Buscando el ImageNet del sector financiero｜Registro en directo de Qifu Technology: ¿Cómo define estándares la IA multimodal de crédito?

Recientemente, Qifu Technology, en colaboración con investigadores de la Universidad de Fudan y la Universidad de Ciencia y Tecnología del Sur de China, lanzó una transmisión en vivo con el tema “¿Cómo establecer estándares para la IA multimodal en créditos?”. La transmisión analizó en profundidad el primer estándar de evaluación multimodal para escenarios de crédito, FCMBench-V1.0, que se diseñó en torno a tareas de percepción, razonamiento y toma de decisiones multimodales. Además, se liberaron conjuntos de datos y herramientas de evaluación de forma simultánea, con el objetivo de crear una “regla” ampliamente reconocida para la IA financiera. La presentación duró una hora, combinando avances académicos y prácticas industriales, ofreciendo referencias profesionales y ideas de desarrollo para instituciones financieras, universidades y profesionales del sector. A continuación, se presenta un resumen del contenido principal de la transmisión.

Perspectiva de práctica industrial: FCMBench proporciona una medida unificada de capacidades para modelos de IA financiera

Yang Yehui, responsable de multimodalidad en Qifu Technology, inició desde la perspectiva de la práctica industrial analizando los puntos críticos del desarrollo de la IA financiera y la motivación y lógica central del desarrollo de FCMBench-V1.0. Comparó la IA con una herramienta como la azada, y sectores de alto umbral como finanzas y salud con tierras fértiles con potencial de desarrollo. La alta exigencia en privacidad, seguridad y cumplimiento en los negocios financieros requiere que la validación de capacidades de los modelos no sea arbitraria, sino que se base en un sistema de evaluación objetivo y unificado.

El nacimiento de FCMBench-V1.0 busca resolver las principales dudas de las instituciones financieras al seleccionar modelos. Yang señaló que actualmente en el sector financiero existen modelos que afirman altas puntuaciones sin un estándar comparativo unificado, y que el rendimiento puede deteriorarse significativamente en entornos reales en comparación con los laboratorios. La principal función de FCMBench es ofrecer una “regla” unificada para medir capacidades, poniendo diferentes modelos en igualdad de condiciones y sometiéndolos a pruebas en escenarios reales de negocio.

En el diseño de esta “regla”, Yang propuso tres principios fundamentales: equidad, cientificidad y practicidad. La equidad evita que las evaluaciones sean arbitrarias, estableciendo un mínimo común; la cientificidad asegura que la distribución de datos, tareas y niveles de dificultad sean razonables y permitan distinguir diferencias entre algoritmos; y la practicidad busca que los modelos que sobresalgan en la evaluación puedan aplicarse directamente en escenarios reales.

Para que las evaluaciones sean más realistas, FCMBench simula más de diez tipos de interferencias en grabaciones reales, incluye tareas de razonamiento como la verificación de la coherencia de documentos y comparación de múltiples documentos, y busca reflejar los riesgos en el negocio de crédito. Por ejemplo, si un usuario reporta ingresos anuales superiores a 50,000 yuanes pero con una tasa de impuestos inferior al 10%, esto representa un riesgo que FCMBench incorpora como un problema de razonamiento para evaluar la capacidad del modelo de detectar riesgos y fraudes, asegurando que las tareas tengan valor práctico.

Para Yang, FCMBench no es un fin en sí mismo, sino una herramienta que retroalimenta el negocio y la industria, posicionándose como un recurso público para el sector financiero. Su objetivo es que, mediante un estándar común, la capacidad de IA y el valor comercial se vinculen profundamente. Además, FCMBench actúa como puente entre la investigación académica y la aplicación industrial de grandes modelos de IA en finanzas, ampliando continuamente tareas, tipos de datos, idiomas y modalidades para cubrir todos los escenarios de crédito; también fomentará la colaboración con universidades y bancos para resolver desafíos técnicos, enriquecer datos y escenarios reales, y promover su estandarización como referencia de evaluación reconocida en la industria, facilitando la selección y colaboración en modelos financieros.

Perspectiva académica: El momento “ImageNet” para la IA financiera aún está por llegar

Mientras que la industria se centra en cómo usar la “regla”, la academia se preocupa por la ausencia de una verdadera “regla” confiable y cómo crear una evaluación que tenga credibilidad.

El profesor Chen Tao de la Universidad de Fudan abordó el problema desde la historia del desarrollo de la IA, señalando que: “El desarrollo de grandes modelos de IA depende en gran medida del ecosistema de código abierto, pero en el sector financiero actualmente falta un conjunto de datos y estándares de evaluación unificados y reconocidos a nivel nacional e internacional. Sin una ‘regla’ unificada, las empresas y la academia tienen dificultades para colaborar en investigación, lo que limita el desarrollo de un ecosistema robusto y, en última instancia, restringe la creación de grandes modelos financieros.”

Se refirió a un hito en aprendizaje profundo: ImageNet. “El conjunto de datos ImageNet impulsó la explosión del aprendizaje profundo y se convirtió en un estándar de evaluación unificado en reconocimiento de imágenes, siendo clave para avances en IA.” Chen Tao considera que en finanzas también falta un conjunto de datos de evaluación unificado y completo, que permita un desarrollo colaborativo y que sirva como un “ImageNet” propio.

Respecto a FCMBench-V1.0, Chen Tao lo calificó como uno de los estándares de evaluación unificados más grandes y confiables en el ámbito financiero y de crédito en China e internacionalmente. Comparado con otros conjuntos de datos dispersos, FCMBench-V1.0 logra por primera vez la unificación modal, cubre tareas clave como crédito y gestión de riesgos, y está diseñado para escenarios reales de negocio. La innovación de ser una iniciativa de Qifu Technology y la cobertura integral hacen que sea una exploración importante para crear un “ImageNet” propio en finanzas.

Perspectiva de integración industria-academia: Ventajas de la implementación de IA financiera y el papel de FCMBench en la formación de talento

El profesor Xu Yanwu de la Universidad de Ciencia y Tecnología del Sur de China explicó desde la perspectiva de la colaboración entre industria, academia y investigación, el estado actual de la aplicación de la IA financiera, sus ventajas y el valor de FCMBench en la formación de talento.

Aclaró un malentendido común: “Muchos piensan que la IA en finanzas no tiene mucha presencia, pero en realidad ya participa profundamente en escenarios como la valoración de seguros, evaluación de activos y trading cuantitativo. La percepción de invisibilidad se debe a que estos valores no se reflejan directamente en productos para consumidores finales.”

También señaló que, en comparación con sectores como la salud, la IA financiera tiene ventajas significativas en eficiencia de implementación, pudiendo reducir los tiempos de desarrollo en decenas o incluso cientos de veces. Esto se debe a que en finanzas se puede validar rápidamente mediante backtesting con datos históricos y pruebas paralelas, mientras que en salud, cambios en algoritmos requieren revalidaciones clínicas que pueden tardar años, lo que hace que los costos operativos sean muy diferentes.

Para la creación de conjuntos de datos financieros, Xu propuso tres elementos clave: orientación a valor, exhaustividad y equidad. Un buen conjunto de datos debe abordar problemas relevantes y novedosos, cubrir múltiples dimensiones de aplicación y ser evaluado de manera justa y pública, sin intereses privados.

La introducción de FCMBench cumple con estos principios y también desempeña un papel importante en la formación de talento en finanzas. Según Xu, FCMBench conecta la formación de talento con las necesidades del sector financiero, ayudando a construir una reserva de profesionales calificados. Proporciona a estudiantes que estudian IA con especialización en finanzas escenarios prácticos reales, mejorando su empleabilidad, y también ayuda a que estudiantes de algoritmos adquieran experiencia en aplicaciones financieras, facilitando su adaptación a los puestos del sector y contribuyendo a la formación de una reserva de talento de alta calidad para la industria.

En esta transmisión, los tres expertos abordaron desde diferentes perspectivas la construcción de estándares para la IA multimodal en créditos, permitiendo que la industria tenga una visión más clara del estado actual, los desafíos y las futuras direcciones. Con la operación y colaboración continuas de FCMBench-V1.0 y la participación de más instituciones, se espera que en el sector financiero se forme un ecosistema abierto similar a ImageNet, promoviendo una integración más profunda entre IA y negocios financieros, y avanzando hacia la estandarización y regulación, logrando un doble impulso en innovación tecnológica y aplicación industrial.