L’intelligenza artificiale generativa si riferisce a modelli in grado di generare nuovi dati simili a quelli di input. L’enorme successo di ChatGPT ha ispirato molte aziende a sviluppare i propri modelli linguistici di grandi dimensioni. Nel settore finanziario, che si basa pesantemente sui dati, l’IA è più importante che mai.
Lavoro come data scientist in una società di servizi finanziari in Francia e ho notato un aumento significativo dell’uso di Large Language Models (LLM) in tutte le divisioni per automatizzare processi e costruire sistemi di intelligenza artificiale sicuri e robusti.
Ogni istituto finanziario cerca di creare i propri LLM ottimizzati, utilizzando modelli open source come LLAMA 2 o Falcon. Questo è particolarmente vero per le banche tradizionali che dispongono di decenni di dati finanziari a disposizione.
Fino a poco tempo fa, l’incorporazione di grandi quantità di dati in un unico modello era difficile a causa delle limitazioni computazionali e della complessità dei modelli. Ma ora, grazie a modelli open source con miliardi di parametri, è possibile ottimizzare il processo con grandi quantità di dati testuali. In questo contesto, i dati sono essenziali: più dati hai, migliori saranno i risultati.
Entrambi i modelli di dati e i modelli LLM possono portare a notevoli risparmi per le banche e i servizi finanziari, migliorando l’automazione, l’efficienza e l’accuratezza delle operazioni.
Stime recenti di McKinsey indicano che l’IA generativa potrebbe portare a risparmi annuali fino a 340 miliardi di dollari solo nel settore bancario.
BloombergGPT ed economia dell’intelligenza artificiale generativa
A marzo 2023, Bloomberg ha presentato BloombergGPT, un modello linguistico costruito da zero con 50 miliardi di parametri, specificamente adattato ai dati finanziari.
Ma l’addestramento di modelli come BloombergGPT o Meta’s Llama 2 non è economico. Ad esempio, l’addestramento del modello Llama 2 con 70 miliardi di parametri richiede 1.700.000 ore di GPU, con un costo che può variare da 1 a 2 dollari per ogni ora di GPU sui servizi cloud commerciali. Un modello con 10 miliardi di parametri potrebbe costare circa 150.000 dollari, mentre uno con 100 miliardi di parametri potrebbe superare 1,5 milioni di dollari. L’acquisto di GPU è un’alternativa, ma può costare più di 10 milioni di dollari per formare un cluster di circa 1000 GPU A100.
L’investimento significativo di Bloomberg è notevole, ma è interessante notare che modelli più piccoli e meno costosi stanno emergendo con prestazioni competitive. Ad esempio, un modello che costa solo 100 dollari è riuscito a superare BloombergGPT in soli sei mesi, nonostante la formazione di BloombergGPT incorporasse dati proprietari. Questo è dove entra in gioco FinGPT.
FinGPT
FinGPT è un modello finanziario di grandi dimensioni ottimizzato, sviluppato dalla AI4Finance-Foundation. Sta superando altri modelli in termini di costo-efficienza e precisione. Ci sono attualmente 3 versioni di FinGPT: le serie FinGPT v3 utilizzano il metodo LoRA e sono addestrate su notizie e tweet per analizzare il sentiment finanziario. FinGPT v3.1 è basato sul modello chatglm2-6B, mentre FinGPT v3.2 è basato su Llama2-7b.
Operazioni di FinGPT:
- Acquisizione e ingegneria dei dati: FinGPT raccoglie dati da fonti affidabili come Yahoo e Reuters e li elabora attraverso fasi di pulizia e tokenizzazione per garantire la pertinenza e l’accuratezza.
- Modelli linguistici di grandi dimensioni (LLM): Utilizzando dati selezionati, FinGPT può ottimizzare gli LLM per creare modelli personalizzati o adattare modelli esistenti.
- Strategie di messa a punto: L’uso di Tensor Layers (LoRA) e l’apprendimento per rinforzo dal feedback umano (RLHF) aiutano a ottimizzare le prestazioni e a personalizzare l’esperienza dell’utente.
- Applicazioni e innovazioni: FinGPT trova applicazioni in consulenza finanziaria, trading quantitativo e altro ancora.
Alcune grandi istituzioni finanziarie come Bank of America, Citigroup e Goldman Sachs hanno imposto restrizioni sull’uso di ChatGPT da parte dei dipendenti all’inizio del 2023, ma altre stanno abbracciando l’IA generativa. Morgan Stanley utilizza chatbot basati su OpenAI per migliorare il lavoro dei consulenti finanziari. Citadel sta cercando di ottenere una licenza ChatGPT a livello aziendale. JPMorgan Chase sta sfruttando ampi modelli linguistici per il rilevamento delle frodi, mentre Goldman Sachs sta esplorando il potere dell’IA generativa per l’ingegneria del software.
L’IA generativa sta rivoluzionando le operazioni finanziarie, i processi decisionali e l’interazione con i clienti. Ecco alcune applicazioni chiave:
- Prevenzione delle frodi
- Valutazione del rischio di credito
- Aumento dell’interazione con i clienti
- Finanza personalizzata
- Trading algoritmico
- Rafforzamento dei quadri di conformità
- Sicurezza informatica
Tuttavia, ci sono sfide, come l’amplificazione dei bias, l’affidabilità dell’output e la privacy dei dati, che richiedono attenzione nel settore finanziario.
In conclusione, l’IA generativa sta rivoluzionando il settore finanziario, ma è importante affrontarla con attenzione per sfruttarne appieno il potenziale e gestire le sfide etiche e sulla privacy. Le istituzioni finanziarie che lo fanno plasmeranno il futuro dell’arena finanziaria globale.