• 产品与服务矩阵
  • 资源中心
  • 关于我们

【ChatGPT系列话题】金融行业大语言模型应用落地

行业监测分析 易观分析 2023-04-03 6018
ChatGPT和GPT-4陆续发布,引发了我们对于大模型在各个行业可能应用方向的想象与探索,包括今天我们重点提到的金融行业。在金融行业,大模型有非常多的应用场景,包括投研、产品研发、授信审核等,例如使用Copilot,帮助程序员来写代码,或者来做代码检测与测试等,也可以使用大模型的多轮对话能力,最大限度提高客户服务的质量,从而提升用户体验等。

金融行业真正推进大模型的落地的过程中,需要考虑如下四个挑战,最后一个挑战最重要,影响也最长远。


第一个,可信度的挑战我们在赞叹ChatGPT能力的同时,应该都有注意到,它在跟我们对话的过程中,暴露出来了一些问题,例如回答不够准确,甚至错误的情况,例如针对同一个问题,也有可出现截然相反的回答,而金融行业是一个对于模型的可解释性和鲁棒性等,要求非常高的一个行业。大语言模型当下输出结果的可解释性目前是相对封闭、不透明的,同时,其稳定性也仍然受到数据、算法、训练等方面的干扰,出现非鲁棒性的特征。这些都是在可信度方面,金融行业落地大模型应用非常重要的挑战。

第二,业务理解的挑战,目前的大语言模型实际上是基于通用知识库进行训练的,但是进入到金融的业务场景当中,无论是信贷、财富管理等,都还需要针对金融行业的业务属性与业务逻辑等进行增量训练,才能真正意义上解决业务问题和实现智能决策。

第三,成本投入挑战,当前大模型的应用成本仍然是比较高的,一方面是巨大的算力消耗成本,另一方面是为了解决前面提到的业务理解挑战,所产生的金融业务属性训练语料、数据标注以及模型的训练成本,尽管金融行业的科技投入还是比较高的,但是仍然需要通过模型压缩、小样本训练等方式进一步降低应用成本,才能真正意义上投入生产环境进行使用。

第四,也是我们刚刚提到最重要的一个挑战,就是组织能力的挑战,金融行业当然可以通过大模型的应用来替代人力去做非常多机械型、流程型,乃至一部分创造型的工作。但是,金融机构需要同步考虑的是,如何打造人和机器或者人与人工智能有机协同与合作的关系,一方面是如何更好地为员工,为人来赋能,提升人使用AI工具的能力,另一方面也包括不断调整和优化人与数字员工的职能边界。

只有当我们认真讨论风险与挑战的时候,才意味着,距离进入大语言模型开启的金融智能时代不远了,如果你还有关于金融行业数字化方面的问题,欢迎给我留言,我们来一起讨论。