生成式人工智能在金融行业及特定非金融行业的应用

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](https://www.cnbc.com/2023/04/13/bloomberg-plans-to-integrate-gpt-style-ai-into-its-terminal.html)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。

报告：生成式AI可以帮助自动创建文本、图表、图形等内容，并根据不同的示例调整此类报告，而无需手动将数据和分析整合到外部和内部报告中（例如，董事会材料、投资者报告、周报表）。会计和税务：会计和税务团队需要花时间咨询规则并了解如何应用它们。生成式AI可以帮助综合、总结，并就税法和潜在的扣除项提出可能的答案。采购和应付账款：生成式AI可以帮助自动生成和调整合同、采购订单和发票以及提醒。也就是说，需要注意的是，生成式AI在这里的输出当前仍有局限性，特别是在需要判断或精确答案的领域，这常常是财务团队所需的。生成式AI模型在计算方面持续改进，但目前尚不能完全依赖于其准确性，或者至少需要人工审查。随着模型的快速改进、额外的训练数据和与数学模块的整合能力，它的使用将展现新的可能性。–Seema Amble挑战在这五个趋势中，新进入者和现有参与者在将生成式AI的未来变为现实时面临两个主要的挑战。

1.使用金融数据训练LLMs：LLMs目前是在互联网上训练的。金融服务用例将需要使用特定于用例的金融数据来微调这些模型。新进入者可能会开始使用公开的公司财务数据、监管文件和其他易于获取的公开金融数据来优化他们的模型，然后最终在随着时间的推移使用他们自己收集的数据。现有的参与者，如银行或具有金融服务业务的大型平台（例如，Lyft），可以利用他们现有和专有的数据，这可能会给他们带来初步的优势。然而，现有的金融服务公司在接受大型平台转变时往往过于保守。在我们看来，这给了无拖累的新进入者竞争优势。2.模型输出准确性：考虑到金融问题的答案可能对个人、公司和社会产生的影响，这些新的AI模型需要尽可能准确。它们不能产生幻觉或编造错误但听起来自信的答案来回应关于个人税收或财务状况的关键问题，它们需要比流行文化查询或通用高中作文的大致答案更准确。一开始，人类经常会作为AI生成答案的最终验证环节。