data model besar melalui metode MLOps, yang memungkinkan pengelolaan dan pemrosesan data yang efisien.
Dalam hal aplikasi, lembaga keuangan umumnya memilih untuk memulai dari skenario internal, seperti kantor pintar, pengembangan cerdas, dan sebagainya. Asisten kode dan asisten layanan pelanggan adalah bidang aplikasi yang lebih mudah terlihat hasilnya. Namun, penerapan model besar dalam bisnis inti keuangan masih menghadapi tantangan dan perlu eksplorasi lebih lanjut.
Beberapa lembaga keuangan telah mulai merombak sistem TI mereka berdasarkan model besar, menggunakan pola berlapis, dengan model besar sebagai pusat, mengintegrasikan model tradisional. Strategi multi-model juga telah diadopsi secara luas, untuk memilih hasil terbaik.
Penerapan model besar berdampak pada struktur tenaga kerja di industri keuangan. Di satu sisi, beberapa posisi tradisional menghadapi risiko penggantian; di sisi lain, terdapat kekurangan besar dalam bakat terkait model besar. Lembaga keuangan sedang melatih dan merekrut talenta AI melalui berbagai cara untuk mendukung perkembangan berkelanjutan aplikasi model besar.
Secara keseluruhan, sikap industri keuangan terhadap model besar telah beralih dari kecemasan awal menjadi eksplorasi yang rasional, dan secara aktif mencari jalur aplikasi dan model pengembangan yang sesuai.