Mudança de atitude da indústria financeira em relação a grandes modelos: da ansiedade à exploração racional
Desde o surgimento do ChatGPT, a atitude do setor financeiro em relação aos grandes modelos de inteligência artificial passou de ansiedade para uma abordagem mais racional. Inicialmente, havia uma preocupação generalizada no setor com a possibilidade de ficar para trás em termos de tecnologia, levando muitas instituições a formar equipes para trabalhar em projetos relacionados aos grandes modelos. Com o passar do tempo, as instituições financeiras começaram a ver os grandes modelos de forma mais racional, focando no seu valor prático de aplicação.
Atualmente, vários grandes bancos incluíram modelos de grande escala em seus planos estratégicos. De acordo com estatísticas incompletas, pelo menos 11 bancos listados na bolsa A apresentaram em seus últimos relatórios semestrais que estão explorando a aplicação de modelos de grande escala. Com base nas recentes movimentações, as instituições financeiras estão realizando um pensamento e planejamento mais aprofundados sobre modelos de grande escala a partir de uma perspectiva estratégica e de design de alto nível.
Comparado ao início do ano, a compreensão dos clientes financeiros sobre grandes modelos aumentou significativamente. Alguns grandes bancos foram os primeiros a lançar aplicações de grandes modelos, como o ChatABC do Banco Agrícola. Em seguida, mais instituições financeiras começaram a prestar atenção ao valor prático da aplicação de grandes modelos, em vez de simplesmente buscar a construção de seus próprios modelos.
Devido a limitações de poder computacional, custos, entre outros, as instituições financeiras adotaram diferentes estratégias de aplicação de grandes modelos. As grandes instituições tendem a construir seus próprios grandes modelos empresariais, enquanto as pequenas e médias instituições preferem usar APIs de nuvem pública ou serviços de implantação privada. Para resolver problemas de poder computacional, algumas instituições optam por construir sua própria capacidade computacional, enquanto outras adotam soluções de implantação híbrida.
A governança de dados tornou-se um foco importante para as instituições financeiras. Cada vez mais instituições estão começando a construir plataformas de dados e sistemas de governança. Alguns bancos estabeleceram um ciclo de dados de grandes modelos por meio de MLOps, alcançando uma gestão e processamento de dados eficientes.
No que diz respeito a cenários de aplicação, as instituições financeiras geralmente optam por começar com cenários internos, como escritórios inteligentes, desenvolvimento inteligente, etc. Assistentes de código e assistentes de atendimento ao cliente são áreas de aplicação que apresentam resultados mais visíveis. No entanto, a aplicação de grandes modelos nos negócios centrais do setor financeiro ainda enfrenta desafios e necessita de mais exploração.
Algumas instituições financeiras começaram a reconstruir os sistemas de TI com base em grandes modelos, adotando um padrão em camadas, com grandes modelos como o núcleo, integrando modelos tradicionais. Uma estratégia de múltiplos modelos também é amplamente adotada para otimizar os melhores resultados.
A aplicação de grandes modelos terá impacto na estrutura de talentos da indústria financeira. Por um lado, algumas funções tradicionais enfrentam o risco de serem substituídas; por outro lado, há uma enorme lacuna de talentos relacionados a grandes modelos. As instituições financeiras estão a cultivar e a atrair talentos em IA de várias maneiras, a fim de apoiar o desenvolvimento contínuo da aplicação de grandes modelos.
De um modo geral, a atitude do setor financeiro em relação aos grandes modelos passou de uma ansiedade inicial para uma exploração racional, estando ativamente à procura de caminhos de aplicação e modelos de desenvolvimento adequados a si.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
Tendências de aplicação de grandes modelos no setor financeiro: da ansiedade à exploração racional do valor prático
Mudança de atitude da indústria financeira em relação a grandes modelos: da ansiedade à exploração racional
Desde o surgimento do ChatGPT, a atitude do setor financeiro em relação aos grandes modelos de inteligência artificial passou de ansiedade para uma abordagem mais racional. Inicialmente, havia uma preocupação generalizada no setor com a possibilidade de ficar para trás em termos de tecnologia, levando muitas instituições a formar equipes para trabalhar em projetos relacionados aos grandes modelos. Com o passar do tempo, as instituições financeiras começaram a ver os grandes modelos de forma mais racional, focando no seu valor prático de aplicação.
Atualmente, vários grandes bancos incluíram modelos de grande escala em seus planos estratégicos. De acordo com estatísticas incompletas, pelo menos 11 bancos listados na bolsa A apresentaram em seus últimos relatórios semestrais que estão explorando a aplicação de modelos de grande escala. Com base nas recentes movimentações, as instituições financeiras estão realizando um pensamento e planejamento mais aprofundados sobre modelos de grande escala a partir de uma perspectiva estratégica e de design de alto nível.
Comparado ao início do ano, a compreensão dos clientes financeiros sobre grandes modelos aumentou significativamente. Alguns grandes bancos foram os primeiros a lançar aplicações de grandes modelos, como o ChatABC do Banco Agrícola. Em seguida, mais instituições financeiras começaram a prestar atenção ao valor prático da aplicação de grandes modelos, em vez de simplesmente buscar a construção de seus próprios modelos.
Devido a limitações de poder computacional, custos, entre outros, as instituições financeiras adotaram diferentes estratégias de aplicação de grandes modelos. As grandes instituições tendem a construir seus próprios grandes modelos empresariais, enquanto as pequenas e médias instituições preferem usar APIs de nuvem pública ou serviços de implantação privada. Para resolver problemas de poder computacional, algumas instituições optam por construir sua própria capacidade computacional, enquanto outras adotam soluções de implantação híbrida.
A governança de dados tornou-se um foco importante para as instituições financeiras. Cada vez mais instituições estão começando a construir plataformas de dados e sistemas de governança. Alguns bancos estabeleceram um ciclo de dados de grandes modelos por meio de MLOps, alcançando uma gestão e processamento de dados eficientes.
No que diz respeito a cenários de aplicação, as instituições financeiras geralmente optam por começar com cenários internos, como escritórios inteligentes, desenvolvimento inteligente, etc. Assistentes de código e assistentes de atendimento ao cliente são áreas de aplicação que apresentam resultados mais visíveis. No entanto, a aplicação de grandes modelos nos negócios centrais do setor financeiro ainda enfrenta desafios e necessita de mais exploração.
Algumas instituições financeiras começaram a reconstruir os sistemas de TI com base em grandes modelos, adotando um padrão em camadas, com grandes modelos como o núcleo, integrando modelos tradicionais. Uma estratégia de múltiplos modelos também é amplamente adotada para otimizar os melhores resultados.
A aplicação de grandes modelos terá impacto na estrutura de talentos da indústria financeira. Por um lado, algumas funções tradicionais enfrentam o risco de serem substituídas; por outro lado, há uma enorme lacuna de talentos relacionados a grandes modelos. As instituições financeiras estão a cultivar e a atrair talentos em IA de várias maneiras, a fim de apoiar o desenvolvimento contínuo da aplicação de grandes modelos.
De um modo geral, a atitude do setor financeiro em relação aos grandes modelos passou de uma ansiedade inicial para uma exploração racional, estando ativamente à procura de caminhos de aplicação e modelos de desenvolvimento adequados a si.