Mencari ImageNet di Bidang Keuangan｜Catatan Langsung Siaran Langsung Qifu Technology: Bagaimana AI Multimodal Kredit Menetapkan Standar?

Belakangan ini, Qifu Technology bekerja sama dengan peneliti dari Universitas Fudan dan Universitas South China University of Technology menginisiasi sebuah diskusi langsung bertema “Bagaimana Menetapkan Standar AI Multimodal Kredit”. Siaran langsung ini secara mendalam menganalisis standar evaluasi multimodal pertama yang ditujukan untuk skenario kredit, FCMBench-V1.0—standar ini dirancang untuk menilai tugas-tugas penting seperti persepsi multimodal, penalaran, dan pengambilan keputusan, serta secara bersamaan merilis dataset dan alat evaluasi sumber terbuka, berusaha membangun sebuah “penggaris” yang dapat diakui secara luas untuk AI keuangan. Acara ini berlangsung selama 1 jam, menggabungkan front akademik dan praktik industri, memberikan referensi profesional dan ide pengembangan bagi lembaga keuangan, institusi penelitian, dan pelaku industri. Berikut ringkasan inti dari siaran langsung ini.

Perspektif Praktik Industri: FCMBench Memberikan Ukuran Standar Terpadu untuk Kemampuan Model AI Keuangan

Yang Ye Hui, kepala multimodal di Qifu Technology, memulai dari sudut pandang praktik industri dengan menganalisis titik sakit pengembangan AI keuangan serta motivasi dan logika desain inti FCMBench-V1.0. Ia menggambarkan AI sebagai alat “cangkul”, sementara industri berstandar tinggi seperti keuangan dan kesehatan adalah “tanah subur” yang memiliki potensi pengembangan. Tingginya tuntutan terhadap privasi, keamanan, dan kepatuhan dalam bisnis keuangan menuntut verifikasi kemampuan model yang tidak bisa hanya mengandalkan klaim sendiri, melainkan harus membangun sistem evaluasi yang objektif dan seragam.

Kelahiran FCMBench-V1.0 bertujuan mengatasi kebingungan utama lembaga keuangan dalam memilih model. Yang Ye Hui menunjukkan bahwa saat ini industri keuangan menghadapi masalah di mana berbagai model mengklaim skor tinggi tanpa standar perbandingan yang seragam, dan performa model sering menurun secara signifikan saat dipindahkan dari lingkungan laboratorium ke lingkungan produksi nyata. Nilai utama FCMBench adalah sebagai “penggaris” pengukur kemampuan model yang seragam, menyamakan posisi berbagai model agar dapat diuji secara adil dalam kondisi bisnis nyata.

Dalam desain “penggaris” ini, Y ang Ye Hui menegaskan tiga prinsip utama: keadilan, ilmiah, dan praktis. Keadilan mencegah klaim sepihak dan menetapkan batas minimum evaluasi; aspek ilmiah memastikan distribusi data, tugas, dan tingkat kesulitan dirancang secara wajar dan mampu membedakan algoritma; dan aspek praktis adalah inti, memastikan performa unggul model pada standar dapat langsung diterapkan dalam skenario bisnis nyata.

Agar evaluasi lebih relevan, FCMBench mensimulasikan lebih dari sepuluh gangguan pengambilan gambar nyata, mengatur penilaian keabsahan informasi dokumen, perbandingan multi dokumen, dan tugas penalaran lainnya untuk mereplikasi berbagai risiko dalam bisnis kredit. Sebagai contoh, jika pengguna melaporkan pendapatan tahunan lebih dari 50 juta tetapi rasio pajak kurang dari 10%, ini adalah risiko yang jelas dan termasuk dalam tantangan penalaran FCMBench, menguji kemampuan model dalam mengenali risiko dan mendeteksi penipuan, memastikan bahwa tugas evaluasi memiliki nilai praktis.

Menurut Y ang Ye Hui, FCMBench bukan sekadar “dibuat untuk dibuat”, tetapi bertujuan memberi manfaat balik bagi bisnis dan industri itu sendiri, sebagai sumber daya umum di bidang keuangan. Melalui standar yang seragam, diharapkan mampu mengikat secara mendalam kemampuan AI dengan nilai bisnis. Selain itu, FCMBench juga menjadi jembatan komunikasi antara penelitian akademik dan aplikasi industri dalam pengembangan model besar keuangan, dengan pengembangan berkelanjutan dari segi tugas, tipe data, bahasa, dan modalitas untuk mencakup seluruh skenario AI kredit; dari sisi industri, akan melibatkan universitas dan lembaga keuangan dalam pengembangan teknologi, memperkaya data dan skenario nyata, serta mendorong standar evaluasi ini menjadi standar kelompok yang diakui industri, bahkan standar nasional, sebagai syarat utama dalam pemilihan dan kolaborasi model lembaga keuangan.

Perspektif Akademik: Saatnya Momen “ImageNet” untuk AI Keuangan

Jika industri fokus pada “cara menggunakan penggaris”, maka akademik lebih peduli pada “mengapa penggaris itu hilang” dan bagaimana menciptakan “penggaris” yang benar-benar terpercaya.

Profesor Chen Tao dari Universitas Fudan memulai dari sejarah perkembangan AI dengan menyoroti inti masalah: “Perkembangan model besar AI sangat bergantung pada ekosistem sumber terbuka, sementara bidang keuangan saat ini kekurangan dataset dan standar evaluasi yang diakui secara internasional dan nasional. Tanpa ‘penggaris’ yang seragam, kolaborasi antara perusahaan dan akademisi sulit dilakukan, dan ekosistem pengembangan yang kuat tidak dapat terbentuk, yang secara fundamental membatasi munculnya model besar AI keuangan.”

Ia menyoroti tonggak penting dalam pembelajaran mendalam—ImageNet. “Dataset ImageNet mendorong ledakan dalam pembelajaran mendalam dan menjadi standar evaluasi seragam dalam pengenalan gambar, standar evaluasi semacam ini adalah kunci terobosan dalam industri AI.” Chen Tao berpendapat bahwa saat ini bidang keuangan kekurangan dataset evaluasi yang seragam dan komprehensif, sehingga sulit membangun ekosistem pengembangan yang kolaboratif, dan sangat mendesak untuk menciptakan “ImageNet” versi sendiri.

Mengenai FCMBench-V1.0 yang diluncurkan Qifu Technology, Chen Tao menilai bahwa ini adalah salah satu standar evaluasi seragam terbesar dan paling berwenang di bidang kredit dan keuangan domestik maupun internasional. Dibandingkan dataset evaluasi yang tersebar di industri, FCMBench-V1.0 pertama kali mewujudkan unifikasi modalitas, mencakup berbagai tugas inti seperti kredit dan manajemen risiko, serta dirancang sepenuhnya berdasarkan skenario bisnis nyata. Dengan fitur peluncuran pertama dari Qifu Technology dan industri, standar ini memiliki keunggulan komprehensif dan praktis, menjadi eksplorasi penting dalam membangun “ImageNet” khusus di bidang keuangan.

Perspektif Integrasi Industri-Akademik: Keunggulan Implementasi AI Keuangan Signifikan, FCMBench Menyatukan Kebutuhan Industri dan Pengembangan SDM

Profesor Xu Yanwu dari South China University of Technology dari sudut pandang integrasi industri-akademik menjelaskan kondisi aplikasi nyata AI keuangan, keunggulan implementasi, dan nilai penting FCMBench dalam pengembangan SDM industri.

Ia mengklarifikasi sebuah kesalahpahaman umum: “Banyak orang secara intuitif merasa AI di bidang keuangan ‘kurang terasa’, padahal sebenarnya tidak. AI sudah secara mendalam terlibat dalam penetapan harga asuransi, penilaian aset, dan perdagangan kuantitatif—hanya saja nilai-nilai ini tidak langsung terlihat di produk ToC, sehingga ‘tidak terlihat’.”

Selain itu, Xu Yanwu menegaskan bahwa dibandingkan industri kesehatan dan lainnya yang berstandar tinggi, AI keuangan memiliki keunggulan efisiensi implementasi yang signifikan, bahkan bisa mencapai puluhan hingga ratusan kali lipat. Keunggulan ini didukung oleh kemampuan bidang kredit keuangan untuk melakukan pengujian kembali dengan data historis dan pengujian paralel dua model secara cepat, sehingga siklus penyesuaian model sangat singkat; berbeda dengan industri kesehatan yang membutuhkan waktu tiga hingga lima tahun untuk mengulang seluruh proses verifikasi klinis saat mengubah algoritma. Perbedaan operasional ini menunjukkan biaya praktis yang besar.

Dalam membangun dataset keuangan, Xu Yanwu menekankan tiga faktor utama: nilai yang mendorong, komprehensif dan cermat, serta adil dan inklusif. Ia berpendapat bahwa dataset keuangan berkualitas harus didasarkan pada topik yang bernilai dan inovatif, mampu menyelesaikan masalah nyata industri; desainnya harus lengkap dan cermat, memenuhi kebutuhan aplikasi multidimensi; dan metode evaluasi harus adil dan jujur, berlandaskan nilai publik industri, bukan untuk keuntungan pribadi.

Peluncuran FCMBench-V1.0 sesuai dengan ketiga faktor ini dan juga memainkan peran penting dalam pengembangan SDM industri keuangan. Xu Yanwu menyatakan bahwa FCMBench adalah penghubung penting antara pengembangan SDM dan kebutuhan industri keuangan, serta pelengkap dalam membangun tim SDM industri. Ia dapat menyediakan skenario praktik nyata bagi mahasiswa yang belajar AI dengan fokus keuangan, meningkatkan daya saing mereka di pasar kerja; sekaligus memberi mahasiswa jurusan algoritma pengalaman aplikasi nyata di bidang keuangan, membantu mereka menyesuaikan diri dengan kebutuhan posisi di industri keuangan, serta secara berkelanjutan menambah SDM berkualitas tinggi dan memperbaiki struktur SDM industri.

Dalam siaran langsung ini, ketiga narasumber dari sudut pandang berbeda—praktik industri, penelitian akademik, dan integrasi industri-akademik—berdiskusi mendalam tentang pembangunan standar AI multimodal kredit, memberikan pemahaman yang lebih jelas tentang kondisi, tantangan, dan arah masa depan AI keuangan. Dengan berkelanjutan operasional dan pengembangan bersama FCMBench-V1.0 serta partisipasi lebih banyak lembaga keuangan dan institusi penelitian, diharapkan ekosistem sumber terbuka seperti ImageNet dapat terbentuk di bidang keuangan, memungkinkan integrasi yang lebih mendalam antara teknologi AI dan bisnis keuangan, mendorong perkembangan AI keuangan menuju standar dan regulasi yang lebih baik, serta mewujudkan inovasi teknologi dan implementasi industri secara bersamaan.