Kemajuan Aplikasi Model Besar di Sektor Keuangan: Dari Kecemasan ke Eksplorasi Rasional
Sejak peluncuran ChatGPT, perhatian industri keuangan terhadap teknologi kecerdasan buatan meningkat dengan cepat. Dari kekhawatiran dan kecemasan awal, hingga eksplorasi rasional saat ini, sikap lembaga keuangan terhadap model besar telah mengalami beberapa tahap perubahan.
Di awal tahun, banyak lembaga bergegas untuk mengikuti, khawatir tertinggal dalam perkembangan teknologi. Pada bulan April dan Mei, mereka mulai membentuk tim untuk melakukan pekerjaan terkait. Beberapa bulan berikutnya, mereka menghadapi kesulitan dalam mencari arah dan implementasi, sikap menjadi lebih rasional. Saat ini, sebagian besar lembaga sedang memperhatikan kasus acuan di industri, memilih skenario yang telah teruji untuk dijadikan pilot.
Perlu dicatat bahwa banyak lembaga keuangan telah mengangkat model besar ke tingkat strategis. Menurut statistik yang tidak lengkap, setidaknya 11 bank yang terdaftar di A-share telah secara jelas menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang menjelajahi penerapan model besar. Dari tindakan terbaru, mereka juga sedang melakukan pemikiran yang lebih jelas dan perencanaan jalur dari perspektif strategis dan desain tingkat atas.
Dari Semangat Tinggi ke Kembali Rasional
Pada awal tahun, pemahaman lembaga keuangan tentang model besar masih sangat terbatas. Beberapa bank besar mengambil langkah pertama, meluncurkan aplikasi terkait. Sementara itu, beberapa lembaga keuangan terkemuka mulai berdiskusi dengan perusahaan teknologi tentang pembangunan model besar.
Setelah bulan Mei, terhambat oleh sumber daya komputasi dan faktor biaya, perhatian lembaga keuangan mulai beralih dari pembangunan sendiri ke nilai aplikasi. Saat ini, perusahaan dengan skala yang berbeda juga membedakan dua jalur: lembaga besar cenderung membangun model besar perusahaan sendiri, sementara lembaga kecil dan menengah lebih cenderung mengadopsi API cloud publik atau layanan penyebaran privat.
Karena industri keuangan memiliki tuntutan yang tinggi terhadap kepatuhan data, keamanan, dan kepercayaan, kemajuan implementasi model besar sebenarnya sedikit lebih lambat dari yang diharapkan pada awal tahun. Beberapa lembaga telah mulai mencari solusi, termasuk membangun kekuatan komputasi sendiri, dan penerapan hibrida.
Dalam hal data, semakin banyak lembaga keuangan mulai memperkuat tata kelola data, membangun platform data dan sistem tata kelola data. Beberapa bank juga menyelesaikan masalah data melalui metode model besar + MLOps.
Memasuki dari Skenario Luar
Selama lebih dari enam bulan terakhir, lembaga keuangan dan penyedia layanan telah secara aktif mengeksplorasi skenario aplikasi model besar, mencakup berbagai bidang seperti perkantoran cerdas, pengembangan cerdas, pemasaran cerdas, layanan pelanggan cerdas, penelitian dan investasi cerdas, serta pengendalian risiko cerdas.
Namun, dalam proses implementasi yang sebenarnya, industri telah mencapai konsensus: terlebih dahulu internal, kemudian eksternal. Pada tahap ini, teknologi model besar masih belum matang, sedangkan industri keuangan memiliki tuntutan yang sangat tinggi terhadap keamanan dan kredibilitas. Oleh karena itu, dalam jangka pendek, tidak disarankan untuk langsung menggunakan model besar kepada pelanggan.
Saat ini, skenario seperti asisten kode dan kantor cerdas telah diterapkan di sejumlah lembaga keuangan. Namun, para ahli industri berpendapat bahwa ini belum merupakan aplikasi inti lembaga keuangan, dan model besar masih memiliki jarak tertentu untuk terlibat lebih dalam di lapisan bisnis keuangan.
Dalam hal desain tingkat atas, beberapa lembaga keuangan telah membangun kerangka sistem multi-level berdasarkan model besar, termasuk lapisan infrastruktur, lapisan model, lapisan layanan, dan lapisan aplikasi. Kerangka ini umumnya menggunakan model besar sebagai pusat, memanggil model tradisional sebagai keterampilan, dan menerapkan strategi multi-model untuk memilih efek yang optimal.
Kekurangan talenta masih besar
Aplikasi model besar telah mulai membawa tantangan dan perubahan pada struktur tenaga kerja di industri keuangan. Beberapa posisi menghadapi risiko penggantian, tetapi pada saat yang sama juga muncul kebutuhan untuk bakat baru.
Saat ini, industri keuangan menghadapi tantangan kekurangan bakat ketika menerapkan kemampuan model besar dalam proses bisnis inti. Khususnya dalam membangun model besar industri atau perusahaan sendiri, diperlukan tim teknis model besar vertikal yang terampil.
Beberapa institusi keuangan dan perusahaan teknologi telah mulai mengambil tindakan, melalui kursus pelatihan, kelompok proyek bersama, dan cara lainnya untuk meningkatkan kemampuan karyawan. Dalam proses ini, struktur personel di institusi keuangan juga akan mengalami penyesuaian dan perubahan. Pengembang yang dapat menggunakan model besar mungkin akan lebih mudah untuk beradaptasi di lingkungan baru.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Eksplorasi Aplikasi Model Besar di Industri Keuangan: Dari Kecemasan ke Rasionalitas Kekurangan Talenta Masih Perlu Diselesaikan
Kemajuan Aplikasi Model Besar di Sektor Keuangan: Dari Kecemasan ke Eksplorasi Rasional
Sejak peluncuran ChatGPT, perhatian industri keuangan terhadap teknologi kecerdasan buatan meningkat dengan cepat. Dari kekhawatiran dan kecemasan awal, hingga eksplorasi rasional saat ini, sikap lembaga keuangan terhadap model besar telah mengalami beberapa tahap perubahan.
Di awal tahun, banyak lembaga bergegas untuk mengikuti, khawatir tertinggal dalam perkembangan teknologi. Pada bulan April dan Mei, mereka mulai membentuk tim untuk melakukan pekerjaan terkait. Beberapa bulan berikutnya, mereka menghadapi kesulitan dalam mencari arah dan implementasi, sikap menjadi lebih rasional. Saat ini, sebagian besar lembaga sedang memperhatikan kasus acuan di industri, memilih skenario yang telah teruji untuk dijadikan pilot.
Perlu dicatat bahwa banyak lembaga keuangan telah mengangkat model besar ke tingkat strategis. Menurut statistik yang tidak lengkap, setidaknya 11 bank yang terdaftar di A-share telah secara jelas menyebutkan dalam laporan setengah tahunan terbaru mereka bahwa mereka sedang menjelajahi penerapan model besar. Dari tindakan terbaru, mereka juga sedang melakukan pemikiran yang lebih jelas dan perencanaan jalur dari perspektif strategis dan desain tingkat atas.
Dari Semangat Tinggi ke Kembali Rasional
Pada awal tahun, pemahaman lembaga keuangan tentang model besar masih sangat terbatas. Beberapa bank besar mengambil langkah pertama, meluncurkan aplikasi terkait. Sementara itu, beberapa lembaga keuangan terkemuka mulai berdiskusi dengan perusahaan teknologi tentang pembangunan model besar.
Setelah bulan Mei, terhambat oleh sumber daya komputasi dan faktor biaya, perhatian lembaga keuangan mulai beralih dari pembangunan sendiri ke nilai aplikasi. Saat ini, perusahaan dengan skala yang berbeda juga membedakan dua jalur: lembaga besar cenderung membangun model besar perusahaan sendiri, sementara lembaga kecil dan menengah lebih cenderung mengadopsi API cloud publik atau layanan penyebaran privat.
Karena industri keuangan memiliki tuntutan yang tinggi terhadap kepatuhan data, keamanan, dan kepercayaan, kemajuan implementasi model besar sebenarnya sedikit lebih lambat dari yang diharapkan pada awal tahun. Beberapa lembaga telah mulai mencari solusi, termasuk membangun kekuatan komputasi sendiri, dan penerapan hibrida.
Dalam hal data, semakin banyak lembaga keuangan mulai memperkuat tata kelola data, membangun platform data dan sistem tata kelola data. Beberapa bank juga menyelesaikan masalah data melalui metode model besar + MLOps.
Memasuki dari Skenario Luar
Selama lebih dari enam bulan terakhir, lembaga keuangan dan penyedia layanan telah secara aktif mengeksplorasi skenario aplikasi model besar, mencakup berbagai bidang seperti perkantoran cerdas, pengembangan cerdas, pemasaran cerdas, layanan pelanggan cerdas, penelitian dan investasi cerdas, serta pengendalian risiko cerdas.
Namun, dalam proses implementasi yang sebenarnya, industri telah mencapai konsensus: terlebih dahulu internal, kemudian eksternal. Pada tahap ini, teknologi model besar masih belum matang, sedangkan industri keuangan memiliki tuntutan yang sangat tinggi terhadap keamanan dan kredibilitas. Oleh karena itu, dalam jangka pendek, tidak disarankan untuk langsung menggunakan model besar kepada pelanggan.
Saat ini, skenario seperti asisten kode dan kantor cerdas telah diterapkan di sejumlah lembaga keuangan. Namun, para ahli industri berpendapat bahwa ini belum merupakan aplikasi inti lembaga keuangan, dan model besar masih memiliki jarak tertentu untuk terlibat lebih dalam di lapisan bisnis keuangan.
Dalam hal desain tingkat atas, beberapa lembaga keuangan telah membangun kerangka sistem multi-level berdasarkan model besar, termasuk lapisan infrastruktur, lapisan model, lapisan layanan, dan lapisan aplikasi. Kerangka ini umumnya menggunakan model besar sebagai pusat, memanggil model tradisional sebagai keterampilan, dan menerapkan strategi multi-model untuk memilih efek yang optimal.
Kekurangan talenta masih besar
Aplikasi model besar telah mulai membawa tantangan dan perubahan pada struktur tenaga kerja di industri keuangan. Beberapa posisi menghadapi risiko penggantian, tetapi pada saat yang sama juga muncul kebutuhan untuk bakat baru.
Saat ini, industri keuangan menghadapi tantangan kekurangan bakat ketika menerapkan kemampuan model besar dalam proses bisnis inti. Khususnya dalam membangun model besar industri atau perusahaan sendiri, diperlukan tim teknis model besar vertikal yang terampil.
Beberapa institusi keuangan dan perusahaan teknologi telah mulai mengambil tindakan, melalui kursus pelatihan, kelompok proyek bersama, dan cara lainnya untuk meningkatkan kemampuan karyawan. Dalam proses ini, struktur personel di institusi keuangan juga akan mengalami penyesuaian dan perubahan. Pengembang yang dapat menggunakan model besar mungkin akan lebih mudah untuk beradaptasi di lingkungan baru.