# 大規模モデルの金融業界における位置付け：熱意の上昇から理性的な回帰へChatGPTの登場後、金融業界はすぐに不安を感じました。この技術に信頼を置く業界は、時代の波に置き去りにされることを心配しています。この焦燥感は一時、寺院にも影響を及ぼしました。ある業界関係者は、5月に大理で出張中に寺院で大規模モデルについて議論している金融業者に出会ったと明かしました。しかし、このような不安は徐々に和らぎ、人々の考えもより明確で理性的になってきています。ソフトウェアと通信の銀行業務CTOである孫洪軍は、金融業界の大規模モデルに対する態度のいくつかの段階を説明しました：2月と3月には皆が不安を感じており、遅れを取ることを心配していました；4月と5月には次々とチームを結成し行動を開始しました；その後の数ヶ月は方向性と実施において困難に直面し、理性的になり始めました；現在はベンチマークに注目し、検証済みのシナリオを試す段階です。新しいトレンドは、多くの金融機関が戦略レベルで大モデルの重要性を認識し始めたことです。不完全な統計によると、A株上場企業の中で少なくとも11の銀行が最新の半年報告書で大モデルの応用を探求していることを明示しています。最近の動きから見ると、彼らは戦略とトップダウン設計のレベルでより明確な考えと経路計画を行っています。## 熱意が上昇から理性的な回帰へ年初にChatGPTが登場した際、金融業界は大モデルに対する熱意が高かったが、その本質や応用方法についての理解は限られていた。一部の大手銀行は早期に行動を起こし、さまざまな宣伝を開始した。同時に、一部の主要な金融機関の技術部門は、大手テクノロジー企業と大モデルの構築に関する議論を積極的に行っていた。5月以降、状況は徐々に変化していきました。算力リソースの不足や高コストなどの要因に制約され、多くの金融機関は単に自社でモデルを構築することを希望するのではなく、よりアプリケーションの価値に注目するようになりました。大規模な金融機関は、業界の先進的な基盤となる大規模モデルを導入し、自社の企業向け大規模モデルを構築すると同時に、微調整の形を採用して専門分野のタスクモデルを形成することができます。中小規模の金融機関は、投資回収を総合的に考慮し、必要に応じて各種大規模モデルのクラウドサービスやプライベートデプロイを導入することができます。金融業界はデータのコンプライアンス、安全性、信頼性などの要求が高いため、一部の人々はこの業界での大規模モデルの実装が年初の予想よりも若干遅れていると考えています。金融機関は実装プロセスにおけるさまざまな障害を解決しようとしていますが、計算能力の面でいくつかの解決策が考えられています。1. 直接に自らの算力を構築することは、コストが高いが安全性が良く、実力のある大規模な金融機関に適している。2. 計算力の混合デプロイメントにおいて、センシティブなデータがドメイン外に出ないようにしながら、パブリッククラウドからの大規模モデルサービスインターフェースへの呼び出しを受け入れ、同時にプライベートデプロイメントを通じてローカルデータサービスを処理します。コストが低く、中小規模の金融機関に適しています。3. 業界の共有モデルを探索する。一部の規制機関は、特定の業界向けの大規模モデルインフラを構築することができるかどうかを研究しており、計算力と一般的な大規模モデルリソースを集中させ、中小金融機関も大規模モデルサービスを利用できるようにすることを目指している。さらに、ますます多くの金融機関がデータガバナンスを強化し、データプラットフォームとデータガバナンスシステムを構築し始めています。一部の銀行は、大規模モデルとMLOpsの方法を組み合わせてデータ問題を解決し、複数のソースからの異種データの統一管理と効率的な処理を実現しています。## 周辺のシーンからの切り込み過去半年以上、大規模モデルサービス提供者と金融機関は、スマートオフィス、インテリジェント開発、スマートマーケティング、インテリジェントカスタマーサービス、スマート投資研究、インテリジェントリスク管理、需要分析などを含むアプリケーションシーンを積極的に探求しています。各金融機関は大規模モデルに対して豊富な構想を持っています。しかし、実際に導入する際には、一般的に内部から外部へという戦略を採用しています。これは、現在の大規模モデル技術がまだ成熟しておらず、金融業界が強い規制、高い安全性、高い信頼性を求める分野であるためです。現在、コードアシスタントやスマートオフィスなどのシーンは複数の金融機関で実現されています。しかし、業界関係者は、これらの広く応用されているシーンは実際には金融機関のコアアプリケーションではなく、大規模モデルが金融業界のビジネスレイヤーに深く入るにはまだ一定の距離があると考えています。その前に、いくつかのトップレベルの設計面での変更が進行中です。複数の主要な金融機関は、大規模なモデルに基づいて、インフラ層、モデル層、大規模モデルサービス層、アプリケーション層など、複数のレベルを含む階層システムフレームワークを構築しています。これらのフレームワークは一般的に二つの大きな特徴を持っています。一つは、大規模モデルが中枢の能力を発揮し、従来のモデルをスキルとして呼び出すこと。二つ目は、大規模モデル層が多モデル戦略を採用し、内部競争によって最適な効果を選出すること。## 人材のギャップは依然として大きい大規模モデルの応用は、金融業界の人材構造に挑戦と変革をもたらし始めています。一部の職位は代替されるリスクに直面していますが、同時に新たな人材需要も生まれています。いくつかの銀行は、大規模モデルによる人員削減を望んでいません。むしろ、従業員のサービス品質と作業効率を向上させることで、従業員の一部を解放し、より高価値の仕事を行うことを望んでいます。これは、スタッフと構造の安定性を考慮したものであり、多くのポジションには依然として人材のギャップが存在するからです。大規模モデルの急速な発展は、短期間での人材供給が急増する需要に対応できない状況を引き起こしています。金融機関は、大規模モデルの能力をコアビジネスプロセスに適用する際に人材の課題に直面しています。大規模モデルを直接適用する人材の需要は比較的単純ですが、業界や企業の大規模モデルを自社で構築するには、専門的な大規模モデル技術チームが必要です。いくつかの機関は、共同でトレーニングコースを設計したり、共同プロジェクトチームを設立するなどの方法で企業の人材能力を向上させるために行動を起こしています。このプロセスで、金融機関の人員構成も調整と変革を迎えることになり、大規模モデルスキルを持つ開発者は新しい環境で生き残るのが容易になる可能性があります。総じて、大規模モデルの金融業界における応用はまだ探求段階にあります。初期の成果は得られていますが、コアビジネスにおけるその価値を真に発揮するためには、さらなる技術的ブレークスルー、人材育成、実践的な蓄積が必要です。
大規模モデルが金融業に衝撃を与える：熱意の上昇から理性的な落ち着きへ
大規模モデルの金融業界における位置付け：熱意の上昇から理性的な回帰へ
ChatGPTの登場後、金融業界はすぐに不安を感じました。この技術に信頼を置く業界は、時代の波に置き去りにされることを心配しています。この焦燥感は一時、寺院にも影響を及ぼしました。ある業界関係者は、5月に大理で出張中に寺院で大規模モデルについて議論している金融業者に出会ったと明かしました。
しかし、このような不安は徐々に和らぎ、人々の考えもより明確で理性的になってきています。ソフトウェアと通信の銀行業務CTOである孫洪軍は、金融業界の大規模モデルに対する態度のいくつかの段階を説明しました：2月と3月には皆が不安を感じており、遅れを取ることを心配していました；4月と5月には次々とチームを結成し行動を開始しました；その後の数ヶ月は方向性と実施において困難に直面し、理性的になり始めました；現在はベンチマークに注目し、検証済みのシナリオを試す段階です。
新しいトレンドは、多くの金融機関が戦略レベルで大モデルの重要性を認識し始めたことです。不完全な統計によると、A株上場企業の中で少なくとも11の銀行が最新の半年報告書で大モデルの応用を探求していることを明示しています。最近の動きから見ると、彼らは戦略とトップダウン設計のレベルでより明確な考えと経路計画を行っています。
熱意が上昇から理性的な回帰へ
年初にChatGPTが登場した際、金融業界は大モデルに対する熱意が高かったが、その本質や応用方法についての理解は限られていた。一部の大手銀行は早期に行動を起こし、さまざまな宣伝を開始した。同時に、一部の主要な金融機関の技術部門は、大手テクノロジー企業と大モデルの構築に関する議論を積極的に行っていた。
5月以降、状況は徐々に変化していきました。算力リソースの不足や高コストなどの要因に制約され、多くの金融機関は単に自社でモデルを構築することを希望するのではなく、よりアプリケーションの価値に注目するようになりました。大規模な金融機関は、業界の先進的な基盤となる大規模モデルを導入し、自社の企業向け大規模モデルを構築すると同時に、微調整の形を採用して専門分野のタスクモデルを形成することができます。中小規模の金融機関は、投資回収を総合的に考慮し、必要に応じて各種大規模モデルのクラウドサービスやプライベートデプロイを導入することができます。
金融業界はデータのコンプライアンス、安全性、信頼性などの要求が高いため、一部の人々はこの業界での大規模モデルの実装が年初の予想よりも若干遅れていると考えています。金融機関は実装プロセスにおけるさまざまな障害を解決しようとしていますが、計算能力の面でいくつかの解決策が考えられています。
直接に自らの算力を構築することは、コストが高いが安全性が良く、実力のある大規模な金融機関に適している。
計算力の混合デプロイメントにおいて、センシティブなデータがドメイン外に出ないようにしながら、パブリッククラウドからの大規模モデルサービスインターフェースへの呼び出しを受け入れ、同時にプライベートデプロイメントを通じてローカルデータサービスを処理します。コストが低く、中小規模の金融機関に適しています。
業界の共有モデルを探索する。一部の規制機関は、特定の業界向けの大規模モデルインフラを構築することができるかどうかを研究しており、計算力と一般的な大規模モデルリソースを集中させ、中小金融機関も大規模モデルサービスを利用できるようにすることを目指している。
さらに、ますます多くの金融機関がデータガバナンスを強化し、データプラットフォームとデータガバナンスシステムを構築し始めています。一部の銀行は、大規模モデルとMLOpsの方法を組み合わせてデータ問題を解決し、複数のソースからの異種データの統一管理と効率的な処理を実現しています。
周辺のシーンからの切り込み
過去半年以上、大規模モデルサービス提供者と金融機関は、スマートオフィス、インテリジェント開発、スマートマーケティング、インテリジェントカスタマーサービス、スマート投資研究、インテリジェントリスク管理、需要分析などを含むアプリケーションシーンを積極的に探求しています。
各金融機関は大規模モデルに対して豊富な構想を持っています。しかし、実際に導入する際には、一般的に内部から外部へという戦略を採用しています。これは、現在の大規模モデル技術がまだ成熟しておらず、金融業界が強い規制、高い安全性、高い信頼性を求める分野であるためです。
現在、コードアシスタントやスマートオフィスなどのシーンは複数の金融機関で実現されています。しかし、業界関係者は、これらの広く応用されているシーンは実際には金融機関のコアアプリケーションではなく、大規模モデルが金融業界のビジネスレイヤーに深く入るにはまだ一定の距離があると考えています。
その前に、いくつかのトップレベルの設計面での変更が進行中です。複数の主要な金融機関は、大規模なモデルに基づいて、インフラ層、モデル層、大規模モデルサービス層、アプリケーション層など、複数のレベルを含む階層システムフレームワークを構築しています。これらのフレームワークは一般的に二つの大きな特徴を持っています。一つは、大規模モデルが中枢の能力を発揮し、従来のモデルをスキルとして呼び出すこと。二つ目は、大規模モデル層が多モデル戦略を採用し、内部競争によって最適な効果を選出すること。
人材のギャップは依然として大きい
大規模モデルの応用は、金融業界の人材構造に挑戦と変革をもたらし始めています。一部の職位は代替されるリスクに直面していますが、同時に新たな人材需要も生まれています。
いくつかの銀行は、大規模モデルによる人員削減を望んでいません。むしろ、従業員のサービス品質と作業効率を向上させることで、従業員の一部を解放し、より高価値の仕事を行うことを望んでいます。これは、スタッフと構造の安定性を考慮したものであり、多くのポジションには依然として人材のギャップが存在するからです。
大規模モデルの急速な発展は、短期間での人材供給が急増する需要に対応できない状況を引き起こしています。金融機関は、大規模モデルの能力をコアビジネスプロセスに適用する際に人材の課題に直面しています。大規模モデルを直接適用する人材の需要は比較的単純ですが、業界や企業の大規模モデルを自社で構築するには、専門的な大規模モデル技術チームが必要です。
いくつかの機関は、共同でトレーニングコースを設計したり、共同プロジェクトチームを設立するなどの方法で企業の人材能力を向上させるために行動を起こしています。このプロセスで、金融機関の人員構成も調整と変革を迎えることになり、大規模モデルスキルを持つ開発者は新しい環境で生き残るのが容易になる可能性があります。
総じて、大規模モデルの金融業界における応用はまだ探求段階にあります。初期の成果は得られていますが、コアビジネスにおけるその価値を真に発揮するためには、さらなる技術的ブレークスルー、人材育成、実践的な蓄積が必要です。