Apmēram pirms 40 gadiem bankas filiāles vadītājs, iespējams, zināja katra klienta vārdu un varēja piedāvāt personalizētus padomus un norādījumus. Bet, kā Ranils Boteju, Lloyds Banking Group galvenais datu un analītikas virsnieks, šodienas pasaulē norāda, ka modelis nevar mērogot.
“Finanšu plānošanas pasaulē lielākā daļa cilvēku Lielbritānijā nevar atļauties redzēt finanšu plānotāju,” viņš saka.
Pastāv arī nepietiekams skaits apmācītu finanšu konsultantu, kas palīdz visiem meklēt padomu, tāpēc finanšu iestādes skatās, kā viņi var izvietot Ģeneratīvā mākslīgā intelekts (Genai) lai tieši atbalstītu klientus.
Bet lielo valodu modeļi (LLMS) un Genai no hiperskaleriem drīzāk ir kā melnās kastes un var sniegt nepareizas atbildes, kas pazīstamas kā halucinācijas AI izteiksmē. Neviena no šīm lietām nav pieņemama nozarē, kuru regulē Finanšu vadības iestāde (FCA).
Tas, kas aizrauj Boteju, ir spēja mērogot bankas vadītāja 40 gadus veco modeli, lai apmierinātu pašreizējo pieprasījumu, izmantojot mākslīgo intelektu tādā veidā, kas bankai nodrošina pārliecību, ka AI spēj saprast, kas cilvēkiem vajadzīgs, un sniegt viņiem pareizos norādījumus tādā veidā, ko var novērtēt un atbilst FCA vadlīnijām.
“Tā būtu lieliska“ atbloķēšana ”Lielbritānijai attiecībā uz piekļuvi augstas kvalitātes finanšu norādījumiem daudz plašākam un lielākam iedzīvotāju kopumam,” viņš saka.
Kā atzīmē Boteju, bankas daudzus gadus izmanto AI. “Mēs vairāk nekā 15 gadus esam izmantojuši visa veida mašīnmācīšanās algoritmus tādām lietām kā kredītriska novērtēšana un krāpšanas skrīnings,” viņš saka. “Mēs arī izmantojam tērzēšanas robotus vismaz 10 gadus.”
Kā tāds AI ir ļoti labi izmantota finanšu pakalpojumu spēja. Jaunums tomēr ir ģeneratīvs AI un aģents AI. “Ģeneratīvā AI plīst uz skatuves 2022. gada beigās ar Chatgpt. Tas ir bijis apmēram jau divarpus gadus,” saka Boteju.
Kamēr bankām ir pieredze ar AI, tām vajadzēja izdomāt, kā izmantot ģeneratīvus AI un lielas valodas modeļus. Runājot par savu pieredzi, Boteju saka: “Mēs domājam par tādām lietām kā modeļa veiktspēja un tas, vai mēs izmantojam pareizo algoritmu.”
Pastāv arī caurspīdīgums, ētika, apsarges un tas, kā tiek izvietoti AI modeļi. Boteju saka: “Tie ir izplatīti gan lielās valodas modeļos, gan tradicionālajos AI. Bet Generatīvajai AI ir īpašas problēmas finanšu pakalpojumos, jo mēs esam regulēta nozare.”
Tā kā ģeneratīvā AI var bieži noved pie halucinācijāmviņš saka, ka bankām jābūt ļoti piesardzīgām attiecībā uz to, kā tās tieši pakļauj lieliem darbības modeļiem klientiem. “Mēs pieliekam daudz pūļu, lai nodrošinātu, ka lielo valodu modeļu izvadi ir pareizi, precīzi un caurspīdīgi, un nav neobjektivitātes.”
Regulētā nozarē ir svarīgi nodrošināt, ka AI modeļi nav halucinējoši. “Tā, iespējams, ir viena no galvenajām lietām, kas mums patiešām jāapzinās,” viņš saka.
Nepieciešamība pēc specializētiem AI modeļiem
Kā atzīmē Boteju, tāds modelis kā Google Dvīņi ir apmācīts visam. “Ja uzdosit tam jautājumu, izlaide tiks balstīta uz tā zināšanām par visu. Tas ir apmācīts par daudz un daudz datu.”
Tomēr ne visi šie dati attiecas uz finanšu pakalpojumiem. Ierobežojot AI modeli ar finanšu pakalpojumiem raksturīgos datus, modelim teorētiski vajadzētu halucināt mazāk.
“Mēs diezgan stingri jutāmies, ka mēs vēlamies izmantot valodas modeli vai modeļu grupu, kas bija īpaši apmācīta par finanšu pakalpojumu datiem, kas attiecas uz Lielbritāniju,” saka Boteju.
Tas noveda pie tā, ka Lloyds Banking Group tuvojās Skotijas Startup Aveni, lai atbalstītu Finllm attīstību, kas ir finanšu pakalpojumiem specifisks lielās valodas modelis. 2024. gadā uzņēmums nodrošināja 11 miljonus sterliņu mārciņu lielu ieguldījumu no Puma privātā kapitāla, piedaloties Lloyds un Nationwide.
Apspriežot darbu ar Aveni, Boteju saka, ka Lloyds Banking Group nevēlējās būt piesaistīta vienam konkrētam modelim, tāpēc tā nolēma izmantot atklātu pieeju pamata modeļiem. No AI suverenitātes perspektīvas viņš saka: “Mēs nevēlamies aprobežoties ar lielajiem hiperskalas modeļiem. Ir fantastiska atvērtā pirmkoda modeļu ekosistēma, kuru mēs vēlamies iedrošināt, un tas, ka mēs varētu izveidot Finllm, kas ir Lielbritānijā vērsts Lielbritānijā, ir kaut kas tāds, ko mēs uzskatījām par ļoti pievilcīgu.”
Banka savā revīzijas komandā ir pārbaudījusi Finllm, kur Lloyds Banking Group revīzijas izmeklēšanas (GA & CI) izstrādātais revīzijas ķēdes virtuālais asistents pārveido, kā auditoru piekļuve un mijiedarbojas ar revīzijas intelektu. Chatbot integrē Generatīvo AI ar grupas iekšējo dokumentācijas sistēmu Atlas, padarot informācijas iegūšanu ātrāku, gudrāku un intuitīvāku.
Boteju saka, ka banka faktiski apmācīja tērzēšanas robotu, izmantojot Finllm un tās zināšanas par auditiem, pamatojoties uz visiem apkopotajiem revīzijas datiem.
Viņš apraksta pieeju, ko Lloyds Banking Group ir izmantojusi, lai samazinātu kļūdas kā “aģents kā tiesnesis”. “Jums var būt noteikts modelis vai aģents, kas nāk klajā ar īpašu iznākumu,” viņš saka. “Tad mēs izstrādāsim dažādus modeļus un dažādus aģentus, kas pārskata šos rezultātus un efektīvi tos vērtē.”
Banka ir cieši sadarbojusies ar Aveni, lai izstrādātu pieeju AI aģentu izmantošanai kā tiesnešiem, lai novērtētu citu AI modeļu izlaidi.
Katru iznākumu neatkarīgi novērtē ar dažādu modeļu kopumu. AI modeļu izejas pārskatīšana ļauj Lloyds nodrošināt, ka tie ir saskaņoti ar FCA vadlīnijām, kā arī bankas iekšējiem noteikumiem.
AI modeļu rezultātu pārbaude ir patiešām labs veids, kā divreiz pārbaudīt, vai klientam netiek dots slikts padoms, sacīja Boteju, kurš piebilst: “Mēs šobrīd pilnveidojam šīs aizsargmargas, un mums ir obligāti, ka mums ir obligāti [this process] vietā. ”
Boteju norāda, ka ir a Cilvēks cilpā paliks svarīgs neatkarīgi no “aģenta kā tiesneša” pieejas. “Nākotnē cilpā joprojām ir ļoti liela vieta cilvēkiem,” viņš saka.
Dažādu AI modeļu spēks aģentos AI
Kaut arī tāds AI modelis kā Finllm ir noregulēts, lai izprastu banku izpratni un izejas, Boteju saka, ka citi modeļi daudz labāk izprot cilvēku uzvedību. Tas nozīmē, ka banka, piemēram, varētu izmantot vienu no HyperScaler AI modeļiem Chatgpt 5 vai Google Dvīņi, lai saprastu, ko klients patiesībā saka.
“Pēc tam mēs izmantotu dažādus modeļus, lai sadalītu to, ko viņi saka, sastāvdaļās,” viņš saka. Pēc tam tiek uzdots risināt dažādus klienta vaicājuma daļai. “Tas, kā mēs domājam par to, ir tas, ka ir dažādi modeļi ar atšķirīgu stiprumu, un tas, ko mēs vēlamies darīt, ir izmantot labāko modeli katram uzdevumam.”
Šī pieeja ir tā, kā banka redz aģentu AI izvietošanu. Ar aģentu AI, saka Boteju, problēmas tiek sadalītas mazākās un mazākās daļās, kur dažādi aģenti reaģē uz katru daļu. Šeit pārstāvis kā tiesnesis ir gandrīz kā otrās līnijas kolēģis, kurš darbojas kā novērotājs.
