Intelligenza artificiale generativa nel settore finanziario FinGPT, BloombergGPT e oltre

Intelligenza artificiale generativa nel settore finanziario scopri FinGPT, BloombergGPT e molto altro ancora

Generative AI si riferisce a modelli in grado di generare nuovi campioni di dati simili ai dati di input. Il successo di ChatGPT ha aperto molte opportunità in diversi settori, ispirando le aziende a progettare i propri grandi modelli linguistici. Il settore finanziario, guidato dai dati, è ora ancora più intensivo di dati di prima.

Lavoro come data scientist presso un’azienda di servizi finanziari con sede in Francia. Essendo lì da oltre un anno, ho recentemente osservato un significativo aumento dei casi di utilizzo di LLM in tutte le divisioni per l’automazione dei compiti e la costruzione di sistemi AI robusti e sicuri.

Ogni servizio finanziario mira a creare i propri LLM tarati utilizzando modelli open source come LLAMA 2 o Falcon. In particolare, le banche tradizionali con decenni di dati finanziari alle spalle.

Fino ad ora, non è stato fattibile incorporare questa vasta quantità di dati in un singolo modello a causa delle risorse di calcolo limitate e dei modelli meno complessi/a basso numero di parametri. Tuttavia, questi modelli open source con miliardi di parametri possono ora essere tarati su grandi quantità di set di dati testuali. I dati sono come carburante per questi modelli; più ce n’è, migliori sono i risultati.

• Applicazioni conversazionali con grandi modelli di linguaggio che comprendono la sequenza di input utente, prompt e risposte
• Emergenti minacce Sicurezza delle applicazioni nell’era dei modelli di linguaggio
• Armonizzare i canali di CX digitale il modello di sinergia a quattro quadranti dei chatbot e ChatGPT nelle organizzazioni moderne

Entrambi i dati e i modelli LLM possono far risparmiare alle banche e agli altri servizi finanziari milioni di dollari migliorando l’automazione, l’efficienza, l’accuratezza e altro ancora.

Stime recenti di McKinsey suggeriscono che questa Generative AI potrebbe offrire risparmi annuali fino a 340 miliardi di dollari solo per il settore bancario.

BloombergGPT & Economia della Generative AI

Nel marzo 2023, Bloomberg ha mostrato BloombergGPT. Si tratta di un modello linguistico costruito da zero con 50 miliardi di parametri, progettato specificamente per i dati finanziari.

Per risparmiare denaro, a volte è necessario spendere denaro. Addestrare modelli come BloombergGPT o Llama 2 di Meta non è economico.

L’addestramento del modello con 70 miliardi di parametri di Llama 2 ha richiesto 1.700.000 ore di GPU. Sui servizi cloud commerciali, l’uso della GPU Nvidia A100 (utilizzata per Llama 2) può costare da $ 1 a $ 2 per ogni ora di GPU. Fanno i conti, un modello con 10 miliardi di parametri potrebbe costare circa $ 150.000, mentre un modello con 100 miliardi di parametri potrebbe arrivare fino a $ 1.500.000.

Se non si affitta, l’acquisto delle GPU direttamente è un’alternativa. Tuttavia, l’acquisto di circa 1000 GPU A100 per formare un cluster potrebbe costare più di 10 milioni di dollari.

L’investimento di Bloomberg di oltre un milione di dollari è particolarmente impressionante se confrontato con i rapidi progressi nell’AI. Sorprendentemente, un modello che costa solo $ 100 è riuscito a superare le prestazioni di BloombergGPT in appena sei mesi. È arrivato FinGPT.

FinGPT

FinGPT è un modello linguistico avanzato tarato su finanza (FinLLM). Sviluppato da AI4Finance-Foundation, FinGPT attualmente sta superando gli altri modelli in termini di costo-efficacia e accuratezza in generale.

Attualmente ci sono 3 versioni; la serie FinGPT v3 sono modelli migliorati utilizzando il metodo LoRA e sono addestrati su notizie e tweet per analizzare sentimenti. Si comportano meglio in molti test di sentimenti finanziari. FinGPT v3.1 è basato sul modello chatglm2-6B, mentre FinGPT v3.2 si basa sul modello Llama2-7b.

 

FINGPT

Operazioni di FinGPT:

1. Raccolta e ingegneria dei dati:
   • Acquisizione dei dati: Utilizza dati da fonti affidabili come Yahoo, Reuters e altri, FinGPT amalgama una vasta gamma di notizie finanziarie, che spaziano dalle azioni statunitensi alle azioni cinesi.
   • Elaborazione dei dati: Questi dati grezzi passano attraverso molte fasi di pulizia, tokenizzazione e ingegneria delle prompt per garantirne la rilevanza e l’accuratezza.
2. Modelli linguistici avanzati (LLM):
   • Allenamento: Utilizzando i dati curati, è possibile tarare i LLM per generare modelli leggeri adatti a esigenze specifiche e adattare modelli o API esistenti per supportare applicazioni.
   • Strategie di taratura:
     • Tensor Layers (LoRA%20LoRA%20(Low%2DRank%20Adaptation))): Una delle sfide chiave nello sviluppo di modelli come FinGPT è ottenere dati con etichetta di alta qualità. Riconoscendo questa sfida, FinGPT adotta un approccio innovativo. Invece di basarsi esclusivamente sull’etichettatura tradizionale, vengono impiegate le fluttuazioni dei prezzi delle azioni guidate dal mercato come etichette, traducendo il sentiment delle notizie in etichette tangibili come positive, negative o neutrali. Ciò porta a miglioramenti significativi nelle capacità predittive del modello, in particolare nel distinguere sentimenti positivi e negativi. Attraverso tecniche di taratura come LoRA, FinGPT v3 è riuscito a ottimizzare le prestazioni riducendo al contempo il carico computazionale.
     • Apprendimento rinforzato da feedback umano: FinGPT utilizza il “RLHF (Reinforcement learning from human feedback)”. Una funzionalità assente in BloombergGPT, RLHF dota il modello LLM della capacità di discernere le preferenze individuali, che si tratti dell’appetito al rischio dell’utente, dei pattern di investimento o delle impostazioni personalizzate del robo-advisor. Questa tecnica, una componente fondamentale sia di ChatGPT che di GPT4, garantisce un’esperienza utente più personalizzata ed intuitiva.
3. Applicazioni e Innovazioni:
   • Consulente automatico: Come un esperto consulente finanziario, FinGPT può analizzare i sentiment delle notizie e prevedere le tendenze di mercato con grande precisione.
   • Trading quantitativo: Identificando i sentiment da fonti diverse, da agenzie di stampa a Twitter, FinGPT può formulare strategie di trading efficaci. Infatti, anche solo seguendo i sentiment di Twitter, mostra risultati promettenti nel trading.

Confronto tra FinGPT, ChatGLM, LLAMA 2, BloombergGPT

La traiettoria attuale e futura di FinGPT: Luglio 2023 segna una tappa emozionante per FinGPT. Il team ha presentato un articolo di ricerca dal titolo “Instruct-FinGPT: Analisi del sentiment finanziario mediante il tuning delle istruzioni dei modelli di linguaggio generici di grandi dimensioni”. Al centro di questo articolo c’è l’esplorazione del tuning delle istruzioni, una tecnica che consente a FinGPT di eseguire analisi complesse del sentiment finanziario.

Ma FinGPT non si limita solo all’analisi del sentiment. Infatti, sono disponibili altre 19 diverse applicazioni, ognuna delle quali promette di sfruttare i LLM in modi nuovi. Dall’ingegneria delle prompt alla comprensione dei contesti finanziari complessi, FinGPT si sta consolidando come un modello GenAI versatile nel settore finanziario.

Come le banche globali stanno accogliendo l’IA generativa

Mentre all’inizio del 2023 alcuni dei principali attori finanziari come Bank of America, Citigroup e Goldman Sachs hanno imposto vincoli sull’uso di ChatGPT di OpenAI da parte dei loro dipendenti, altri controcorrenti del settore hanno deciso di adottare una posizione più aperta.

Morgan Stanley, ad esempio, ha integrato chatbot alimentati da OpenAI come strumento per i loro consulenti finanziari. Sfruttando la vasta ricerca interna e i dati della società, questi chatbot fungono da risorse di conoscenza arricchite, migliorando l’efficienza e l’accuratezza delle consulenze finanziarie.

A marzo di quest’anno, Hedge fund Citadel stava cercando di ottenere una licenza ChatGPT a livello aziendale. L’implementazione prospettica prevede il potenziamento di settori come lo sviluppo software e l’analisi delle informazioni complesse.

JPMorgan Chase sta anche facendo sforzi per sfruttare i modelli di linguaggio di grandi dimensioni per la rilevazione delle frodi. La loro metodologia si basa sull’utilizzo dei pattern di posta elettronica per individuare possibili compromessi. Ma non si fermano qui, la banca ha anche un obiettivo ambizioso: aggiungere un valore fino a $1,5 miliardi con l’IA entro la fine dell’anno.

Per quanto riguarda Goldman Sachs, non sono del tutto resistenti all’attrattiva dell’IA. La banca sta esplorando il potere dell’IA generativa per rafforzare il settore dell’ingegneria software. Come afferma Marco Argenti, Chief Information Officer di Goldman Sachs, tale integrazione potrebbe trasformare la loro forza lavoro in qualcosa di “superumano”.

Casi d’uso dell’IA generativa nel settore bancario e finanziario

Casi d’uso dell’IA generativa nella finanza

L’IA generativa sta trasformando fondamentalmente le operazioni finanziarie, la presa di decisioni e le interazioni con i clienti. Ecco una dettagliata esplorazione delle sue applicazioni:

1. Prevenzione delle frodi: L’IA generativa è all’avanguardia nello sviluppo di meccanismi avanzati di rilevamento delle frodi. Analizzando ampie quantità di dati, è in grado di individuare pattern e irregolarità intricate, offrendo un approccio più proattivo. I sistemi tradizionali, spesso sopraffatti dalla grande mole di dati, potrebbero produrre falsi positivi. L’IA generativa, al contrario, affina continuamente la sua comprensione, riducendo gli errori e garantendo transazioni finanziarie più sicure.

2. Valutazione del rischio di credito: I metodi tradizionali di valutazione della solvibilità del richiedente, pur affidabili, stanno diventando obsoleti. I modelli di IA generativa, attraverso diversi parametri, dalle storie di credito a sottili modelli comportamentali, offrono un profilo di rischio completo. Ciò garantisce non solo prestiti più sicuri, ma si rivolge anche a una clientela più ampia, compresi quelli che potrebbero ricevere un servizio limitato dalle metriche tradizionali.

3. Potenziare l’interazione con i clienti: Il mondo finanziario sta assistendo a una rivoluzione nel servizio clienti, grazie ai modelli di elaborazione del linguaggio naturale alimentati da IA generativa. Questi modelli sono capaci di comprendere e rispondere a varie domande dei clienti, offrendo soluzioni personalizzate in modo tempestivo. Automatizzando i compiti di routine, le istituzioni finanziarie possono ridurre i costi operativi, ottimizzare le operazioni e, soprattutto, migliorare la soddisfazione dei clienti.

4. Personalizzato Finanziario: Il concetto “taglia unica” è un retaggio del passato. I clienti odierni richiedono una pianificazione finanziaria su misura delle proprie esigenze e aspirazioni uniche. L’IA generativa eccelle in questo campo. Analizzando i dati – dai modelli di spesa alle preferenze di investimento – crea percorsi finanziari personalizzati. Questo approccio olistico garantisce che i clienti siano meglio informati e più preparati per affrontare il futuro finanziario.

5. Trading Algoritmico: La straordinaria capacità analitica dell’IA generativa sta dimostrando di essere di valore inestimabile nel volatile mondo del trading algoritmico. Scomponendo i dati – dai trend di mercato ai sentimenti delle notizie – fornisce intuizioni incisive, permettendo agli esperti finanziari di ottimizzare le strategie, anticipare le fluttuazioni di mercato e mitigare i potenziali rischi.

6. Rinforzo dei Quadri di Conformità: I regolamenti sul Riciclaggio di denaro (AML) sono vitally importanti per mantenere l’integrità dei sistemi finanziari. L’IA generativa semplifica la conformità setacciando intricate transazioni per individuare attività sospette. Ciò garantisce non solo che le istituzioni finanziarie rispettino gli standard globali, ma riduce significativamente le possibilità di falsi positivi, ottimizzando le operazioni.

7. Sicurezza informatica: Con le minacce informatiche in costante evoluzione, il settore finanziario ha bisogno di soluzioni agili. L’IA generativa offre proprio questo. Implementando modelli di previsione dinamici, consente una rilevazione più rapida delle minacce, rinforzando le infrastrutture finanziarie da possibili violazioni.

Tuttavia, come accade con ogni tecnologia in evoluzione, l’IA generativa comporta delle sfide nell’industria finanziaria.

Le sfide

1. Amplificazione dei pregiudizi: I modelli di IA, per quanto sofisticati, si basano comunque su dati di addestramento generati dall’uomo. Questi dati, con i loro pregiudizi intrinseci – intenzionali o meno – possono portare a risultati distorti. Ad esempio, se una particolare categoria demografica è sottorappresentata nel set di addestramento, le successive espressioni dell’IA potrebbero perpetuare questa omissione. In un settore come la finanza, in cui equità e correttezza sono fondamentali, tali pregiudizi potrebbero comportare gravi conseguenze. I leader finanziari devono essere proattivi nell’individuare questi pregiudizi e garantire che i loro set di dati siano il più completi e rappresentativi possibile.
2. Affidabilità dei risultati e processo decisionale: L’IA generativa, a volte, può produrre risultati errati e fuorvianti – spesso chiamati “allucinazioni”. Questi passi falsi sono in parte comprensibili poiché i modelli di IA si affinano e imparano, ma le ripercussioni nella finanza, in cui la precisione è innegabile, sono gravi. Fidarsi esclusivamente dell’IA per decisioni critiche, come l’approvazione di prestiti, è pericoloso. Invece, l’IA dovrebbe essere vista come uno strumento sofisticato che assiste gli esperti finanziari, non come uno strumento che li sostituisce. Dovrebbe gestire il peso computazionale, fornendo intuizioni per permettere ai professionisti umani di prendere le decisioni finali e informate.
3. Rispetto della privacy dei dati e conformità: La protezione dei dati sensibili dei clienti rimane una preoccupazione importante per le applicazioni di IA generativa. Garantire che il sistema rispetti gli standard globali come il Regolamento generale sulla protezione dei dati (GDPR) e il California Consumer Privacy Act (CCPA) è cruciale. L’IA potrebbe non conoscere o rispettare istintivamente questi confini, quindi il suo utilizzo deve essere moderato da stringenti linee guida per la protezione dei dati, soprattutto nel settore finanziario in cui la riservatezza è fondamentale.
4. Qualità dei dati di input: L’IA generativa è tanto valida quanto i dati ad essa forniti. Dati inesatti o incompleti possono portare involontariamente a consulenze finanziarie o decisioni di scarsa qualità.

Conclusioni

Dall’ottimizzazione delle strategie di trading al rafforzamento della sicurezza, le applicazioni dell’IA generativa sono vastissime e trasformative. Tuttavia, come per qualsiasi tecnologia, è essenziale affrontarne l’adozione con cautela, considerando le implicazioni etiche e di privacy.

Le istituzioni che sapranno sfruttare con successo le potenzialità dell’IA generativa, rispettandone al contempo i limiti e le possibili insidie, plasmeranno senza dubbio la traiettoria futura dell’arena finanziaria globale.