Eksplorasi Aplikasi Model Besar di Sektor Keuangan: Dari Antusiasme yang Naik ke Kembali ke Rasionalitas

Sejak kemunculan ChatGPT, antusiasme industri keuangan terhadap kecerdasan buatan dengan cepat naik. Banyak lembaga keuangan khawatir tertinggal dalam revolusi teknologi ini, dan mulai menjelajahi penerapan model besar. Namun, setelah beberapa bulan eksplorasi, sikap industri secara bertahap menjadi lebih rasional.

CTO Sun Hongjun dari Ruantong Dongli Bank menggambarkan beberapa fase sikap industri keuangan terhadap model besar: pada bulan Februari dan Maret, banyak yang merasa cemas; pada bulan April dan Mei mulai membentuk tim untuk mengeksplorasi; beberapa bulan setelahnya, menghadapi kesulitan dalam implementasi, sikap menjadi lebih rasional; sekarang mulai memperhatikan perusahaan-perusahaan acuan, mencoba memverifikasi skenario yang telah diuji.

Saat ini, banyak lembaga keuangan telah memasukkan model besar ke dalam perencanaan strategis. Menurut statistik yang tidak lengkap, setidaknya ada 11 bank di perusahaan yang terdaftar di A-share yang menyebutkan sedang menjelajahi aplikasi model besar dalam laporan setengah tahunan terbaru mereka. Dari langkah-langkah terbaru, mereka sedang melakukan pemikiran dan perencanaan yang lebih mendalam dari perspektif strategis dan desain tingkat atas.

Dibandingkan dengan beberapa bulan yang lalu, pemahaman klien keuangan tentang model besar meningkat secara signifikan. Meskipun semangatnya tinggi di awal tahun, pemahaman tentang model besar masih sangat terbatas. Beberapa bank besar mengambil tindakan lebih dulu, mulai melakukan berbagai promosi. Sementara itu, departemen teknologi beberapa lembaga keuangan terkemuka juga aktif berdiskusi dengan perusahaan teknologi besar tentang pembangunan model besar.

Setelah bulan Mei, terbatasnya sumber daya komputasi dan tingginya biaya, banyak lembaga keuangan mulai lebih fokus pada nilai aplikasi, bukan sekadar mengejar pembangunan model sendiri. Lembaga keuangan besar cenderung untuk mengadopsi model besar dasar terkemuka di industri dan membangun model besar perusahaan sendiri; sementara lembaga keuangan kecil dan menengah lebih mempertimbangkan ROI, dan mengadopsi layanan API model besar atau penyebaran privat sesuai kebutuhan.

Karena industri keuangan memiliki tuntutan tinggi terhadap kepatuhan data, keamanan, dan kredibilitas, kemajuan penerapan model besar sedikit lebih lambat dari yang diharapkan pada awal tahun. Beberapa lembaga keuangan sedang mencari cara untuk mengatasi berbagai faktor yang membatasi dalam proses penerapan. Dalam hal komputasi, saat ini ada dua pendekatan utama yaitu membangun kekuatan komputasi sendiri dan penerapan hibrida.

Seiring dengan eksplorasi mendalam terhadap model besar, banyak lembaga keuangan juga memperkuat tata kelola data. Semakin banyak lembaga keuangan menengah yang mulai membangun platform data dan sistem tata kelola data. Beberapa bank menyelesaikan masalah data melalui pendekatan model besar + MLOps, mencapai manajemen dan pemrosesan data heterogen yang bersumber dari berbagai sumber secara terpadu dan efisien.

Dalam hal skenario aplikasi, kantor cerdas, pengembangan cerdas, pemasaran cerdas, layanan pelanggan cerdas, dan sebagainya telah dieksplorasi secara luas. Namun, umum di industri bahwa aplikasi harus diprioritaskan di skenario internal, bukan langsung ke pelanggan. Saat ini, asisten kode dan skenario kantor cerdas telah diterapkan di beberapa lembaga keuangan.

Namun, skenario yang luas ini belum menjadi aplikasi inti bagi lembaga keuangan. Model besar masih memiliki jarak tertentu untuk mencapai tingkat bisnis yang mendalam di industri keuangan. Di dalam industri diperkirakan bahwa sebelum akhir tahun ini, mungkin akan muncul sejumlah proyek yang menerapkan model besar dalam skenario bisnis inti lembaga keuangan.

Dalam mendorong implementasi model besar, industri keuangan sedang merestrukturisasi sistem. Banyak lembaga keuangan terkemuka telah membangun kerangka sistem berlapis yang mencakup lapisan infrastruktur, lapisan model, lapisan layanan, dan lapisan aplikasi berdasarkan model besar. Kerangka ini umumnya menggunakan model besar untuk memanfaatkan kemampuan pusat, menjadikan model tradisional sebagai pemanggilan keterampilan, sekaligus menerapkan strategi multi-model di lapisan model besar.

Aplikasi model besar juga mulai mempengaruhi struktur tenaga kerja di industri keuangan. Di satu sisi, beberapa posisi tradisional menghadapi risiko digantikan; di sisi lain, permintaan untuk talenta terkait model besar meningkat pesat. Saat ini, industri keuangan mengalami kekurangan besar dalam hal talenta AI, beberapa lembaga telah mulai mengambil tindakan, seperti merancang kursus pelatihan, membentuk kelompok proyek bersama, dan lain-lain, untuk meningkatkan kemampuan karyawan yang ada.

Seiring dengan penerapan model besar yang semakin mendalam, struktur personel di lembaga keuangan juga akan mengalami penyesuaian dan perubahan. Pengembang yang dapat menggunakan model besar akan menjadi lebih kompetitif, hal ini memberikan tuntutan baru bagi para profesional keuangan.