Les grands modèles dans le secteur financier : d'une forte hausse à un retour à la raison
Après l'émergence de ChatGPT, le secteur financier a immédiatement ressenti de l'anxiété. Cette industrie, qui a foi en la technologie, craint d'être laissée pour compte par le flot du temps. Cette atmosphère de tension a même touché les temples. Une personne du secteur a révélé que lors d'un voyage d'affaires à Dali en mai, elle a même rencontré des professionnels de la finance discutant des grands modèles dans un temple.
Cependant, cette anxiété est en train de s'apaiser progressivement, et la pensée des gens devient plus claire et rationnelle. Sun Hongjun, CTO de Softcom Power Bank, a décrit plusieurs étapes de l'attitude du secteur financier envers les grands modèles : en février et mars, tout le monde était très inquiet, craignant de prendre du retard ; en avril et mai, des équipes ont été formées et ont commencé à agir ; les mois suivants, des difficultés ont été rencontrées dans la recherche de direction et la mise en œuvre, et un certain degré de rationalité a commencé à s'installer ; maintenant, l'accent est mis sur les références et l'expérimentation de scénarios validés.
Une nouvelle tendance est que de nombreuses institutions financières commencent à accorder une importance stratégique aux grands modèles. Selon des statistiques incomplètes, au moins 11 banques parmi les sociétés cotées en bourse A ont clairement indiqué dans leur dernier rapport semestriel qu'elles explorent l'application des grands modèles. D'après les actions récentes, elles commencent à réfléchir et à planifier des voies plus claires au niveau stratégique et de la conception de haut niveau.
De la passion à la hausse à un retour à la raison
Au début de l'année, lorsque ChatGPT est apparu, l'enthousiasme de l'industrie financière pour les grands modèles était élevé, mais la compréhension de leur nature et de leurs applications était limitée. Certaines grandes banques ont été les premières à agir, en commençant diverses campagnes de promotion. Parallèlement, les départements technologiques de certaines grandes institutions financières ont activement discuté de la construction de grands modèles avec de grandes entreprises technologiques.
La situation a progressivement changé après mai. En raison de la rareté des ressources de calcul et des coûts élevés, de nombreuses institutions financières ont commencé à passer d'une simple volonté de construire leurs propres modèles à une attention accrue portée à la valeur d'application. Les grandes institutions financières peuvent introduire des modèles de base de pointe de l'industrie, construire leurs propres grands modèles d'entreprise, tout en adoptant une forme de réglage fin, pour former des grands modèles de tâches dans des domaines spécialisés. Les petites et moyennes institutions financières peuvent envisager de manière globale le retour sur investissement et introduire selon les besoins divers services cloud de grands modèles ou des déploiements privatifs.
En raison des exigences élevées en matière de conformité des données, de sécurité et de fiabilité dans le secteur financier, certaines personnes estiment que le déploiement des grands modèles dans ce secteur est légèrement en retard par rapport aux prévisions de début d'année. Les institutions financières cherchent à résoudre divers obstacles au cours du processus de déploiement, notamment en ce qui concerne la puissance de calcul, plusieurs pistes de solution ont émergé :
Construire directement la puissance de calcul, coût élevé mais bonne sécurité, convient aux grandes institutions financières disposant de ressources solides.
Déploiement hybride de la puissance de calcul, acceptant les appels d'interface de service de grands modèles depuis le cloud public tout en traitant les services de données locales par déploiement privé, sans que les données sensibles ne sortent du domaine. Coût relativement bas, adapté aux petites et moyennes institutions financières.
Explorer les modèles de partage sectoriels. Certains régulateurs étudient la possibilité de diriger la mise en place d'infrastructures de grands modèles destinées à des secteurs spécifiques, en centralisant la puissance de calcul et les ressources de grands modèles génériques, afin que les petites et moyennes institutions financières puissent également utiliser les services de grands modèles.
De plus, de plus en plus d'institutions financières commencent à renforcer la gouvernance des données, à construire des plateformes de données et des systèmes de gouvernance des données. Certaines banques résolvent les problèmes de données en combinant de grands modèles et des méthodes MLOps, réalisant ainsi une gestion unifiée et un traitement efficace de données hétérogènes provenant de multiples sources.
Approche par des scènes périphériques
Au cours des six derniers mois, les fournisseurs de services de grands modèles et les institutions financières ont activement exploré des scénarios d'application, y compris le bureau intelligent, le développement intelligent, le marketing intelligent, le service client intelligent, la recherche et développement intelligente, la gestion des risques intelligente et l'analyse des besoins.
Chaque institution financière a des idées riches sur les grands modèles. Cependant, lors de leur mise en œuvre, elles adoptent généralement une stratégie interne d'abord, puis externe. Cela est dû au fait que la technologie des grands modèles n'est pas encore mature, tandis que le secteur financier est un domaine fortement réglementé, avec des exigences élevées en matière de sécurité et de confiance.
Actuellement, des scénarios tels que l'assistant de code et le bureau intelligent ont été mis en œuvre dans plusieurs institutions financières. Cependant, les professionnels du secteur estiment que ces scénarios largement appliqués ne représentent en réalité pas encore les applications essentielles des institutions financières, et que les grands modèles sont encore éloignés des aspects opérationnels approfondis de l'industrie financière.
Avant cela, des changements au niveau de la conception de haut niveau sont en cours. Plusieurs institutions financières de premier plan ont construit un cadre de système en couches comprenant plusieurs niveaux tels que la couche d'infrastructure, la couche de modèle, la couche de service de grand modèle et la couche d'application, basé sur de grands modèles. Ces cadres présentent généralement deux caractéristiques principales : d'une part, le grand modèle joue un rôle central en appelant les modèles traditionnels comme des compétences ; d'autre part, la couche de grand modèle adopte une stratégie multi-modèles, choisissant le meilleur effet par la concurrence interne.
Le besoin en talents reste immense
L'application des grands modèles a commencé à poser des défis et à transformer la structure des effectifs dans le secteur financier. Certains postes sont à risque d'être remplacés, mais en même temps, de nouveaux besoins en talents émergent.
Certaines banques ne souhaitent pas que les grands modèles entraînent des réductions d'effectifs, mais espèrent plutôt améliorer la qualité du service et l'efficacité du travail des employés, permettant ainsi à certains d'entre eux de se consacrer à des tâches à plus forte valeur ajoutée. Cela prend en compte la stabilité du personnel et de la structure, mais aussi le fait qu'il existe encore des pénuries de talents pour de nombreux postes.
Le développement rapide des grands modèles a conduit à une pénurie de talents difficile à concilier avec la demande croissante à court terme. Les institutions financières sont confrontées à des défis en matière de talents lorsqu'elles appliquent les capacités des grands modèles à leurs processus métier principaux. La demande de talents directement liés à l'application des grands modèles est relativement simple, mais la construction de grands modèles spécifiques à un secteur ou à une entreprise nécessite une équipe technique spécialisée et compétente.
Certain organismes ont déjà pris des mesures, comme la conception conjointe de cours de formation et l'établissement de groupes de projet communs pour améliorer les compétences du personnel des entreprises. Dans ce processus, la structure du personnel des institutions financières va également connaître des ajustements et des transformations, et les développeurs maîtrisant les compétences en modèles de grande taille pourraient avoir plus de facilité à survivre dans le nouvel environnement.
Dans l'ensemble, l'application des grands modèles dans le secteur financier en est encore au stade d'exploration. Bien qu'il y ait déjà quelques résultats préliminaires, pour réellement tirer parti de leur valeur dans les activités centrales, davantage de percées technologiques, de formation de talents et d'accumulation de pratiques sont nécessaires.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
13 J'aime
Récompense
13
3
Reposter
Partager
Commentaire
0/400
0xOverleveraged
· Il y a 19h
C'est que tout peut être volé, le Trading des cryptomonnaies est moins agressif que chez eux.
Voir l'originalRépondre0
Frontrunner
· Il y a 19h
Ah... j'étais peut-être trop anxieux de monter à bord à l'époque.
Voir l'originalRépondre0
FloorPriceWatcher
· Il y a 19h
Brûler de l'encens ne peut pas sauver cette vague d'anxiété hahaha
L'impact des grands modèles sur l'industrie financière : d'une hausse de l'enthousiasme à une mise en œuvre rationnelle.
Les grands modèles dans le secteur financier : d'une forte hausse à un retour à la raison
Après l'émergence de ChatGPT, le secteur financier a immédiatement ressenti de l'anxiété. Cette industrie, qui a foi en la technologie, craint d'être laissée pour compte par le flot du temps. Cette atmosphère de tension a même touché les temples. Une personne du secteur a révélé que lors d'un voyage d'affaires à Dali en mai, elle a même rencontré des professionnels de la finance discutant des grands modèles dans un temple.
Cependant, cette anxiété est en train de s'apaiser progressivement, et la pensée des gens devient plus claire et rationnelle. Sun Hongjun, CTO de Softcom Power Bank, a décrit plusieurs étapes de l'attitude du secteur financier envers les grands modèles : en février et mars, tout le monde était très inquiet, craignant de prendre du retard ; en avril et mai, des équipes ont été formées et ont commencé à agir ; les mois suivants, des difficultés ont été rencontrées dans la recherche de direction et la mise en œuvre, et un certain degré de rationalité a commencé à s'installer ; maintenant, l'accent est mis sur les références et l'expérimentation de scénarios validés.
Une nouvelle tendance est que de nombreuses institutions financières commencent à accorder une importance stratégique aux grands modèles. Selon des statistiques incomplètes, au moins 11 banques parmi les sociétés cotées en bourse A ont clairement indiqué dans leur dernier rapport semestriel qu'elles explorent l'application des grands modèles. D'après les actions récentes, elles commencent à réfléchir et à planifier des voies plus claires au niveau stratégique et de la conception de haut niveau.
De la passion à la hausse à un retour à la raison
Au début de l'année, lorsque ChatGPT est apparu, l'enthousiasme de l'industrie financière pour les grands modèles était élevé, mais la compréhension de leur nature et de leurs applications était limitée. Certaines grandes banques ont été les premières à agir, en commençant diverses campagnes de promotion. Parallèlement, les départements technologiques de certaines grandes institutions financières ont activement discuté de la construction de grands modèles avec de grandes entreprises technologiques.
La situation a progressivement changé après mai. En raison de la rareté des ressources de calcul et des coûts élevés, de nombreuses institutions financières ont commencé à passer d'une simple volonté de construire leurs propres modèles à une attention accrue portée à la valeur d'application. Les grandes institutions financières peuvent introduire des modèles de base de pointe de l'industrie, construire leurs propres grands modèles d'entreprise, tout en adoptant une forme de réglage fin, pour former des grands modèles de tâches dans des domaines spécialisés. Les petites et moyennes institutions financières peuvent envisager de manière globale le retour sur investissement et introduire selon les besoins divers services cloud de grands modèles ou des déploiements privatifs.
En raison des exigences élevées en matière de conformité des données, de sécurité et de fiabilité dans le secteur financier, certaines personnes estiment que le déploiement des grands modèles dans ce secteur est légèrement en retard par rapport aux prévisions de début d'année. Les institutions financières cherchent à résoudre divers obstacles au cours du processus de déploiement, notamment en ce qui concerne la puissance de calcul, plusieurs pistes de solution ont émergé :
Construire directement la puissance de calcul, coût élevé mais bonne sécurité, convient aux grandes institutions financières disposant de ressources solides.
Déploiement hybride de la puissance de calcul, acceptant les appels d'interface de service de grands modèles depuis le cloud public tout en traitant les services de données locales par déploiement privé, sans que les données sensibles ne sortent du domaine. Coût relativement bas, adapté aux petites et moyennes institutions financières.
Explorer les modèles de partage sectoriels. Certains régulateurs étudient la possibilité de diriger la mise en place d'infrastructures de grands modèles destinées à des secteurs spécifiques, en centralisant la puissance de calcul et les ressources de grands modèles génériques, afin que les petites et moyennes institutions financières puissent également utiliser les services de grands modèles.
De plus, de plus en plus d'institutions financières commencent à renforcer la gouvernance des données, à construire des plateformes de données et des systèmes de gouvernance des données. Certaines banques résolvent les problèmes de données en combinant de grands modèles et des méthodes MLOps, réalisant ainsi une gestion unifiée et un traitement efficace de données hétérogènes provenant de multiples sources.
Approche par des scènes périphériques
Au cours des six derniers mois, les fournisseurs de services de grands modèles et les institutions financières ont activement exploré des scénarios d'application, y compris le bureau intelligent, le développement intelligent, le marketing intelligent, le service client intelligent, la recherche et développement intelligente, la gestion des risques intelligente et l'analyse des besoins.
Chaque institution financière a des idées riches sur les grands modèles. Cependant, lors de leur mise en œuvre, elles adoptent généralement une stratégie interne d'abord, puis externe. Cela est dû au fait que la technologie des grands modèles n'est pas encore mature, tandis que le secteur financier est un domaine fortement réglementé, avec des exigences élevées en matière de sécurité et de confiance.
Actuellement, des scénarios tels que l'assistant de code et le bureau intelligent ont été mis en œuvre dans plusieurs institutions financières. Cependant, les professionnels du secteur estiment que ces scénarios largement appliqués ne représentent en réalité pas encore les applications essentielles des institutions financières, et que les grands modèles sont encore éloignés des aspects opérationnels approfondis de l'industrie financière.
Avant cela, des changements au niveau de la conception de haut niveau sont en cours. Plusieurs institutions financières de premier plan ont construit un cadre de système en couches comprenant plusieurs niveaux tels que la couche d'infrastructure, la couche de modèle, la couche de service de grand modèle et la couche d'application, basé sur de grands modèles. Ces cadres présentent généralement deux caractéristiques principales : d'une part, le grand modèle joue un rôle central en appelant les modèles traditionnels comme des compétences ; d'autre part, la couche de grand modèle adopte une stratégie multi-modèles, choisissant le meilleur effet par la concurrence interne.
Le besoin en talents reste immense
L'application des grands modèles a commencé à poser des défis et à transformer la structure des effectifs dans le secteur financier. Certains postes sont à risque d'être remplacés, mais en même temps, de nouveaux besoins en talents émergent.
Certaines banques ne souhaitent pas que les grands modèles entraînent des réductions d'effectifs, mais espèrent plutôt améliorer la qualité du service et l'efficacité du travail des employés, permettant ainsi à certains d'entre eux de se consacrer à des tâches à plus forte valeur ajoutée. Cela prend en compte la stabilité du personnel et de la structure, mais aussi le fait qu'il existe encore des pénuries de talents pour de nombreux postes.
Le développement rapide des grands modèles a conduit à une pénurie de talents difficile à concilier avec la demande croissante à court terme. Les institutions financières sont confrontées à des défis en matière de talents lorsqu'elles appliquent les capacités des grands modèles à leurs processus métier principaux. La demande de talents directement liés à l'application des grands modèles est relativement simple, mais la construction de grands modèles spécifiques à un secteur ou à une entreprise nécessite une équipe technique spécialisée et compétente.
Certain organismes ont déjà pris des mesures, comme la conception conjointe de cours de formation et l'établissement de groupes de projet communs pour améliorer les compétences du personnel des entreprises. Dans ce processus, la structure du personnel des institutions financières va également connaître des ajustements et des transformations, et les développeurs maîtrisant les compétences en modèles de grande taille pourraient avoir plus de facilité à survivre dans le nouvel environnement.
Dans l'ensemble, l'application des grands modèles dans le secteur financier en est encore au stade d'exploration. Bien qu'il y ait déjà quelques résultats préliminaires, pour réellement tirer parti de leur valeur dans les activités centrales, davantage de percées technologiques, de formation de talents et d'accumulation de pratiques sont nécessaires.