核心观点
生成式人工智能（GenAI）正在成为金融服务领域的变革力量，通过提高合规性、客户互动和风险管理的效率，以及机构化专业知识、提升战略竞争力和加快市场进入速度。GenAI 的应用场景包括自动化常规工作流程、生成营销信息、自动填写数据、创建标准内容、欺诈检测、自动化客户服务、风险评估和合规报告等。
GenAI 的应用方法
建议采用三阶段可组合的方法来制定 GenAI 的应用案例路线图：
- 阶段 1：应用 GenAI 的核心文本和语言分析能力，例如摘要、语言处理和理解等任务。
- 阶段 2：聊天到代理用例，人类语言查询会触发执行代理使用合适的工具或模型来执行特定任务，例如生成代码、查询数据库或自动化工作流程。
- 阶段 3：聊天到执行，自主能力，GenAI 系统自主做出决策并采取行动，例如在监管分析和报告方面。
高质量 GenAI 系统的关键因素
- 准确性和相关性：基准测试，例如 FinanceBench、FinQA 和 FNS，用于评估模型在金融服务领域的表现。
- 体系结构和过程因素：数据处理、检索增强生成（RAG）策略、微调方法、预处理和后处理技术、知识图谱、内存管理等。
GenAI 的风险和缓解措施
- 数据风险：数据质量、偏差、模型漂移、幻觉等。缓解措施包括数据清理和预处理、偏差缓解、持续监测、使用合成数据等。
- 系统风险：模型漂移、幻觉、反馈回路退化等。缓解措施包括自动化警报系统、定期重新训练模型、来源验证系统、人工监督、保守模型设置等。
- 其他风险：依赖风险、网络安全风险、可持续性风险等。缓解措施包括开源替代方案、与专业的 GenAI 初创公司合作、实施多云战略、遵循行业网络安全标准、使用较小的模型、量化模型等。
实施 GenAI 的建议
- 监管考量：了解不同司法管辖区内的监管要求，简化治理，促进公私部门讨论关键议题。
- 可解释性和透明度：模型和过程文档、来源归因、审计跟踪、人类监督等。
- 数据和幻觉：使用高质量的数据、合适的架构、领域专家参与等。
- 合成数据：建立集中存储的标准、匿名且高保真数据集、培养对合成数据及其生成方式的认识等。
- 知识产权和版权：促进公平数据实践的政策，在保护知识产权和版权的同时促进数据共享。
- 公开标准和公平数据实践：行业和监管机构应考虑促进公平数据实践的政策。
- 跨境可扩展性：混合云战略、联合学习等。
- 非英语基准：开发本地 LLM 基准，重点在于翻译和行业专用术语。
- 专业知识可用性、工作和可靠性：构建 GenAI 人才管道、重新培训和职业教育项目等。
- 量化 ROI 和生产率提高：减少合规性审查时间、风险评估的准确性、增强的客户体验、可扩展性和灵活性等。
结论
GenAI 代表了人类计算机界面的重大转型性飞跃，为组织和个人的新可能性打开了大门。为了确保这些技术能够驱动业务成果和包容性的实用方法，需要各方共同努力，促进 GenAI 的变革潜力能够惠及更广泛的经济领域及其参与者。
