1956年,達特茅斯會議在一個小鎮召開,會議首次使用了“人工智能”一詞,從此拉開了AI發展的序幕。但此后的幾十年間,人工智能發展幾經波折,有過高潮,也曾陷入過沉寂。直到時間來到2013年,工程師通過深度卷積神經網絡將圖像中對象分類的錯誤率降低到了18%為起點,人工智能才開始又受到矚目。而讓AI真正走進大眾的視野,莫過于2016年AlphaGo戰勝韓國圍棋棋手李世石這一標志性事件了。
與此同時,2013年金融領域也進入了新的歷史階段,互聯網金融橫空出世了。此后十年,一場涉及到整個金融產業的革命(包含銀行、保險、互聯網金融、消費金融、汽車金融等幾乎所有產業主體)進入了波瀾壯闊的十年。
金融產業良好的數字化和信息化基礎,為人工智能的發展奠定了基礎。人工智能第一次發展浪潮與金融產業在過去十年形成了歷史性交匯。
在第一次浪潮中,判別式AI是主角。判別式AI的技術特性決定了它不需要窮盡所有信息,而只需要部分較為精準的信息,即能給出明確的決策結果,進行“好”與“壞”的分類,“是”與“否”的判別,這對于彼時正快速線上化、數字化的金融機構來說,判別式AI可謂占據了天時地利人和。
在判別式AI的驅使下,以銀行為代表的金融產業經歷新舊范式的轉變,金融數字化轉型正在各個層面如火如荼展開。經過近十年的深耕和發展,判別式AI為金融機構帶來了從文化思維、技術產品、管理流程、業務模式到人才生態等層面的重塑和變革。
以2019年中國人民銀行印發《金融科技(FinTech)發展規劃(2019—2021年)》為標志,以保守穩健著稱的金融機構,完成了對AI從懷疑、觀望到全面擁抱的轉變。
而當下,以生成式AI為代表的第二波AI浪潮正席卷而來,技術引發變革的廣度和烈度都將遠超以往。
以百融云創為例,百融云創基于深度學習Transformer框架,結合NLP、智能語音等技術,打造了場景驅動的產業大模型——BR-LLM。百融云創自主搭建了大模型底層框架,通過深度微調能支持百億級參數的訓練。
在AI開發層面,大模型展現出強大的代碼自動化生成能力。在金融機構中,傳統的機器學習模型開發在某種程度而言是一種“手工作坊”的模型,一個場景一個模型,模型之間的經驗也不能互相積累和復用。大模型的自動生成能力將顛覆這一現狀,面向不同金融場景的業務訴求,通過大模型工程師只需要下達清晰的指令,用文字描述出需求,即能自動生成模型,極大提升機器學習的開發效率和生產模式。開發人員的角色也會隨之發生變化,如果說此前開發人員只需要做好技術的工作,有了大模型的加持,開發人員還要做好“提問者”的角色。
在智能交互方面,大模型能提供“真人級”對話效果,對客戶的語音識別準確率可達到99%以上。同時,大模型還有“高人一籌”的表現。
比如,當人工向客戶推銷金融產品時,客戶問到一些如近十年某基金收益率這樣的專業性問題,工作人員無法及時給出準確的反饋,客戶可能就此流失。而大模型跨模態、跨語言的深度語義理解與生成能力,在處理復雜和專業性金融知識上,具有人工所不具備的能力。
一家大型銀行動輒幾千萬的客戶,有了大模型的能力加持會為每名客戶提供一個7×24小時的專屬服務,這將為金融客服、智能投顧、產品營銷等帶來一個質的飛躍。
在分析決策方面,以判別式AI為代表的小模型已經發揮了重要作用,大模型的進場將進一步激發小模型的能量。
數字化轉型的快速推進,使得銀行內部形成了大量的非結構化數據,這對信息質量要求比較高的判別式AI而言是一片無法觸及的領域。當訓練的信息量超過一定閾值,大模型就會出現“涌現現象”,即“在較小的模型中不存在,但在較大的模型中存在的能力”。
大模型能夠憑借強大的信息挖掘能力,喚醒金融機構大量沉積的信息,就像是一塊巨大的磁石,做關鍵信息的抽取,為判別式小模型進行賦能。比如,在風險決策、信用評估、反欺詐等場景下,大模型能豐滿信息的維度,挖掘出小模型無法覆蓋到的區域。大模型對于小模型并非是替代或“消滅”,相反,兩者將是相互協作的關系,大模型與小模型相互搭配,將大大提升金融決策的精準度和效率。
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。
標簽：
營業執照公示信息
