Model Besar di Industri Keuangan: Dari Antusiasme yang Tinggi ke Kembali ke Rasionalitas

Setelah ChatGPT diluncurkan, industri keuangan segera merasakan kecemasan. Industri yang percaya pada teknologi ini khawatir tertinggal oleh arus zaman. Suasana cemas ini bahkan sempat menjangkau kuil. Seorang pelaku industri mengungkapkan bahwa saat dia berkunjung ke Dali pada bulan Mei, dia bahkan bisa bertemu dengan para profesional keuangan yang membahas model besar di kuil.

Namun, kecemasan ini perlahan-lahan mereda, dan pemikiran orang-orang menjadi lebih jelas dan rasional. CTO layanan perbankan Softcom, Sun Hongjun, menggambarkan beberapa fase sikap industri keuangan terhadap model besar: pada bulan Februari dan Maret, semua orang cemas, khawatir ketinggalan; pada bulan April dan Mei, banyak yang membentuk tim untuk mulai bertindak; beberapa bulan setelahnya, mengalami kesulitan dalam mencari arah dan penerapan, mulai menjadi rasional; sekarang fokus pada tolok ukur, mencoba memverifikasi skenario yang telah diuji.

Sebuah tren baru adalah bahwa banyak lembaga keuangan mulai memberikan perhatian strategis pada model besar. Menurut statistik yang tidak lengkap, setidaknya ada 11 bank di perusahaan publik A-share yang secara jelas menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang mengeksplorasi penerapan model besar. Dari tindakan terbaru, mereka sedang melakukan pemikiran dan perencanaan jalur yang lebih jelas dari sisi strategi dan desain tingkat atas.

Dari Semangat Naik ke Kembali Rasional

Pada awal tahun, ketika ChatGPT baru muncul, industri keuangan sangat antusias terhadap model besar, tetapi pemahaman tentang sifat dan cara penggunaannya masih terbatas. Beberapa bank besar mengambil tindakan lebih dulu, mulai melakukan berbagai promosi. Sementara itu, departemen teknologi dari beberapa lembaga keuangan terkemuka aktif berdiskusi dengan perusahaan teknologi besar mengenai pembangunan model besar.

Situasi mulai berubah setelah bulan Mei. Terbatasnya sumber daya komputasi dan tingginya biaya membuat banyak lembaga keuangan beralih dari keinginan untuk membangun model sendiri menjadi lebih fokus pada nilai aplikasi. Lembaga keuangan besar dapat mengadopsi model dasar terkemuka di industri, membangun model besar perusahaan mereka sendiri, sambil menggunakan penyesuaian untuk membentuk model tugas besar di bidang spesialisasi. Lembaga keuangan kecil dan menengah dapat mempertimbangkan pengembalian investasi secara menyeluruh, dan mengadopsi layanan cloud berbagai model besar atau penerapan privat sesuai kebutuhan.

Karena industri keuangan memiliki tuntutan tinggi terhadap kepatuhan data, keamanan, dan kepercayaan, beberapa orang berpendapat bahwa perkembangan implementasi model besar di industri ini sedikit tertinggal dibandingkan dengan ekspektasi awal tahun. Institusi keuangan sedang mencari solusi untuk berbagai hambatan dalam proses implementasi, seperti munculnya beberapa pemikiran solusi dalam hal daya komputasi:

1. Membangun kekuatan komputasi secara langsung, biayanya lebih tinggi tetapi keamanannya baik, cocok untuk lembaga keuangan besar yang memiliki kekuatan yang kuat.

2. Penerapan campuran daya komputasi, dalam kondisi di mana data sensitif tidak keluar dari domain, menerima panggilan antarmuka layanan model besar dari cloud publik, sambil memproses layanan data lokal melalui penerapan privat. Biaya lebih rendah, cocok untuk lembaga keuangan kecil dan menengah.

3. Menjelajahi model berbagi industri. Beberapa lembaga regulasi sedang meneliti apakah mereka dapat memimpin pembangunan infrastruktur model besar yang ditujukan untuk industri tertentu, mengkonsolidasikan kekuatan komputasi dan sumber daya model besar umum, sehingga lembaga keuangan kecil dan menengah juga dapat menggunakan layanan model besar.

Selain itu, semakin banyak lembaga keuangan mulai memperkuat tata kelola data, membangun pusat data dan sistem tata kelola data. Beberapa bank sedang menyelesaikan masalah data melalui kombinasi model besar dan metode MLOps untuk mencapai manajemen terpadu dan pemrosesan efisien dari data yang beragam dan bersumber dari berbagai tempat.

Memasuki dari Skenario Periferal

Selama lebih dari enam bulan terakhir, penyedia layanan model besar dan lembaga keuangan telah aktif menjelajahi skenario aplikasi, termasuk kantor cerdas, pengembangan cerdas, pemasaran cerdas, layanan pelanggan cerdas, penelitian dan investasi cerdas, manajemen risiko cerdas, analisis kebutuhan, dan lain-lain.

Setiap lembaga keuangan memiliki pemikiran yang kaya tentang model besar. Namun, dalam penerapannya, umumnya mengambil strategi internal terlebih dahulu baru kemudian eksternal. Ini karena teknologi model besar saat ini masih belum matang, sementara industri keuangan merupakan bidang yang sangat teratur, aman, dan terpercaya.

Saat ini, skenario seperti asisten kode dan kantor cerdas telah diterapkan di beberapa lembaga keuangan. Namun, para ahli industri berpendapat bahwa skenario yang banyak digunakan ini sebenarnya belum menjadi aplikasi inti lembaga keuangan, dan model besar masih memiliki jarak tertentu untuk masuk ke dalam lapisan bisnis di industri keuangan.

Sebelum ini, beberapa perubahan di tingkat desain atas sedang dilakukan. Beberapa lembaga keuangan terkemuka telah membangun kerangka sistem berlapis yang mencakup lapisan infrastruktur, lapisan model, lapisan layanan model besar, lapisan aplikasi, dan lain-lain, berdasarkan model besar. Kerangka ini umumnya memiliki dua karakteristik utama: pertama, model besar memainkan kemampuan sentral, menggunakan model tradisional sebagai keterampilan untuk dipanggil; kedua, lapisan model besar menerapkan strategi multi-model, di mana kompetisi internal memilih efek terbaik.

Kekurangan talenta masih besar

Penerapan model besar telah mulai membawa tantangan dan perubahan pada struktur personel di industri keuangan. Beberapa posisi menghadapi risiko untuk digantikan, tetapi pada saat yang sama, juga muncul permintaan bakat baru.

Beberapa bank tidak ingin model besar mengakibatkan pengurangan staf, tetapi berharap dapat meningkatkan kualitas layanan dan efisiensi kerja karyawan, sehingga sebagian karyawan dapat melakukan pekerjaan yang lebih bernilai tinggi. Ini tidak hanya mempertimbangkan stabilitas tenaga kerja dan struktur, tetapi juga karena banyak posisi masih terdapat kekurangan tenaga kerja.

Perkembangan cepat model besar menyebabkan kekurangan pasokan tenaga kerja yang sulit untuk mencocokkan permintaan yang melonjak dalam jangka pendek. Lembaga keuangan menghadapi tantangan tenaga kerja dalam menerapkan kemampuan model besar ke dalam proses bisnis inti. Permintaan tenaga kerja yang langsung menerapkan model besar relatif sederhana, tetapi membangun model besar industri atau perusahaan sendiri memerlukan tim teknis model besar vertikal yang terampil.

Beberapa lembaga telah mengambil tindakan, seperti merancang kursus pelatihan bersama, membentuk kelompok proyek bersama, dan cara-cara lain untuk meningkatkan kemampuan personel perusahaan. Dalam proses ini, struktur personel lembaga keuangan juga akan mengalami penyesuaian dan perubahan, pengembang yang menguasai keterampilan model besar mungkin akan lebih mudah bertahan di lingkungan baru.

Secara keseluruhan, penerapan model besar di industri keuangan masih berada pada tahap eksplorasi. Meskipun telah ada beberapa hasil awal, untuk benar-benar memanfaatkan nilainya dalam bisnis inti, dibutuhkan lebih banyak terobosan teknologi, pengembangan bakat, dan akumulasi praktik.