银行业生成式人工智能应用白皮书-英文版

在银行业中采用生成式AI 在银行业中采用生成式AI 在银行业中采用生成式AI 这份白皮书探讨了生成式人工智能（GenAI）如何变革金融服务行业。它展示了GenAI如何改进合规性、更好地与客户互动以及更有效地管理风险，同时帮助公司分享专业知识并更快地推出新解决方案。然而，要充分利用GenAI的优势，需要高质量的系统，并且区分不同的AI模型可能会非常困难 。 该论文解释了什么是好的AI系统，包括数据的质量、系统的复杂性以及网络安全措施。此外，还涵盖了诸如检索增强生成（RAG）和参数高效微调（PEFT）等重要工具，这些工具有助于减少错误。 推荐采用逐步的方法来采纳生成式人工智能（GenAI），从简单的任务开始，逐步扩展到更复杂的用途，以确保平稳过渡。行业的关键建议包括使用标准测试数据、制定公平使用政策、创建AI测试环境（沙盒）以及简化法规以提高AI集成的有效性 。 托马斯·凯撒 KodexAI首席执行官兼联合创始人 推动金融服务业中生成式人工智能（GenAI）解决方案的合规性创新。曾在波士顿咨询公司（BCG）担任战略顾问，专长于银行合规项目，在欧洲、非洲和亚洲拥有平台生态系统和业务发展方面的领导经验 。现居柏林。 Boon-HiongChan 行业应用创新主管兼主管亚太地区市场和技术倡导、证券服务、德意志银行 产品构建者和倡导者，专注于技术与监管对金融服务的影响。拥有计算/人工智能和网络安全与政策方面的背景 ，基于新加坡。 DelaneZahoruiko 创始人助理，KodexAI 专注于生成式人工智能（GenAI）解决方案的企业发展和市场进入策略，具备业务运营、大数据分析和咨询方面的专长，覆盖美国和欧洲地区。总部位于柏林。 www.kodex-ai.com02 T的内容 前言……………………………………………………………………影…响质…量…的…4…个因…素…………………………………………………… ……………………………………………………………… ……………………………………………………………… ……………………………………………………………… 1简介、GenAI及其用例…… 1.1通用人工智能：一种强大的变革工具................................................ 5 1.2在金融服务领域的应用..................................................................... 6 1.3案例考虑因素................................................................................... 7 1.3.1关✃差✆.7 1.4问题陈述与通用人工智能✁契合.9 ……27 4.1数据风险2 7 4.1.1数据风险缓解措施2 8 4.1.2合成数据以增强训练28 4.2系统风险28 4.2.1模型漂移29 4.2.2幻觉风险29 4.2.3反馈回路退化：应对用户影响30 4.2.4缓解措施30 4.2.5模型评估技术作为缓解措施31 4.3其他风险31 2构建GenAI用例组合…………………………………………………4….3….1依…赖…性…风…险….....….....…....1..431 4.3.2网络安全风险32 2.1三阶段方法14 2.1.1第一阶段：应用GenAI的核心文本和语言分析能力................................ ...................................................15 2.1.2第二阶段：聊天到代理用例.16 2.1.3第三阶段：聊天到执行。自主能力.18 4.3.3可持续性风险33 5实施GenAI和建议………………………………………… ………34 3识别卓越。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5。.1。法。规。考。量。...。....。...。....。...。....。....。...。....。...。....。....。...。....。...。。.34。。。。。。。。。。。 5.2可解释性和透明度.36 3.1准确性和相关性（基准）.20 3.1.1基础模型级别✁基准.20 3.1.2领域特定基准.21 3.2架构和过程因素.23 3.2.1数据............................................................................................... .23 3.2.2定制化.24 3.2.3语言和文化敏感性✁数据与训练.25 3.2.4系统✁创造力、推理和问题解决能力.25 3.2.5速度、性能和成本.25 3.2.6支持和升级.26 5.3数据与幻觉.36 5.4合成数据37 5.5产权和版权.38 5.6开放标准和公平数据实践.38 5.7跨境可扩展性.39 5.8非英语基准.39 5.9专业知识✁可用性、就业和再培训.40 5.10计量✁ROI和生产率提升.40 6结论GenAI能否在受监管的金融业中茁壮成长？.41 披露：本白皮书是由人类热情地撰写的。 前言 生成人工智能（GenAI）正成为金融服务领域的变革力量，通过提高合规性、客户参与和风险管理的效率。它们为超级规模的人类生产力提供了显著优势，使得以更高的质量完成更多的工作成为可能。其他益处包括机构化专业知识、提升战略竞争力和加快市场进入速度，尤其是在更多业务用户或非技术人员能够访问此类系统时可以更快地取得更好的成果。公司与社会之间的社会契约也可以得到强化，例如，如果成熟的专业人士将其领域经验进一步扩展为模型训练员和评估员。 一个有结构且逐步采用的路线图至关重要，从语言处理和自动化常规工作流程开始，并逐步扩展到未来可能包括代理人工智能的更复杂决策增强应用。这种战略方法确保在每个阶段都能最优地内化益处、经验和风险，从而使组织能够在此过程中逐步前进 ；有效促进了业务和应用程序的共同成熟。 然而，为了实现这样的价值创造，GenAI系统本身需要达到一定的质量标准，即使区分不同的GenAI系统可能很困难，因为它们看起来都相似。 因此，采用商业和技术相结合的方法，本白皮书旨在强调通用人工智能（GenAI）文本转换系统中质量决定因素，如数据、系统组件和网络安全。同时，介绍了关键基础设施组件，例如检索增强生成（RAG）、参数高效微调（PEFT）和低秩适应 （LoRA），这些组件能够促进系统的适应性、降低运行成本，并以更可控的方式支持数据保密隔离。 尽管通用人工智能（GenAI）因为许多新术语看起来像是新技术，但深入分析会发现 ，许多被认为是挑战的问题其实与金融行业之前的技术进步中已经成功解决的问题相似。例如，“幻觉”这一术语虽然听起来复杂，但实际上涉及的是信息检索技术产生的不准确、不可靠或不完整数据，这些问题在过去通过改进数据验证、用户监督和迭代模型训练等创新措施已经在早期专家系统中得到了解决。对这些风险的过度反应并认为它们仅对GenAI而言是新颖的，只会阻碍行业发展并增加不必要的成本，而金融行业正需要新的增长工具。 论文总结了金融行业采用GenAI系统的关键见解和未来建议，包括行业测试数据的可用性、公平使用政策、技能提升、AI沙箱以及与AI系统相关的简化现有法规，以实现成本效益更高的合规性。 我们希望你能发现这篇论文有吸引力，并邀请你在这个令人兴奋的领域进行进一步的讨论。谢谢你的阅读。 01 简介、GenAI及其用例 在近年来，生成式人工智能（GenAI）已从一种未来主义概念演变为一种实用的变革工具，能够重塑各行各业。对于金融服务业的专业人士、利益相关者、员工和客户而言，GenAI系统为广泛的应用场景提供了新的机遇，重新点燃了对该领域的兴趣。 为了实现这一目标，白皮书旨在提高对实施GenAI系统所涉及的关键因素的认识 ，并提供关于方法、成功要素、风险和监管考虑的指导。在此过程中，我们还试图突出不同GenAI系统之间质量的差异，并提出我们认为可以促进该极具强大功能工具在行业中的应用的一些下一步措施。 1.1GenAI：强大的变革工具 通用人工智能的灵活性使其能够应用于多种场景，其易用性使其成为跨行业和不同技能水平的民主化变革工具。在最基础的层面，通用人工智能可以用于自动化简单任务，例如生成营销信息、自动填写数据或使用辅助函数创建标准内容。这些应用已经能够帮助提高效率和速度，即使是早期职业生涯的专业人士或缺乏相关背景的人也能从中受益。这是因为通用人工智能的核心在于一个卓越的人机界面，它能够将日常语言转化为精确的计算机指令以供机器执行。这使得更多不同类型的用户能够处理更复杂的工作任务。 例如，实习生可以使用生成式人工智能（GenAI）创建不同语言的技术网络研讨会邀请模板，而产品管理员可以生成用户流程图而无需专门的设计工具。 在另一端，生成式人工智能（GenAI）驱动复杂且高度专业化的系统，例如微软于2023年推出的Co-Pilot产品。这款人工智能助手整合到生产力软件中，帮助用户自动化代码生成、文档起草和实时协作等任务，从而提升资深专业人士的工作流程。例如，Co-Pilot可以协助软件开发人员根据少量输入生成大量代码，显著缩短开发时间并提高效率。同样，在法律领域，其他GenAI系统可以帮助律师起草法律文件，通过理解上下文并提供建议，可能彻底改变高风险环境中的专业人士的操作方式。 1.2在金融服务中的使用 超越这些例子，通用人工智能（GenAI）的适应性在其在金融服务领域的应用中尤为明显。金融机构越来越多地利用人工智能进行诸如欺诈检测、通过聊天机器人自动化客户服务以及随着市场变化而不断演进的风险评估模型等应用。例如，合规官员可以使用GenAI查询其他机器以查➴数据集中交易✆常情况，而无需了解SQL（用于操作关系数据库的结构化查询语言），从而比传统方法更快地识别潜在合规风险。 基础模型 广泛的通用模型 接受过不同数据的训练。 微调模型 基础模型或指令训练 在专业数据集上进一步训练的模型增强特定域应用程序的性能 图1：GenAI模型 型号类型 他们是什么 Instruction-trained模型 基于基础模型的模型但经过具体说明的细化执行特定任务。 已部署的模型与及时工程 用户制作输入以指导的实践微调或指令训练 对期望输出的模型 www.kodex-ai.com07 这是可能的，因为通用人工智能（GenAI）系统可以针对特定任务和特定领域进行微调，从而使它们更具适应性。无论是通过低代码平台还是无代码平台，企业都可以根据其特定需求实时定制GenAI系统。例如，针对金融领域的GenAI模型将专注于理解金融语言，并为市场分析或编写财务报告等应用提供见解。 1.3用例注意事项 随着通用人工智能（GenAI）和一系列人工智能技术的不断发展，它们解决复杂情境挑战的能力也将不断扩大，并似乎变得无穷无尽。每当有新的功能推出或成功应用案例报道时，人们对GenAI系统的期望就会增强，这使得GenAI系统有可能被视为解决所有问题的万能药，这是不现实的。 1.3.1主要差✆ 因此，在部署生成式人工智能（GenAI），这一高度强大的工具在适当应用时能够增强并创造超级生产力效益的情况下，重要的是要基于现实预期理解其应用场景。这将有助于业务案例的成功并确保适用的治理结构。 这篇论文探讨了生成式人工智能（GenAI）系统，图2突出了GenAI、AI以及其它可比系统之间的关键差✆。尽管这些系统可能看起来相似，但每种系统都具备独特的功能、风险和监管特点。 在银行业中采用生成式AI 图2：并非所有AI都是相同的 机器人过程自动化(RPA) “传统”AI 生成AI 机构AI 这是干什么用