IDC: Малі та середні фінансові установи використовують продукти галузевих великих моделей із більшою економічною ефективністю

7 квітня в останньому звіті IDC зазначено, що більшість фінансових установ (зокрема середні та малі банки, страхові компанії тощо) використовують оптимізовані продукти фінансових галузевих великомасштабних мовних моделей, які мають переваги з точки зору вартості, комплаєнсу та ефективності порівняно з їх створенням з нуля. Дослідження IDC показує, що створення великої мовної моделі з нуля потребує значних коштів на технічні розробки, накопичення даних і підготовку кадрів, а також супроводжується багатьма ризиками, зокрема під час комплаєнс-перевірок та технічної адаптації; процес тривалий, поріг входу високий, тож для фінансових установ із обмеженими ресурсами його доцільність є низькою. Наразі такі компанії, як Alibaba Cloud, Baidu Intelligent Cloud, BaiRong YunChuang, Ant Digital Technology, Qifu Technology, Zhongguancun Kejin, Zhongke WenGe тощо, уже випустили продукти фінансових галузевих великомасштабних моделей; їх можна безпосередньо підключати до бізнес-потреб, що значно знижує витрати на розробку та скорочує строки запуску, водночас дозволяє уникнути комплаєнс- і технічних ризиків під час самостійного створення, забезпечуючи ефективні та безпечні можливості великомасштабних моделей для різних фінансових установ.

Згідно з дослідженням IDC, потужні (корпоративні) інструменти для розробки інтелектуальних агентів, орієнтовані на фінансову галузь, мають мати такі характеристики, як масштабованість і кастомізація, можливість масштабної експлуатації та гнучке розгортання, оркестрація кількох агентів, комплаєнс і безпека, безперервний моніторинг, безперервне вдосконалення, багатий набір плагінів/інструментів, а також можливість інтеграції тощо. У цій сфері такі компанії, як Alibaba Cloud, Baidu Intelligent Cloud, BaiRong YunChuang, Kemeruide, Kelan Software, Ant Digital Technology, Runhe Software, Shenzhou Information, Shidai Yintong, Smart Software, Yicheng Interaction, Zhongguancun Kejin тощо, також надають фінансовим установам корпоративні інструменти для розробки інтелектуальних агентів.

Вбудовані інтелектуальні агенти в межах застосунків є нині основною формою впровадження інтелектуальних агентів у фінансовій галузі; їхній ключовий чинник — особливості бізнес-систем і вимоги комплаєнсу. Бізнес-системи у фінансовій галузі складні, а ключові бізнес-процеси (наприклад, кредитний скоринг/ухвалення рішень, перевірка ризиків) після тривалих ітерацій сформували стійку систему; тому складно відмовитися від наявних застосунків і перебудувати все. Вбудовані інтелектуальні агенти здатні посилити бізнес без зміни початкових процесів, знижуючи складність впровадження. Водночас вимоги фінансової комплаєнс-політики та аудиту є суворими, а інтелектуальні можливості мають реалізовуватися як «вбудовані в процес, контрольовані та такі, що піддаються відстеженню». Вбудована форма дозволяє від початку до кінця фіксувати траєкторію дій агента та логіку прийняття рішень, забезпечуючи аудитованість бізнес-процесів і керованість ризиків; вона одночасно задовольняє комплаєнс-вимоги й ефективно виконує допоміжну роль для агентів, тож стала нинішнім основним підходом до впровадження.

Єдиного стандарту для розбиття застосувань інтелектуальних агентів у фінансовій галузі наразі не існує; його можна гнучко здійснювати залежно від бізнес-процесів, посадових обов’язків або типів завдань. Спостереження IDC показують, що оскільки у різних фінансових установ відрізняються бізнес-моделі та організаційні структури, розбиття застосувань інтелектуальних агентів не повинно дотримуватися фіксованих правил — потрібно враховувати власні реальні потреби. Розбиття за бізнес-процесами дозволяє реалізувати інтелектуальне підсилення всього циклу, наприклад, у кредитному бізнесі можна виділити інтелектуальних агентів для попередньої перевірки до видачі, моніторингу під час видачі та управління після видачі; розбиття за посадовими обов’язками дозволяє адаптувати потреби різних ролей, наприклад, інтелектуальні агенти, призначені виключно для менеджерів клієнтів або спеціалістів з управління ризиками; розбиття за типами завдань дає змогу зосередитися на повторному використанні можливостей, наприклад, у сценаріях кредитного бізнесу інтелектуальні агенти для підготовки звітів, витягування інформації та математичних обчислень можуть повторно використовуватися в різних завданнях до видачі, під час видачі та після видачі. Гнучкі способи розбиття підвищують цілеспрямованість і ефективність впровадження інтелектуальних агентів.

Великі моделі спричиняють перехід у фінансах у бік моделі RaaS (Results-as-a-Service, RaaS), однак під час впровадження виникають багатофакторні виклики, зокрема пов’язані з кількісним вимірюванням ефекту та комплаєнсом. Мультиформатні можливості обробки даних і предиктивної аналітики великих моделей дають змогу точно узгоджувати потреби бізнесу в кредитуванні, управлінні ризиками, маркетингу тощо, забезпечуючи модель RaaS «оплата за результат», тобто фінансові установи платять за витрати залежно від фактичної ефективності інтелектуальних послуг, знижуючи ризик попередніх інвестицій. Але в цьому підході є очевидні труднощі: відсутність єдиних стандартів для кількісного вимірювання ефекту ускладнює точну оцінку фактичної цінності інтелектуальних послуг; бізнес-результат залежить від багатьох факторів, що ускладнює визначення причинно-наслідкового зв’язку; розмитим є розподіл відповідальності — якщо виникає ризик, складно відокремити відповідальність постачальника моделі та фінансової установи; водночас питання безпеки даних і комплаєнс-перевірок також обмежують масштабоване впровадження моделі RaaS.