Пошук ImageNet у фінансовій сфері｜Прямий трансляція Qifu Technology: як багатомодальний AI у кредитуванні встановлює стандарти?

Нещодавно компанія 奇富科技 у співпраці з дослідниками з Університету Фудань та Університету Південно-Китайського технологічного університету ініціювали онлайн-дискусію на тему «Як встановити стандарти для багатомодального AI у кредитуванні». Трансляція глибоко аналізувала перший багатомодальний тестовий базовий стандарт FCMBench-V1.0 — цей стандарт зосереджений на ключових етапах багатомодального сприйняття, логіки та прийняття рішень, а також одночасно відкрито доступні набір даних та інструменти для оцінювання, прагнучи створити широко визнаний «інструмент» для фінансового AI. Весь захід тривав 1 годину і поєднав академічні передові дослідження з практикою індустрії, надаючи фінансовим установам, науково-дослідним закладам та фахівцям галузі професійні рекомендації та ідеї для розвитку. Нижче наведено основний зміст цієї трансляції.

Погляд з точки зору індустріальної практики: FCMBench створює єдину міру для оцінки можливостей фінансового AI

Керівник багатомодального напрямку 奇富科技 Ян Єхуей почав із аналізу практичних аспектів розвитку фінансового AI, розкривши причини створення FCMBench-V1.0 та його основну логіку. Він образно порівняв AI із інструментом «мотигою», а високорівневі галузі, такі як фінанси та медицина, — з «родючими землями», що мають потенціал для розвитку. Високі вимоги до приватності, безпеки та відповідності у фінансових операціях визначають необхідність об’єктивної та єдиної системи оцінки можливостей моделей, а не «самостійних суджень».

Заснування FCMBench-V1.0 спрямоване на вирішення головних проблем при виборі моделей у фінансових установах. Ян Єхуей зазначив, що у сучасній фінансовій галузі існує проблема різних моделей, які заявляють про високі результати, але без єдиних стандартів порівняння, а також те, що у лабораторних умовах і в реальній практиці продуктивність моделей може значно знижуватися. Головна цінність FCMBench — це створення «єдиної міри» для оцінки можливостей моделей, яка дозволить порівнювати різні моделі на одній стартовій лінії та перевіряти їх у реальних бізнес-умовах.

Щодо дизайну цієї «міри», Ян Єхуей виділив три основні принципи: справедливість, науковість та практичність. Справедливість виключає «самостійні судження», встановлюючи єдину базу оцінки; науковість забезпечується раціональним розподілом даних, належним налаштуванням завдань і рівнів складності, що дозволяє чітко розрізняти алгоритми; практичність — це головний аспект, що гарантує, що високі результати на стандарті безпосередньо відповідають реальним сценаріям бізнесу.

Щоб зробити оцінювання більш релевантним, FCMBench моделює понад десять реальних сценаріїв завад у зйомці, включає завдання з визначення достовірності документів, порівняння кількох документів тощо, імітуючи різні ризикові ситуації у кредитуванні. Наприклад, якщо користувач має річний дохід понад 50 тисяч юанів, але сплачує менше 10% податків, це — очевидний ризик, і FCMBench включає таке завдання для перевірки здатності моделі виявляти ризики та боротися з шахрайством, забезпечуючи практичну цінність оцінювання.

На думку Яна Єхуея, FCMBench — це не «зроблено заради створення», а інструмент, що сприяє розвитку бізнесу та галузі, виступаючи як публічний ресурс для фінансової сфери. Мета — через єдині стандарти глибше поєднати можливості AI із бізнес-цінністю. Також FCMBench слугує мостом між академічними дослідженнями та промисловим застосуванням у галузі великих моделей AI, планується розширювати завдання, типи даних, мови та модальності для покриття всіх сценаріїв кредитування; залучати університети та фінансові установи до спільної роботи, збагачувати реальні дані та сценарії, щоб перетворити стандарт у галузевий норматив або навіть у стандартний протокол, що стане порогом для вибору моделей та співпраці у фінансових компаніях.

Академічний погляд: «ImageNet» для фінансового AI вже близько

Якщо індустрія зосереджена на тому, як використовувати «міру», то академічна спільнота більше зацікавлена у тому, чому її бракує і як створити справжній авторитетний «стандарт».

Професор Чен Тао з Університету Фудань, аналізуючи історію розвитку AI, прямо вказав на суть проблеми: «Розвиток великих моделей AI значною мірою залежить від відкритої екосистеми, але у фінансовій сфері наразі відсутні єдині та визнані внутрішні або міжнародні стандарти та набори даних для оцінки. Без єдиного ‘інструменту’ важко співпрацювати між компаніями та академією, що стримує створення сильної екосистеми розвитку, а відтак — і народження великих фінансових моделей».

Він звернув увагу на важливий історичний приклад — ImageNet. «ImageNet спричинив прорив у глибокому навчанні, ставши єдиним стандартом для оцінки зображень, і подібний стандарт є ключовим для прориву у AI». Чен Тао вважає, що у фінансовій галузі наразі бракує такого універсального, всеохоплюючого набору даних для оцінки, і потрібно створити власний «ImageNet».

Щодо FCMBench-V1.0, він оцінив його як один із найбільших і найавторитетніших стандартів для оцінки кредитних моделей у внутрішньому та міжнародному масштабі. У порівнянні з іншими розрізненими наборами даних, FCMBench-V1.0 вперше забезпечує модальну єдність, охоплює ключові завдання у кредитуванні та управлінні ризиками, і розроблений з урахуванням реальних бізнес-сценаріїв. Завдяки цим характеристикам він має потенціал стати важливим інструментом для створення галузевого «ImageNet».

Інтеграція науки, освіти та практики: переваги впровадження фінансового AI та роль FCMBench у підготовці кадрів

Професор Хуань Яньву з Південно-Китайського технологічного університету розглянув питання інтеграції науки, освіти та практики, описав сучасний стан застосування фінансового AI, його переваги та роль FCMBench у підготовці фахівців.

Він спростував поширену помилку: «Багато вважають, що AI у фінансах має слабкий ‘відбиток’, але це не так. AI вже глибоко залучений у страхове ціноутворення, оцінку активів і алгоритмічну торгівлю. Просто ці цінності не завжди очевидні для споживачів, тому здається, що AI тут ‘не помітний’».

Також він підкреслив, що у порівнянні з високорівневими галузями, такими як медицина, фінансовий AI має значну перевагу у швидкості впровадження. Це можливо завдяки можливості швидко тестувати моделі на історичних даних та паралельних моделях, що дозволяє швидко коригувати їх у реальних умовах. У медичній галузі зміна алгоритму вимагає повторного проходження довгих клінічних випробувань, що може тривати роками, тоді як у фінансах — це кілька тижнів або місяців.

Щодо створення фінансових наборів даних, він виділив три ключові критерії: цінність, всеохоплююча якість і справедливість. Хороший набір даних має бути цінним і інноваційним, щоб вирішувати реальні проблеми галузі; бути всеохоплюючим і враховувати різні аспекти застосування; а також бути справедливим і відкритим, орієнтованим на публічні цінності, а не на приватні інтереси.

Випуск FCMBench-V1.0 відповідає цим вимогам і відіграє важливу роль у підготовці кадрів у галузі. Він є мостом між підготовкою фахівців і потребами галузі, допомагаючи студентам, що навчаються AI з фінансовим профілем, отримати реальні практичні сценарії, підвищуючи їхню конкурентоспроможність на ринку праці. Також він дає можливість студентам алгоритмічних спеціальностей швидко адаптуватися до фінансових задач, що сприяє залученню висококваліфікованих кадрів у галузь і формуванню сильного кадрового потенціалу.

У рамках трансляції три експерти з різних аспектів — індустріального, академічного та міждисциплінарного — обговорили стандарти для багатомодального AI у кредитуванні, що допомогло сформувати більш чітке уявлення про сучасний стан, проблеми та перспективи розвитку цієї галузі. У майбутньому, з подальшою роботою та спільним розвитком FCMBench-V1.0, залученням фінансових установ і наукових закладів, очікується створення відкритої екосистеми, подібної до ImageNet, що дозволить глибше інтегрувати AI у фінансовий сектор, сприятиме стандартизації та нормативному розвитку технологій, а також забезпечить двонапрямний прогрес у технологічних проривах і практичних застосуваннях.