Kemunculan ChatGPT telah memicu reaksi besar di industri keuangan. Awalnya, banyak lembaga keuangan merasa cemas, khawatir tertinggal dari perkembangan teknologi. Namun, seiring berjalannya waktu, pemahaman orang-orang tentang model besar semakin rasional dan pragmatis.
Sikap industri keuangan terhadap model besar telah melalui beberapa tahap:
2-3 bulan: Kecemasan umum, khawatir tertinggal
April-Mei: Banyak yang membentuk tim untuk mengeksplorasi
Beberapa bulan setelahnya: mencari arah, menghadapi kesulitan implementasi, menjadi rasional
Saat ini: fokus pada studi kasus acuan, mencoba memvalidasi skenario aplikasi yang telah diuji.
Semakin banyak lembaga keuangan mulai memberikan perhatian strategis pada model besar. Beberapa bank yang terdaftar secara jelas menyatakan dalam laporan setengah tahunan bahwa mereka sedang mengeksplorasi aplikasi model besar, dan memiliki pemikiran yang lebih jelas dalam perencanaan strategis.
Dari Semangat ke Rasional
Pada awal tahun, pemahaman lembaga keuangan tentang model besar masih sangat terbatas. Beberapa bank besar mengambil langkah pertama, mulai melakukan berbagai promosi untuk "menyemarakkan". Kemudian, lembaga keuangan terkemuka mulai berdiskusi dengan perusahaan besar tentang pembangunan model besar.
Setelah bulan Mei, terbatas pada sumber daya komputasi dan faktor biaya, lembaga keuangan mulai lebih memperhatikan nilai aplikasi dari model besar. Lembaga besar cenderung membangun model besar perusahaan mereka sendiri, sementara lembaga kecil dan menengah lebih mempertimbangkan untuk mengadopsi layanan API cloud publik.
Karena industri keuangan memiliki tuntutan tinggi terhadap kepatuhan data dan keamanan, kemajuan implementasi model besar sedikit di bawah harapan. Namun, beberapa lembaga telah mulai mengatasi hambatan dalam implementasi, seperti:
Membangun kekuatan komputasi sendiri: biaya tinggi tetapi keamanan baik, cocok untuk lembaga besar
Penyebaran Hibrida: Cloud Publik + Penyebaran Lokal, biaya lebih rendah, cocok untuk lembaga kecil dan menengah
Infrastruktur berbagi industri: sedang dieksplorasi, mungkin dipimpin oleh otoritas pengatur
Sementara itu, semakin banyak lembaga keuangan yang memperkuat tata kelola data, membangun platform data tengah dan danau data. Beberapa bank juga menggunakan pendekatan MLOps untuk menyelesaikan masalah data.
Memasuki dari Skenario Periferal
Institusi keuangan dan penyedia layanan sedang aktif menjelajahi skenario aplikasi model besar, mencakup perkantoran cerdas, pengembangan cerdas, pemasaran, layanan pelanggan, penelitian dan investasi, serta manajemen risiko di berbagai bidang.
Konsensus di industri adalah aplikasi internal sebelum eksternal. Dalam jangka pendek, tidak disarankan untuk langsung menggunakan model besar kepada pelanggan, melainkan lebih diutamakan untuk meningkatkan efisiensi kerja internal.
Saat ini, skenario yang banyak diterapkan termasuk:
Asisten Kode: Seperti sistem pengembangan cerdas ICBC, proporsi kode yang dihasilkan oleh asisten pengkodean mencapai 40%.
Kantor Cerdas: seperti sistem tanya jawab titik layanan berbasis model besar
Skenario ini sebagian besar adalah aplikasi non-inti. Di industri ini, diperkirakan akan muncul sejumlah proyek yang menerapkan model besar dalam bisnis inti lembaga keuangan sebelum akhir tahun.
Dalam aspek desain tingkat atas, lembaga keuangan sedang merestrukturisasi sistem, mengadopsi model berlapis untuk mengintegrasikan model besar dan model tradisional. Beberapa lembaga telah membangun sistem kerangka yang mencakup lapisan infrastruktur, lapisan model, lapisan layanan, dan lapisan aplikasi.
Kekurangan talenta tetap besar
Model besar membawa tantangan bagi struktur tenaga kerja di industri keuangan. Beberapa posisi seperti analisis data menghadapi risiko penggantian, tetapi juga menciptakan permintaan baru untuk talenta.
Sebagian besar lembaga keuangan berharap model besar dapat meningkatkan efisiensi karyawan, bukan mengurangi jumlah karyawan. Alasan termasuk:
Permintaan IT yang ada sudah dijadwalkan hingga akhir tahun depan
Pasokan talenta model besar jauh di bawah laju pertumbuhan permintaan
Saat ini, industri keuangan menghadapi kesenjangan besar dalam hal talenta model besar, terutama di bidang algoritma AI, pelatihan model, dan penyempurnaan. Beberapa institusi telah mulai mengambil langkah-langkah, seperti pelatihan bersama, membentuk kelompok proyek, dan lain-lain, untuk meningkatkan kapasitas talenta internal.
Para ahli di industri percaya bahwa keberhasilan penerapan model besar memerlukan tim profesional yang memahami kebutuhan secara mendalam di dalam lembaga keuangan. Di masa depan, pengembang yang menggunakan model besar mungkin akan lebih mudah bertahan di industri.
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.
13 Suka
Hadiah
13
8
Posting ulang
Bagikan
Komentar
0/400
RektButStillHere
· 07-18 13:27
Kecerdasan buatan sangat menarik
Lihat AsliBalas0
NFTBlackHole
· 07-18 02:45
Uang dan bakat adalah lubang tanpa dasar.
Lihat AsliBalas0
WhaleWatcher
· 07-17 21:36
Hanya kekurangan talenta, uang cukup sudah.
Lihat AsliBalas0
AllInAlice
· 07-15 20:08
Hanya konsep yang sudah umum.
Lihat AsliBalas0
CryptoComedian
· 07-15 20:08
Satu porsi sayur chives digoreng setengah hari, pada akhirnya data masih harus diatur.
Lihat AsliBalas0
mev_me_maybe
· 07-15 20:02
Spekulan jangan terlalu optimis
Lihat AsliBalas0
GateUser-ccc36bc5
· 07-15 19:57
Kekurangan tenaga kerja, bukankah itu omong kosong?
Industri keuangan merangkul model besar dari antusiasme hingga implementasi yang rasional
Model besar memicu perubahan di industri keuangan
Kemunculan ChatGPT telah memicu reaksi besar di industri keuangan. Awalnya, banyak lembaga keuangan merasa cemas, khawatir tertinggal dari perkembangan teknologi. Namun, seiring berjalannya waktu, pemahaman orang-orang tentang model besar semakin rasional dan pragmatis.
Sikap industri keuangan terhadap model besar telah melalui beberapa tahap:
Semakin banyak lembaga keuangan mulai memberikan perhatian strategis pada model besar. Beberapa bank yang terdaftar secara jelas menyatakan dalam laporan setengah tahunan bahwa mereka sedang mengeksplorasi aplikasi model besar, dan memiliki pemikiran yang lebih jelas dalam perencanaan strategis.
Dari Semangat ke Rasional
Pada awal tahun, pemahaman lembaga keuangan tentang model besar masih sangat terbatas. Beberapa bank besar mengambil langkah pertama, mulai melakukan berbagai promosi untuk "menyemarakkan". Kemudian, lembaga keuangan terkemuka mulai berdiskusi dengan perusahaan besar tentang pembangunan model besar.
Setelah bulan Mei, terbatas pada sumber daya komputasi dan faktor biaya, lembaga keuangan mulai lebih memperhatikan nilai aplikasi dari model besar. Lembaga besar cenderung membangun model besar perusahaan mereka sendiri, sementara lembaga kecil dan menengah lebih mempertimbangkan untuk mengadopsi layanan API cloud publik.
Karena industri keuangan memiliki tuntutan tinggi terhadap kepatuhan data dan keamanan, kemajuan implementasi model besar sedikit di bawah harapan. Namun, beberapa lembaga telah mulai mengatasi hambatan dalam implementasi, seperti:
Sementara itu, semakin banyak lembaga keuangan yang memperkuat tata kelola data, membangun platform data tengah dan danau data. Beberapa bank juga menggunakan pendekatan MLOps untuk menyelesaikan masalah data.
Memasuki dari Skenario Periferal
Institusi keuangan dan penyedia layanan sedang aktif menjelajahi skenario aplikasi model besar, mencakup perkantoran cerdas, pengembangan cerdas, pemasaran, layanan pelanggan, penelitian dan investasi, serta manajemen risiko di berbagai bidang.
Konsensus di industri adalah aplikasi internal sebelum eksternal. Dalam jangka pendek, tidak disarankan untuk langsung menggunakan model besar kepada pelanggan, melainkan lebih diutamakan untuk meningkatkan efisiensi kerja internal.
Saat ini, skenario yang banyak diterapkan termasuk:
Skenario ini sebagian besar adalah aplikasi non-inti. Di industri ini, diperkirakan akan muncul sejumlah proyek yang menerapkan model besar dalam bisnis inti lembaga keuangan sebelum akhir tahun.
Dalam aspek desain tingkat atas, lembaga keuangan sedang merestrukturisasi sistem, mengadopsi model berlapis untuk mengintegrasikan model besar dan model tradisional. Beberapa lembaga telah membangun sistem kerangka yang mencakup lapisan infrastruktur, lapisan model, lapisan layanan, dan lapisan aplikasi.
Kekurangan talenta tetap besar
Model besar membawa tantangan bagi struktur tenaga kerja di industri keuangan. Beberapa posisi seperti analisis data menghadapi risiko penggantian, tetapi juga menciptakan permintaan baru untuk talenta.
Sebagian besar lembaga keuangan berharap model besar dapat meningkatkan efisiensi karyawan, bukan mengurangi jumlah karyawan. Alasan termasuk:
Saat ini, industri keuangan menghadapi kesenjangan besar dalam hal talenta model besar, terutama di bidang algoritma AI, pelatihan model, dan penyempurnaan. Beberapa institusi telah mulai mengambil langkah-langkah, seperti pelatihan bersama, membentuk kelompok proyek, dan lain-lain, untuk meningkatkan kapasitas talenta internal.
Para ahli di industri percaya bahwa keberhasilan penerapan model besar memerlukan tim profesional yang memahami kebutuhan secara mendalam di dalam lembaga keuangan. Di masa depan, pengembang yang menggunakan model besar mungkin akan lebih mudah bertahan di industri.