Данные и большие языковые модели (LLM) могут сэкономить банкам и другим финансовым сервисам многие миллионы за счет автоматизации, эффективности, точности и многого другого, пишет на портале Datanami Намрата Ганатра, директор по продуктам и технологиям компании Pipe.
По данным McKinsey, повышение производительности за счет генеративного ИИ (GenAI) может привести к увеличению годового дохода банковского сектора на
Учитывая большой объем и разнообразие данных, доступных в финансовой отрасли, LLM могут принести значительную добавленную ценность бизнесу в сфере финансовых услуг. Ниже приведены лишь несколько примеров того, как GenAI и LLM могут помочь финансовым сервисам.
Предотвращение мошенничества. GenAI находится на переднем крае разработки передовых механизмов обнаружения мошенничества. Анализируя огромные массивы данных, он может выявлять сложные закономерности и нарушения, предлагая более проактивный подход. Традиционные системы, часто перегруженные огромным объемом данных, могут давать ложные срабатывания. GenAI, напротив, постоянно совершенствует свое понимание, уменьшая количество ошибок и обеспечивая бóльшую безопасность финансовых операций.
Комплаенс. Нормы по борьбе с отмыванием денег имеют решающее значение для поддержания целостности финансовых систем. GenAI упрощает соблюдение нормативных требований, просеивая сложные транзакционные данные для выявления подозрительных действий. Это не только обеспечивает соблюдение финансовыми учреждениями глобальных стандартов, но и значительно снижает вероятность ложных срабатываний, оптимизируя операции. Модель GenAI поможет обеспечить более эффективный скрининг и ускорить анализ документов, а также выполнение задач мониторинга и отчетности.
Принятие решений на основе данных. Благодаря возможности работы с неструктурированными текстовыми данными, ИИ способен извлекать информацию из таких источников, как новостные сообщения, контент социальных сетей и публикации. Это позволяет компаниям финансовой отрасли использовать недоиспользуемые источники.
Взаимодействие с клиентами и поддержка. LLM расширили возможности и ожидания, которые мы связываем с чатботами и виртуальными помощниками. Чатботы на базе LLM, такие как ChatGPT, продемонстрировали высокую способность к человекоподобному общению. Их внедрение в службы поддержки клиентов финансовых сервисов повысит эффективность и характер взаимодействия с клиентами. Например, виртуальный персональный консультант, который может предоставить индивидуальную информацию об инвестициях или управлении личными финансами, может быть очень хорошо воспринят клиентами.
Инновации и эффективность бизнеса. В последнее время мы наблюдаем всплеск появления дополнений на основе LLM для существующих инструментов и технологий. Например, инструкции на естественном языке, ассистенты программиста и помощники писателя становятся чрезвычайно распространенными. Эти функциональные возможности на основе LLM могут принести значительные инновации и эффективность в финансовую отрасль.
В чем заключаются проблемы
Обучение LLM работе с финансовыми данными. В настоящее время обучение LLM происходит в Интернете. Для использования в сфере финансовых сервисов потребуется тонкая настройка этих моделей с использованием конкретных финансовых данных. Новые участники рынка, вероятно, начнут совершенствовать свои модели на основе финансовых отчетов публичных компаний, документов регулирующих органов и других источников легкодоступных публичных финансовых данных, а со временем будут использовать собственные данные по мере их накопления.
Устоявшиеся игроки, такие как банки или крупные платформы для операций в сфере финансовых услуг, могут использовать имеющиеся и собственные данные, что потенциально даст им первоначальное преимущество. Однако существующие компании, предоставляющие финансовые услуги, как правило, слишком консервативны, когда речь идет о принятии крупных изменений в платформе. Это, скорее всего, дает конкурентное преимущество новым компаниям, не имеющим таких ограничений.
Точность выводов модели. Учитывая, какое влияние ответ на финансовый вопрос может оказать на человека, компанию и общество, эти новые модели ИИ должны быть максимально точными. Они не могут галлюцинировать или придумывать неверные, но уверенно звучащие ответы на критические вопросы о налогах или финансовом состоянии, и они должны быть гораздо точнее, чем приблизительные ответы на запросы из популярной культуры или обычные школьные сочинения. Для начала, чтобы окончательно убедиться в правильности ответа, сгенерированного ИИ, часто будет нужен человек.
Усиление предвзятости. Модели ИИ, какими бы сложными они ни были, все равно опираются на сгенерированные человеком обучающие данные. Эти данные с присущей им предвзятостью — намеренной или нет — могут приводить к искаженным результатам. Например, если в обучающем наборе недопредставлена определенная демографическая группа, последующие результаты работы ИИ могут закрепить это упущение. В таком секторе, как финансы, где равенство и справедливость имеют первостепенное значение, подобные предубеждения могут привести к серьезным последствиям. Руководителям финансовых компаний необходимо активно выявлять подобные предубеждения и обеспечивать максимально полный и репрезентативный набор данных.
Конфиденциальность и комплаенс данных. Защита конфиденциальных данных клиентов остается важной проблемой при использовании GenAI. Обеспечение соответствия системы глобальным стандартам, таким как GDPR и CCPA, имеет решающее значение. ИИ может не знать и не уважать эти границы, поэтому его использование должно регулироваться строгими правилами защиты данных, особенно в финансовом секторе, где конфиденциальность имеет первостепенное значение.
Качество исходных данных. GenAI хорош лишь настолько, насколько хороши поступающие к нему данные. Неточные или неполные данные могут непреднамеренно привести к некачественным финансовым советам или решениям.
LLM повысят эффективность за счет автоматизации и оптимизации различных задач. Это позволит компаниям лучше понимать смысл данных, особенно неструктурированных текстовых данных, и, таким образом, принимать более обоснованные решения. Благодаря более высоким возможностям обработки естественного языка, предоставляемым LLM, такие ориентированные на клиентов инструменты, как чатботы, смогут взять на себя большую часть работы по поддержке клиентов, а также предоставлять более качественные услуги поддержки. Это позволит повысить качество обслуживания клиентов и высвободить ценные человеческое время и возможности для решения более важных задач.
