IDC: Малые и средние финансовые учреждения более выгодно используют продукты отраслевых больших моделей

7 апреля в своем последнем отчете IDC указала, что большинство финансовых организаций (в частности, малые и средние банки, страховые компании и т. п.) используют оптимизированные продукты для больших языковых моделей в финансовой сфере, которые обладают более значительными преимуществами по стоимости, комплаенсу и эффективности, чем модели, создаваемые с нуля. Исследования IDC показывают, что для создания больших моделей с нуля требуется значительный объем средств на технические НИОКР, накопление данных и подбор/подготовку персонала, а также присутствуют многократные риски, включая комплаенс-проверки, техническую адаптацию и др.; при этом сроки длинные, порог высокий, и для финансовых организаций с ограниченными ресурсами такая модель реализуемости низкая. В настоящее время такие компании, как Alibaba Cloud, Baidu Smart Cloud, Bairong Cloud, Ant Yiyike, Qifu Technology, Zhongguancun Kejin, Zhongke Wen Ge и другие, также выпустили продукты больших языковых моделей для финансовой сферы, которые можно напрямую интегрировать с бизнес-потребностями, значительно снижая затраты на разработку и сокращая сроки запуска; одновременно они обходят комплаенс- и технические риски, возникающие при самостоятельном построении, предоставляя финансовым организациям всех типов эффективные и безопасные возможности больших моделей.

Согласно исследованиям IDC, мощные (корпоративного уровня) инструменты для разработки интеллектуальных агентов, ориентированные на финансовую отрасль, должны обладать такими характеристиками, как масштабируемость и кастомизация, масштабирование и гибкость развертывания, оркестрация множества интеллектуальных агентов, комплаенс и безопасность, непрерывный мониторинг, непрерывное улучшение, богатая система плагинов/инструментов и возможность интеграции и т. п. В этой области и такие компании, как Alibaba Cloud, Baidu Smart Cloud, Bairong Cloud, Kemoread, Keland Software, Ant Yiyike, Runhe Software, Shenzhou Information, Shidai Yintong, Smart Software, Yicheng Interaction, Zhongguancun Kejin и другие, также предоставляют финансовым организациям инструменты для разработки интеллектуальных агентов корпоративного уровня.

Встраивание интеллектуальных агентов непосредственно в приложения является на сегодняшний день основной формой внедрения интеллектуальных агентов в финансовой отрасли; ее ключевые причины — особенности бизнес-систем и требования комплаенса. Бизнес-системы финансовой отрасли сложны; ключевые бизнес-процессы (например, кредитное одобрение, проверка рисков) после длительных итераций уже сформировали устойчивую систему, поэтому трудно уйти от существующей архитектуры и реконструировать все с нуля. Встраиваемые интеллектуальные агенты могут наделять бизнес возможностями, не меняя исходные процессы, снижая сложность внедрения. При этом в финансовой отрасли требования к комплаенсу и аудиту строгие; интеллектуальные возможности должны реализовывать принцип «встроенный в процесс, контролируемый и с возможностью возврата к логике/воспроизведения», то есть встроенная форма позволяет фиксировать на протяжении всего времени траекторию действий интеллектуального агента и логику принятия решений, чтобы обеспечить аудируемость бизнес-процессов и управляемость рисками. Это одновременно удовлетворяет требованиям комплаенса и эффективно раскрывает роль интеллектуальных агентов в качестве вспомогательного инструмента, поэтому и стало текущим основным способом внедрения.

Для приложений интеллектуальных агентов в финансовой отрасли не существует единого стандарта разбиения; их можно гибко разделять в зависимости от бизнес-процессов, должностных обязанностей или типов задач. Наблюдения IDC показывают, что из-за различий в бизнес-моделях и организационных структурах разных финансовых организаций разбиение приложений интеллектуальных агентов не обязано следовать фиксированным правилам — оно должно соответствовать собственным фактическим потребностям. Разбиение по бизнес-процессам позволяет обеспечить интеллектуальную поддержку всего цикла: например, в кредитном бизнесе можно выделить интеллектуальные агенты для проверки до выдачи, мониторинга в периоде выдачи и управления после выдачи. Разбиение по должностным обязанностям позволяет адаптировать решение под потребности разных ролей: например, создать интеллектуальные агенты, предназначенные для менеджеров по работе с клиентами и специалистов по риск-контролю. Разбиение по типам задач может сфокусироваться на повторном использовании функций: например, в сценариях кредитования интеллектуальный агент подготовки отчетов, интеллектуальный агент извлечения информации и интеллектуальный агент математических расчетов могут повторно применяться в нескольких задачах — на этапах до выдачи, в период выдачи и после выдачи. Гибкие способы разбиения повышают релевантность внедрения и эффективность интеллектуальных агентов.

Большие модели подталкивают финансовую отрасль во все сферах к переходу к модели RaaS (Results-as-a-Service, RaaS), однако в процессе внедрения возникают многократные вызовы, включая проблемы количественной оценки эффекта и комплаенса. Возможности обработки мультимодальных данных и прогнозной аналитики больших моделей позволяют точно сопоставлять бизнес-потребности в областях кредитования, риск-контроля, маркетинга и т. п., реализуя модель RaaS «плата за результат»: финансовая организация платит за услуги в соответствии с фактическим эффектом интеллектуальных сервисов, снижая риск предварительных инвестиций. Но при внедрении этой модели имеются очевидные сложности: отсутствие единых стандартов для количественной оценки эффекта затрудняет точное измерение фактической ценности интеллектуальных услуг; бизнес-результаты зависят от множества факторов, что усложняет атрибуцию; ответственность и ответственность сторон определены нечетко — если возникнет риск, сложно разделить ответственность между поставщиком модели и финансовой организацией; кроме того, вопросы безопасности данных и комплаенс-проверок также ограничивают масштабируемое внедрение модели RaaS.