金融服务业将比你想象得更快地接纳生成式 AI
输入“/”快速插入内容
金融服务业将比你想象得更快地接纳生成式 AI
金融服务业将比你想象得更快地接纳生成式 AI
原文作者：Angela Strange, Anish Acharya, Sumeet Singh, Alex Rampell, Marc Andrusko, Joe Schmidt, David Haber, Seema Amble
发表时间：2023年4月19日
译者：通往 AGI 之路，若有瑕疵之处，请在段落评论中斧正，谨此致谢
这种能力，结合了对大量非结构化数据的训练和实际上无限的计算能力，可能将带来金融服务市场数十年来最大的变革。与其他平台转变——如互联网、移动设备、云计算——不同，在这些转变中金融服务行业的采用速度较慢，在这里，我们预计最优秀的新公司和现有企业将立即开始接纳生成式人工智能。
金融服务公司拥有大量的历史金融数据；如果他们使用这些数据来微调大型语言模型（或者像BloombergGPT那样从零开始训练模型），他们将能够迅速地回答几乎任何金融问题。例如，一个经过公司客户聊天记录和一些额外产品规格数据训练的LLM，应该能够立即回答有关公司产品的所有问题，而一个经过公司十年可疑活动报告（SARs）训练的LLM，应该能够识别出一组表明存在洗钱计划的交易。我们相信金融服务行业已经准备好使用生成式人工智能来实现五个目标：个性化的消费者体验、成本效益高的运营、更好的合规性、改进的风险管理、以及动态的预测和报告。
在现有企业与初创公司之间的竞争中，由于拥有对专有金融数据的访问权限，现有企业在使用AI推出新产品和改进运营时将拥有初始优势，但他们最终将受到对准确性和隐私的高标准的限制。另一方面，新进入者最初可能需要使用公开的金融数据来训练他们的模型，但他们将迅速开始生成自己的数据，并逐渐使用AI作为新产品分销的突破口。
让我们深入了解这五个目标，看看现有企业和初创公司如何利用生成式 AI。
个性化的消费者体验
尽管消费金融科技公司在过去 10 年取得了巨大的成功，但他们尚未实现他们最宏伟的承诺：在没有人工干预的情况下，优化消费者的资产负债表和损益表。这个承诺尚未实现，是因为用户界面无法完全捕捉影响金融决策的人类背景，或以帮助人们做出合适权衡的方式提供建议和交叉销售。
一个很好的例子是，消费者在经济困难时如何优先支付账单。消费者在做这样的决定时，往往会同时考虑效用和品牌，而这两个因素的相互作用使得创建一个完全捕捉如何优化这一决策的体验变得复杂。例如，这使得在没有人工员工参与的情况下提供最佳信用指导变得困难。尽管像 Credit Karma 这样的体验可以引导客户完成 80% 的旅程，但剩下的 20% 成了一个诡异的谷地，进一步尝试捕捉背景的尝试往往过于狭隘或使用了错误的精确度，从而破坏了消费者的信任。
在现代财富管理和税务准备中也存在类似的不足。在财富管理方面，即使是那些专注于特定资产类别和策略的金融科技解决方案，人类顾问也能胜过它们，因为人们的决策深受特殊的希望、梦想和恐惧的影响。这就是为什么人类顾问历来能够比大多数金融科技系统更好地为他们的客户量身定制建议的原因。在税务方面，即使在现代软件的帮助下，美国人每年在税务上花费超过 60 亿小时，犯下 1200 万个错误，而且经常遗漏收入或放弃他们不知道的权益，例如可能扣除工作旅行费用。
大语言模型（LLMs）通过更好地理解和导航消费者的金融决策，为这些问题提供了一个整洁的解决方案。这些系统可以回答问题（“为什么我的投资组合中有一部分在市政债券中？”），评估权衡（“我应该如何看待期限风险与收益率？”），并最终将人类背景纳入决策中（“你能建立一个足够灵活的计划，在将来的某个时候帮助我经济支持年迈的父母吗？”）。这些功能应该将消费金融科技从一个高价值但狭隘的应用集合转变为一个可以帮助消费者优化整个金融生活的应用集合。
–Anish Acharya 和 Sumeet Singh
具有成本效益的运营
不幸的是，这样的世界尚未存在，主要有三个原因：
•
首先，消费者信息存在于多个不同的数据库中。这使得交叉销售和预测消费者需求变得极具挑战性。
•
其次，金融服务被认为是情感购买，通常具有复杂且难以自动化的决策树。这意味着银行必须聘请大型客户服务团队，根据客户的个人情况回答客户关于哪种金融产品最适合他们的许多问题。
•
第三，金融服务是高度受监管的。这意味着像贷款员和处理员这样的人类员工必须参与每一个可用的产品（例如，抵押贷款）的流程，以确保符合复杂但非结构化的法律。
生成式 AI 将使从多个位置获取数据、理解非结构化的个性化情境和非结构化的合规法律的劳动密集型功能效率提高 1000 倍。例如：
•
客户服务代表：在每家银行，成千上万的客户服务代表都必须对银行的产品和相关的合规要求进行痛苦的培训，以便回答客户的问题。现在想象一下，一个新的客户服务代表开始工作，他们可以使用已经经过过去 10 年所有银行部门客户服务通话训练的大语言模型。代表可以使用该模型快速生成任何问题的正确答案，并帮助他们更聪明地谈论更广泛的产品，同时减少培训他们所需的时间。现有公司会希望确保他们的专有数据和客户特定的个人身份信息没有被用于改进其他公司可能使用的通用大语言模型。新进入者将必须在如何启动数据集方面具有创意。
•
贷款员：贷款员目前从近十个不同的系统中提取数据来生成贷款文件。一个生成式 AI 模型可以在这些系统的所有数据上进行训练，这样贷款员只需提供客户名称，贷款文件就会立即为他们生成。贷款员可能仍然需要确保 100% 的准确性，但他们的数据收集过程将更加高效和准确。
•
质量保证：银行和金融科技公司的大部分质量保证工作都涉及确保完全符合众多监管机构的要求。生成式 AI 可以大大加速这个过程。例如，Vesta可以整合一个经过 Fannie Mae 销售指南训练的生成式 AI 模型，以便立即提醒抵押贷款员合规问题。由于许多监管指南都是公开的，这可能为新的市场参与者提供了一个有趣的入口。然而，真正的价值仍然将归属于拥有工作流引擎的公司。