Trí tuệ nhân tạo trong Tài chính: FinGPT & BloombergGPT - MyGPT

Tác giả: Aayush Mittal

27 tháng 9 năm 2023

Trí tuệ nhân tạo sinh sáng (Generative AI) đề cập đến các mô hình có khả năng tạo ra các mẫu dữ liệu mới mà tương tự với dữ liệu đầu vào. Thành công của ChatGPT đã mở ra nhiều cơ hội trong các ngành công nghiệp khác nhau, thúc đẩy các doanh nghiệp thiết kế các mô hình ngôn ngữ dùng riêng. Lĩnh vực tài chính, dựa trên dữ liệu, hiện nay càng trở nên cần nhiều dữ liệu hơn bao giờ hết.

Tôi là một nhà khoa học dữ liệu tại một công ty dịch vụ tài chính có trụ sở tại Pháp. Đã làm việc ở đó hơn một năm, tôi gần đây đã quan sát thấy sự gia tăng đáng kể về các trường hợp sử dụng mô hình ngôn ngữ lớn (LLM) tại tất cả các phân khúc để tự động hóa nhiệm vụ và xây dựng các hệ thống trí tuệ nhân tạo mạnh mẽ và an toàn.

Mọi dịch vụ tài chính đều đặt ra mục tiêu tạo ra các mô hình LLM tinh chỉnh riêng của họ bằng cách sử dụng các mô hình nguồn mở như LLAMA 2 hoặc Falcon. Đặc biệt, các ngân hàng truyền thống có hàng thập kỷ dữ liệu tài chính với họ.

Cho đến nay, việc tích hợp lượng lớn dữ liệu này vào một mô hình duy nhất đã không khả thi do tài nguyên tính toán hạn chế và mô hình ít phức tạp/thấp tham số. Tuy nhiên, những mô hình nguồn mở này với hàng tỷ tham số có thể được tinh chỉnh cho lượng lớn dữ liệu văn bản. Dữ liệu giống như nhiên liệu đối với những mô hình này; càng nhiều càng tốt kết quả.

Cả dữ liệu và mô hình LLM có thể giúp các ngân hàng và các dịch vụ tài chính khác tiết kiệm hàng triệu đô la bằng cách cải thiện tự động hóa, hiệu suất, độ chính xác và nhiều khía cạnh khác.

Ước tính gần đây của McKinsey cho biết rằng Trí tuệ nhân tạo có thể tiết kiệm hàng tỷ đô la mỗi năm cho riêng ngành ngân hàng, thậm chí lên đến 340 tỷ đô la.

BloombergGPT & Kinh tế của Trí tuệ Nhân tạo

Vào tháng 3 năm 2023, Bloomberg đã công bố BloombergGPT. Đó là một mô hình ngôn ngữ được xây dựng từ đầu với 50 tỷ tham số, được tùy chỉnh đặc biệt cho dữ liệu tài chính.

Đôi khi, để tiết kiệm tiền, bạn cần phải tiêu tiền. Việc huấn luyện các mô hình như BloombergGPT hoặc Llama 2 của Meta không hề rẻ.

Việc huấn luyện mô hình Llama 2 với 70 tỷ tham số yêu cầu 1.700.000 giờ GPU. Trên các dịch vụ đám mây thương mại, việc sử dụng GPU Nvidia A100 (được sử dụng cho Llama 2) có thể đốn hạ từ 1 đến 2 đô la cho mỗi giờ sử dụng GPU. Tính toán ra, một mô hình có 10 tỷ tham số có thể tốn khoảng 150.000 đô la mỗi giờ sử dụng, trong khi một mô hình có 100 tỷ tham số có thể tốn đến 1.500.000 đô la.

Nếu không thuê, việc mua GPU trực tiếp là một phương án thay thế. Tuy nhiên, việc mua khoảng 1000 GPU A100 để tạo thành một cụm có thể tốn hơn 10 triệu đô la.

Việc đầu tư của Bloomberg hơn một triệu đô la đặc biệt đáng chú ý khi so sánh với sự tiến bộ nhanh chóng trong lĩnh vực Trí tuệ Nhân tạo. Đáng kinh ngạc là một mô hình có giá chỉ 100 đô la đã vượt qua hiệu suất của BloombergGPT chỉ trong nửa năm. Trong khi việc huấn luyện của BloombergGPT đã tích hợp dữ liệu độc quyền, thì hầu hết (99,30%) dữ liệu của họ có sẵn công khai. Điều này dẫn đến sự xuất hiện của FinGPT

FinGPT

FinGPT là một mô hình ngôn ngữ lớn tinh chỉnh tài chính hàng đầu (FinLLM). Được phát triển bởi AI4Finance-Foundation, FinGPT hiện đang vượt trội so với các mô hình khác về tính hiệu quả về chi phí và độ chính xác nói chung.

FinGPT hiện có 3 phiên bản; dòng sản phẩm FinGPT v3 là các mô hình được cải tiến bằng phương pháp LoRA, được đào tạo trên tin tức và tweet để phân tích tâm trạng người dùng. FinGPT đã vượt qua nhiều bài kiểm tra tâm trạng tài chính. FinGPT v3.1 được xây dựng trên mô hình chatglm2-6B, trong khi FinGPT v3.2 dựa trên mô hình Llama2-7b.

Các Hoạt động của FinGPT:

1. Thu thập và Kỹ thuật dữ liệu:

• Tiếp cận Dữ liệu: Sử dụng dữ liệu từ các nguồn uy tín như Yahoo, Reuters và nhiều nguồn khác, FinGPT tổng hợp một loạt thông tin tài chính rộng lớn, bao gồm cả thông tin về cổ phiếu Mỹ và cổ phiếu Trung Quốc.
• Xử lý Dữ liệu: Dữ liệu gốc này trải qua nhiều giai đoạn làm sạch, mã hóa thành từng phần nhỏ (tokenization) và kỹ thuật câu hỏi để đảm bảo tính liên quan và độ chính xác của nó.

2. Các Mô hình Ngôn ngữ Lớn (LLMs):

• Huấn luyện: Sử dụng dữ liệu được tạo ra, không chỉ có thể tinh chỉnh các mô hình Ngôn ngữ Lớn để tạo ra các mô hình nhẹ phù hợp với nhu cầu cụ thể, mà còn có thể điều chỉnh các mô hình hiện có hoặc các giao diện lập trình ứng dụng (API) để hỗ trợ các ứng dụng.
• Chiến lược Tinh chỉnh:
  • ** Lớp Tensor (LoRA): Một trong những thách thức quan trọng trong việc phát triển các mô hình như FinGPT là việc có được dữ liệu được gán nhãn chất lượng cao. Nhận thấy thách thức này, FinGPT sử dụng một phương pháp đổi mới. Thay vì chỉ dựa vào việc gán nhãn truyền thống, biến động giá cổ phiếu theo thời gian dựa trên thị trường được sử dụng như là các nhãn, biến đổi tâm trạng thông tin thành các nhãn cụ thể như tích cực, tiêu cực hoặc trung lập. Điều này dẫn đến sự cải thiện đáng kể trong khả năng dự đoán của mô hình, đặc biệt là trong việc phân biệt tâm trạng tích cực và tiêu cực. Thông qua các kỹ thuật tinh chỉnh như LoRA, FinGPT v3 đã quản lý tối ưu hóa hiệu suất trong khi giảm thiểu công suất tính toán.
  • ** Học tăng cường từ phản hồi của con người: FinGPT sử dụng “RLHF (Học tăng cường từ phản hồi của con người)”. Một tính năng không có trong BloombergGPT, RLHF trang bị cho mô hình LLM khả năng phân biệt sở thích cá nhân của mỗi người – cho dù đó là khẩu vị về rủi ro, mô hình đầu tư, hoặc cài đặt robo-tư vấn tùy chỉnh. Kỹ thuật này, là một trụ cột của cả ChatGPT và GPT4, đảm bảo trải nghiệm người dùng được tùy chỉnh và trực quan hơn.

3. Các Ứng dụng và Đổi mới:

• Robo Advisor: Tương tự như một tư vấn tài chính có kinh nghiệm, FinGPT có thể phân tích tâm trạng của tin tức và dự đoán xu hướng thị trường với độ chính xác cao.
• Giao dịch Số lượng: Bằng cách xác định tâm trạng từ nhiều nguồn khác nhau, từ các phương tiện truyền thông đến Twitter, FinGPT có thể hình thành các chiến lược giao dịch hiệu quả. Thậm chí, ngay cả khi chỉ dựa vào tâm trạng trên Twitter, nó cũng thể hiện kết quả giao dịch triển vọng.

Hướng phát triển hiện tại và tương lai của FinGPT: Tháng 7 năm 2023 đánh dấu một cột mốc thú vị cho FinGPT. Nhóm đã giới thiệu một bài báo nghiên cứu mang tựa đề “Instruct-FinGPT: Phân tích Tâm trạng Tài chính thông qua Điều chỉnh Chỉ thị của Mô hình Ngôn ngữ Lớn Đa Dụng.” Trong bài báo này, điểm trung tâm là việc khám phá kỹ thuật điều chỉnh chỉ thị, một kỹ thuật cho phép FinGPT thực hiện các phân tích tâm trạng tài chính phức tạp.

Tuy nhiên, FinGPT không chỉ giới hạn ở phân tích tâm trạng mà còn có 19 ứng dụng đa dạng khác, hứa hẹn ứng dụng mô hình ngôn ngữ một cách mới mẻ. Từ kỹ thuật đặt câu hỏi đến việc hiểu các ngữ cảnh tài chính phức tạp, FinGPT đang xây dựng mình thành một mô hình GenAI linh hoạt trong lĩnh vực tài chính.

Cách Ngân hàng Toàn cầu đón nhận Trí tuệ Nhân tạo (Generative AI)

Trong khi đầu năm 2023, một số người chơi lớn trong lĩnh vực tài chính như Bank of America, Citigroup và Goldman Sachs đã áp đặt các ràng buộc đối với việc sử dụng ChatGPT của OpenAI bởi nhân viên của họ, các đối tác khác trong ngành đã quyết định thái độ đón nhận cởi mở hơn.

Morgan Stanley đã tích hợp các chatbot được cung cấp bởi OpenAI như một công cụ cho các tư vấn viên tài chính của họ. Bằng cách tận dụng nghiên cứu và dữ liệu nội bộ rộng lớn của công ty, các chatbot này đóng vai trò là tài liệu tri thức được làm phong phú, tăng cường hiệu suất và độ chính xác của tư vấn tài chính.

Vào tháng 3 năm nay, quỹ đầu tư Citadel đang nỗ lực để bảo đảm một giấy phép ChatGPT toàn doanh nghiệp. Cách triển khai dự kiến này đề xuất việc tăng cường các lĩnh vực như phát triển phần mềm và phân tích thông tin phức tạp.

JPMorgan Chase cũng đang nỗ lực sử dụng các mô hình ngôn ngữ lớn để phát hiện gian lận. Phương pháp của họ xoay quanh việc sử dụng mẫu email để xác định những sự việc có thể làm ảnh hưởng đến bảo mật. Không chỉ dừng lại ở đó, ngân hàng còn đặt mục tiêu tham vọng: gia tăng giá trị lên đến 1,5 tỷ đô la bằng Trí tuệ Nhân tạo vào cuối năm.

Còn với Goldman Sachs, họ không hoàn toàn kháng cự trước sức hấp dẫn của Trí tuệ Nhân tạo. Ngân hàng đang khám phá sức mạnh của Trí tuệ Nhân tạo để tăng cường lĩnh vực kỹ thuật phần mềm của họ. Như Marco Argenti, Giám đốc Thông tin của Goldman Sachs, đưa ra, sự tích hợp như vậy có khả năng biến đổi lực lượng lao động của họ thành những “siêu nhân.”

Các ứng dụng của Trí tuệ Nhân tạo trong Ngành Ngân hàng và Tài chính

Trí tuệ Nhân tạo đang biến đổi một cách cơ bản hoạt động tài chính, quá trình ra quyết định và tương tác với khách hàng. Dưới đây là một số ứng dụng cụ thể trí tuệ nhân tạo:

1. Phòng Chống Gian Lận: Trí tuệ Nhân tạo đang ở vị trí dẫn đầ trong việc phát triển các cơ chế phát hiện gian lận tiên tiến. Bằng cách phân tích các nguồn dữ liệu lớn, nó có thể phát hiện ra các mẫu phức tạp và bất thường, đưa ra một cách tiếp cận tích cực hơn. Các hệ thống truyền thống, thường bị áp lực bởi lượng dữ liệu lớn, có thể dẫn đến việc tạo ra các kết quả thiếu chính xác. Trí tuệ Nhân tạo, ngược lại, liên tục hoàn thiện sự hiểu biết của mình, giảm thiểu sai sót và đảm bảo các giao dịch tài chính an toàn hơn.
2. Đánh Giá Rủi ro Tín dụng: Các phương pháp truyền thống để đánh giá khả năng trả nợ của người vay, mặc dù đáng tin cậy, đang trở nên lỗi thời. Các mô hình Trí tuệ Nhân tạo thông qua các tham số đa dạng – từ lịch sử tín dụng đến các mẫu hành vi tinh tế – đề xuất một hồ sơ rủi ro toàn diện. Điều này không chỉ đảm bảo cho việc cho vay an toàn hơn mà còn phục vụ cho một lượng khách hàng rộng lớn hơn, bao gồm những người có thể không được phục vụ đầy đủ bằng các thước đo truyền thống.
3. Tăng cường Tương tác với Khách hàng: Thế giới tài chính đang chứng kiến một cuộc cách mạng trong dịch vụ khách hàng, nhờ vào các mô hình NLP được trang bị sức mạnh của Trí tuệ Nhân tạo. Những mô hình này giỏi trong việc hiểu và phản hồi các câu hỏi đa dạng của khách hàng, đưa ra các giải pháp cá nhân một cách nhanh chóng. Bằng cách tự động hóa các nhiệm vụ thông thường, các tổ chức tài chính có thể giảm thiểu chi phí, tối ưu hóa hoạt động và quan trọng nhất, nâng cao mức độ hài lòng của khách hàng.
4. Tài chính Cá nhân: Khái niệm “một kích cỡ vừa vặn tất cả” đã là quá khứ. Ngày nay, khách hàng đòi hỏi kế hoạch tài chính được tùy chỉnh theo nhu cầu và kỳ vọng riêng. Trí tuệ Nhân tạo xuất sắc ở chính chỗ này. Bằng cách phân tích dữ liệu – từ mẫu chi tiêu đến sở thích đầu tư – nó tạo ra các lộ trình tài chính cá nhân hóa. Cách tiếp cận toàn diện này đảm bảo khách hàng hiểu rõ hơn và có nhiều kiến thức hơn để tạo dựng tương lai tài chính.
5. Giao dịch theo Thuật toán: Sức mạnh phân tích của Trí tuệ Nhân tạo đang được chứng minh là không thể thiếu trong thế giới biến động của giao dịch theo thuật toán. Bằng cách phân tích dữ liệu – từ xu hướng thị trường đến tâm trạng tin tức – nó cung cấp những thông tin sâu sắc, cho phép các chuyên gia tài chính tối ưu hóa chiến lược, dự đoán sự thay đổi của thị trường và giảm thiểu các rủi ro tiềm năng.
6. Tăng cường Khung pháp lý và Tuân thủ: Các quy định chống rửa tiền (AML) đóng một vai trò quan trọng trong việc duy trì tính toàn vẹn của hệ thống tài chính. Trí tuệ Nhân tạo đơn giản hóa việc tuân thủ bằng cách sàng lọc dữ liệu giao dịch phức tạp để xác định các hoạt động đáng ngờ. Điều này không chỉ đảm bảo các tổ chức tài chính tuân thủ các tiêu chuẩn toàn cầu mà còn giảm đáng kể khả năng có các kết quả sai lệch, tối ưu hóa hoạt động.
7. Bảo mật Mạng: Với các mối đe dọa mạng ngày càng phát triển, ngành tài chính cần các giải pháp linh hoạt. Trí tuệ Nhân tạo cung cấp chính xác điều đó. Bằng cách triển khai các mô hình dự đoán động, nó cho phép phát hiện mối đe dọa nhanh hơn, tăng cường cơ sở hạ tầng tài chính chống lại các rủi ro tiềm năng.

Tuy nhiên, như trong bất kỳ công nghệ tiến bộ nào khác, Trí tuệ Nhân tạo cũng đi kèm với một loạt các thách thức đối với ngành tài chính.

Những Thách thức

1. Khuếch đại Độ chệch: Mô hình Trí tuệ Nhân tạo, mặc dù phức tạp, vẫn phụ thuộc vào dữ liệu huấn luyện được tạo ra bởi con người. Dữ liệu này, với các đặc điểm chệch tích hợp – có ý định hoặc không – có thể dẫn đến các kết quả bị méo mó. Ví dụ, nếu một nhóm dân số cụ thể bị thiếu trong tập dữ liệu huấn luyện, các kết quả sau này của Trí tuệ Nhân tạo có thể duy trì sự bỏ sót này. Trong một ngành như tài chính, nơi công bằng và tính công bằng rất quan trọng, các đặc điểm chệch như vậy có thể dẫn đến hậu quả nghiêm trọng. Các nhà lãnh đạo tài chính cần tích cực xác định những đặc điểm chệch này và đảm bảo tập dữ liệu của họ là toàn diện và đại diện nhất có thể.
2. Độ tin cậy của Kết quả và Quyết định: Trí tuệ Nhân tạo, đôi khi, có thể tạo ra các kết quả sai và dẫn đến sự nhầm lẫn – thường được gọi là ‘ảo tưởng’. Những sai sót này có thể dự kiến ​​một phần, khi các mô hình Trí tuệ Nhân tạo được làm tiến bộ và học hỏi, nhưng hậu quả trong lĩnh vực tài chính, nơi sự chính xác không thể thỏa hiệp, là nghiêm trọng. Dựa hoàn toàn vào Trí tuệ Nhân tạo cho các quyết định quan trọng, chẳng hạn như phê duyệt vay, là nguy hiểm. Thay vào đó, Trí tuệ Nhân tạo nên được xem xét như một công cụ tinh vi hỗ trợ các chuyên gia tài chính, không phải là một công cụ thay thế họ. Nó nên xử lý phần trọng tải tính toán, cung cấp thông tin cho các chuyên gia con người để đưa ra quyết định cuối cùng dựa trên thông tin.
3. Bảo mật Dữ liệu và Tuân thủ: Bảo vệ dữ liệu khách hàng nhạy cảm vẫn là một vấn đề quan trọng với các ứng dụng Trí tuệ Nhân tạo. Đảm bảo rằng hệ thống tuân thủ các tiêu chuẩn toàn cầu như Nghị định bảo vệ dữ liệu chung (GDPR) và Đạo luật Bảo vệ Quyền riêng tư của Người tiêu dùng California (CCPA) là quan trọng. Trí tuệ Nhân tạo có thể không tự nhiên biết hoặc tôn trọng những ranh giới này, nên việc sử dụng nó phải được điều chỉnh bằng các hướng dẫn bảo vệ dữ liệu nghiêm ngặt, đặc biệt là trong ngành tài chính nơi tính bí mật là quan trọng.
4. Chất lượng của Dữ liệu đầu vào: Trí tuệ Nhân tạo chỉ tốt khi nó được cung cấp với dữ liệu chất lượng. Dữ liệu không chính xác hoặc thiếu sót có thể dẫn đến lời khuyên hoặc quyết định tài chính không đáng tin cậy.

Kết luận

Từ việc tối ưu hóa chiến lược giao dịch đến việc tăng cường bảo mật, các ứng dụng của Trí tuệ Nhân tạo là rộng lớn và biến đổi nhanh chóng. Tuy nhiên, giống như bất kỳ công nghệ nào khác, quan trọng là cách thức tiếp cận với việc áp dụng nó cần được thực hiện cẩn trọng, xem xét các tác động tới mặt đạo đức và quyền riêng tư.

Các tổ chức ứng dụng thành công trong việc khai thác sức mạnh của Trí tuệ Nhân tạo trong khi tôn trọng giới hạn và có biện pháp thích hợp ứng phó nguy cơ tiềm ẩn của trí tuệ nhân tạo, sẽ định hình hướng phát triển tài chính toàn câu tương lai.

.