Нещодавно в Бінцзіні відбувся салон на тему «Як DeepSeek змінює правила гри для штучного інтелекту? Високі бар'єри для AGI зникають?», який був спільно організований Новим інтернет-банком та Факультетом управління науками та інженерією Південно-західного економічного університету. Віце-президент Нового інтернет-банку Лі Сюшен, директор відділення обчислювальної фінансової науки Факультету управління науками та інженерією Південно-західного економічного університету Ван Цзюн та відповідальний за відділ наукового керування Нового інтернет-банку Вей Хао обговорили технічні таємниці DeepSeek та перспективи його застосування в банківській сфері.
Як розвивається відкрите та закрите програмне забезпечення?
Коли спільна робота OpenAI та Microsoft викликала суперечки щодо "екологічного монополізму", коли Nvidia опинилася під найсуворішим контролем експорту AI-чіпів в історії США, відкрита стратегія DeepSeek несподівано відкрила ще одну двері. DeepSeek відрізняється від традиційних закритих моделей AI, його відкритість дозволяє підприємствам використовувати більш потужні великі моделі за більш низьку ціну, що підвищує здатність багатофункціонального інтелектуального помічника в різних сценаріях.
У програмній галузі існує два режими: відкритий та закритий, кожен з яких має свої успішні приклади. Лі Сюшен наводить Лінукс та Android як приклади відкритого програмного забезпечення, які значно сприяли розвитку операційних систем. Він також вказує на Apple як приклад закритого режиму, яка завжди зберігає провідну позицію в галузі висококласних додатків для смартфонів. Незважаючи на відмінності у шляхах цих компаній, вони досягли значних досягнень.
"З точки зору залучення внесків глобальних учасників, я особисто вважаю відкриту модель більш перспективною, оскільки вона може об'єднати більше людських ресурсів та зусиль, спільно просуваючи технологічний прогрес та інновації. У майбутньому відкритий та закритий код можуть продовжувати розвиватися паралельно, але потенціал відкритого коду вартий уваги." Лі Сюшен висловився так.
Ван Цзюн вважає, що відкрите та закрите джерела є взаємодоповнюючими та конкуруючими. Відкриті технології, що публікуються, можуть привертати багато розробників для участі, сприяють швидкій ітерації технологій, але прибутковість та бізнес-модель є невизначеними. Закриті джерела наголошують на побудові своїх власних оборонних стін та порогів, вимагають значних вкладень, мають унікальну, але менш різноманітну бізнес-модель. Кожен має свої переваги та недоліки, тому на практиці можуть взаємно взятися на позики, об'єднатися, а також створити конкурентну ситуацію в деяких галузях.
З погляду суб'єкта ринку, DeepSeek як відкрите, недороге та ефективне велике моделювання справляє невеликий вплив на провідні технологічні компанії на ринку. "Для таких компаній, як OpenAI, які використовують великі моделі з закритим кодом, стратегія ціноутворення DeepSeek змушує їх переглянути свою бізнес-модель та напрямок оптимізації технологій. Щодо компаній-виробників чіпів, таких як NVIDIA, випуск DeepSeek доводить, що для проведення першорядного мислення не обов'язково мати високопродуктивні GPU, що змушує ці компанії розмірковувати, як слід змінити логіку інвестицій та розвитку AI-інфраструктури", - визнає Ван Цзунь.
Варто зауважити, що загальна масштабна модель штучного інтелекту стикається з викликами у вирішенні цифрових проблем управління ризиками. Вей Хао вказує: «Незважаючи на широкі можливості великої моделі, такі як розуміння проблеми, математичні обчислення та генерація коду, в єдиній області управління ризиками її продуктивність не є задовільною.» Це пояснюється тим, що навчання великої моделі в основному ґрунтується на відкритих даних та кодах Інтернету, вона не має спеціальних даних для тренування в галузі управління ризиками, тому її логіка може не повністю відповідати реальним потребам управління ризиками.
Чи малі банки відбиваються за допомогою DeepSeek?
Згідно звіту Zhejiang Securities, весь процес навчання DeepSeek-V3 вимагав менше 2,8 мільйонів годин GPU (графічних процесорів), що в порівнянні з 30,8 мільйонами годин GPU для тренування Llama3-405B, випущеного Meta, американським гігантом інтернет-космічної платформи. Вартість навчання DeepSeek-V3 становить близько 5,576 мільйонів доларів США, тоді як витрати на навчання мовного моделювання GPT-4, яке було випущено OpenAI (центром відкритого штучного інтелекту в США) для розмовних роботів ChatGPT, становлять кілька мільярдів доларів США.
Порівняно з традиційними великими моделями, в які зазвичай вкладаються від десятків мільйонів до мільярдів, вартість локалізації та впровадження DeepSeek може становити менше ніж мільйон. За останніми даними Міністерства промисловості та інформаційних технологій, три базові телекомунікаційні компанії вже повністю підключилися до відкритих великих моделей DeepSeek. На сьогодні в банківській галузі кілька установ, включаючи банки, фонди та цінні папери, активно впроваджують DeepSeek. Починаючи з травня 2024 року, новий інтернет-банк вже використовує великі моделі DeepSeek в сценаріях розробки систем, де були створені помічники з питань наукових досліджень та письмового коду, що допомагають скорочувати час, який фахівці тратять на пошук технічної інформації в процесі розробки.
Лі Сюшен вважає, що у сфері штучного інтелекту поява DeepSeek призвела до двох основних концептуальних змін. По-перше, поява DeepSeek знищила ідею 'великої сили для дива', тобто більше не сліпо прагнення до екстремальної обчислювальної потужності. Раніше люди часто вважали, що лише накопичення величезної обчислювальної потужності може призвести до прориву, але DeepSeek довів, що шляхом оптимізації алгоритмів та моделей також можна досягти високої ефективності при нижчій обчислювальній потужності. По-друге, DeepSeek подальшим чином поглибив суперечку між відкритим та закритим програмним забезпеченням. OpenAI через ChatGPT піджгло концепцію великих моделей, проте їхня закрита стратегія обмежила поширення технології. У той час як поява відкритих моделей, таких як DeepSeek, знизила поріг технічного захоплення, що дозволило більшій кількості установ застосовувати великі моделі. Ця зміна суттєво вплинула на фінансові установи, такі як банківська сфера.
"Щодо майбутнього, з розвитком технологій та подальшим зниженням вартості великі моделі вже не будуть ексклюзивним розкошшю для великих банків, а зможуть широко застосовуватися в малих та середніх фінансових установах. Це принесе важливі технологічні трансформації для комерційних банків, сприяючи їхньому більш інтелектуальному та ефективному розвитку", - сказав Лі Сюшен.
У цифровому секторі банківського ризик-менеджменту широко використовується технологія великих моделей, така як DeepSeek. За словами Вей Хао, випуск DeepSeek викликав велику зацікавленість серед технічних спеціалістів, оскільки він може конкурувати з передовими моделями мислення від OpenAI, та має відкриті ваги, широку ліцензійну політику та можливість локалізації та контролю використання.
Вей Хао розповів про власні враження від практичного використання: "При роботі з неструктурованими даними великі моделі, такі як DeepSeek, можуть покращити розуміння семантики та обробку текстів, що дає змогу отримувати інформацію з більш широкого спектру даних. Крім того, технологія загальних інтелектуальних моделей також може бути використана в моделях управління ризиками для підвищення точності оцінки клієнтів та прийняття кращих рішень."
Вей Хао вказує, що DeepSeek R1 має здатність глибокого мислення, яка може підвищити здатність розуміння намірів та семантики за допомогою тренування мислення. Ця здатність не обмежується лише китайською мовою, вона також відмінно проявляється при обробці довгих контекстів та складних намірів.
Банківська галузь, як галузь з високим рівнем інформатизації, пройшла кілька значних трансформацій своєї комп'ютерної системи. Від застосування комп'ютерних систем замість ручних операцій до появи мобільного Інтернету, банки безперервно перетворюють свої операційні процеси. Зараз, з швидким розвитком штучного інтелекту, банки стикаються з викликами та можливостями четвертого етапу еволюції інформаційних систем. Яким чином банки повинні будувати власні здатності до використання інтелектуальних технологій у великих моделях даних?
Лі Сюшен вважає, що настання епохи великих моделей вимагає, щоб банки з точки зору повного застосування штучного інтелекту подумали про те, як перетворити управління і процеси в банку. Банки спочатку повинні подумати про те, як побудувати додатки, а потім розглянути, як організувати дані, підвищити якість даних, надати мітки та застосувати зовнішні дані. Загалом комерційним банкам потрібно розглядати стратегічні питання та враховувати багато чинників, таких як обчислювальні можливості, дані, алгоритми та застосунки.
За його словами, з моменту створення нового інтернет-банку було повністю використано технології штучного інтелекту в галузі боротьби з шахрайством та контролю за кредитними ризиками, що дозволило ефективно та великомасштабно обробляти кредити. Проте з появою великих моделей банки почали розглядати можливості дослідження та спроб у більшій кількості галузей. Наразі новий інтернет-банк успішно використовує великі моделі в галузі обслуговування клієнтів, замінивши частину ручного обслуговування, і випробовує їх в маркетингу, управлінні кредитами та інших галузях.
Окрім банківської галузі, Ван Цзюнь передбачає помітне покращення великих модельних інтелектуальних застосувань у таких галузях, як виробництво, прогнозування кліматичних ризиків, комп'ютери, освіта, медіа та розваги. Ван Цзюнь вказує: "У сфері виробництва великі моделі можуть відслідковувати надійність деталей або батарей та прогнозувати їх термін служби; у галузі прогнозування кліматичних ризиків алгоритми штучного інтелекту розшифровують майбутню погоду, надаючи попередження та оптимізацію маршрутів для автостради тощо; в галузі комп'ютерів великі моделі можуть допомогти у доповненні коду, розумінні коду та побудові; у сфері освіти на основі навичок та поведінки студентів можна створити індивідуальні великі моделі для допомоги студентам у навчанні; в сфері медіа та розваг великі моделі можуть бути використані для генерації контенту, побудови моделей та створення сцен, таких як анімація, дизайн ігор та створення коротких відео, а також синтезу цифрових осіб для рекомендацій у сфері електронної торгівлі тощо."
Які таланти у сфері штучного інтелекту знадобляться банкам у майбутньому?
Згідно з Опублікованим Асоціацією банків Китаю звітом про розвиток банківської справи на 2024 рік, фінанси та штучний інтелект мають природну точку з'єднання, технологія великих моделей AI може повністю використовувати величезний обсяг даних банківської справи, тоді як банківська справа має багато сценаріїв для застосування технології великих моделей AI. Наразі великі моделі AI активно просувають зміни в області обслуговування, маркетингу, продуктів та інших сферах банківської справи в Китаї, прискорюючи прихід "банку майбутнього".
З використанням банківської великої моделі широко висунули вимоги до навичок технічних спеціалістів. Лі Сюшен вважає, що в галузі застосування Інтернету Інтернет-мислення допомагає в успіху великих Інтернет-підприємств. З інтелектуальною епохою штучного інтелекту потреби в кадрах перетворюються на фінансових та технічних спеціалістів з розумінням штучного інтелекту.
Недавно Мережевий банк підкреслив важливість Інтернет-мислення та намагатиметься надати перевагу мисленню штучного інтелекту в майбутньому. При проектуванні бізнес-продуктів, клієнтському маркетингу, щоденній діяльності та побудові загальної системи управління бізнесом враховується штучний інтелект. Тому банк буде оцінювати, чи мають працівники ці навички, основи або потенціал, щоб розвивати таланти, необхідні для майбутнього розвитку банку.
"Постійний прогрес технологій штучного інтелекту поставив перед працівниками банків виклики, але також надав нові можливості. У змінній обстановці співробітники повинні залишатися спокійними, постійно навчатися, відстежувати зміни в епоху, знаходити своє місце в суспільстві та підприємстві", - заохочував Лі Сюшен. "Технічні спеціалісти повинні адаптуватися, використовуючи технології штучного інтелекту для підвищення своїх навичок. Однак бізнес-спеціалісти не повинні переживати щодо заміщення, оскільки поріг застосування технологій штучного інтелекту знизився, і навіть люди без розуміння комп'ютерів можуть використовувати інструменти штучного інтелекту для створення процесів та застосунків, реалізуючи свою цінність. Таким чином, якщо маєте сміливість навчатися, слідкувати за технологічними змінами, працівники банків не будуть вилучені, а навпаки, зможуть краще пристосовуватися до прогресу технологій епохи".
З погляду бізнесу з управління ризиками, Вей Хао вказує, що практична робота - це ключ до оволодіння штучним інтелектом. У сфері управління ризиками застосування технологій штучного інтелекту потребує вищих вимог до кваліфікації кадрів, оскільки необхідно не лише глибоко розуміти технічні принципи, але й повною мірою розуміти переваги, межі використання моделей та ризики, щоб забезпечити правильне застосування технологій. Таким чином, фахівцям з управління ризиками потрібно мати глибокі технічні знання та широкий спектр знань.
Ван Цзунь також зазначив, що вищі навчальні заклади також працюють над підготовкою кадрів у галузі комплексних фахів з штучного інтелекту. "Ми оптимізуємо навчальні програми, включаємо такі курси, як аналіз даних, видобуток даних, машинне навчання, глибоке навчання та багатомодальні дані, щоб студенти могли зустрітися з знаннями з сфери штучного інтелекту ще на бакалаврському рівні. Ми додали проекти практичного тренування та лабораторні роботи, заохочуємо студентів брати участь у фінансово-технологічних змаганнях та інших конкурсах, щоб перетворити знання на практичні навички. Крім того, ми сподіваємося на зміцнення співпраці з бізнес-середовищем шляхом спільних лабораторій, лекцій провідних експертів тощо, щоб студенти краще розуміли потреби та бізнес-процеси в галузі та, таким чином, стимулювали їх навчальну активність та розвивали кадри, які відповідають потребам бізнесу."
Під час обговорення наступного етапу розвитку застосування технології штучного інтелекту в банківській сфері Лі Сюшен відзначив, що з розвитком технологій штучного інтелекту та великих моделей комерційні банки переживають новий етап перебудови. Це стосується не лише оновлення систем, а й глибоко змінить бізнес-процеси банків, форму продуктів, механізми прийняття рішень, склад персоналу та посадові обов'язки. “Незважаючи на те, що сутність фінансового ризикового управління залишається незмінною, способи надання послуг, форми продуктів та механізми функціонування зазнають значних змін. Цей процес може бути поступовим, але очікується, що через три-п'ять років обличчя комерційних банків буде істотно змінене.”
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
【Фінансовий аналіз】DeepSeek виходить за межі обчислювальної потужності штучного інтелекту: чи настав 'критичний момент' для банківської галузі?
Нещодавно в Бінцзіні відбувся салон на тему «Як DeepSeek змінює правила гри для штучного інтелекту? Високі бар'єри для AGI зникають?», який був спільно організований Новим інтернет-банком та Факультетом управління науками та інженерією Південно-західного економічного університету. Віце-президент Нового інтернет-банку Лі Сюшен, директор відділення обчислювальної фінансової науки Факультету управління науками та інженерією Південно-західного економічного університету Ван Цзюн та відповідальний за відділ наукового керування Нового інтернет-банку Вей Хао обговорили технічні таємниці DeepSeek та перспективи його застосування в банківській сфері.
Як розвивається відкрите та закрите програмне забезпечення?
Коли спільна робота OpenAI та Microsoft викликала суперечки щодо "екологічного монополізму", коли Nvidia опинилася під найсуворішим контролем експорту AI-чіпів в історії США, відкрита стратегія DeepSeek несподівано відкрила ще одну двері. DeepSeek відрізняється від традиційних закритих моделей AI, його відкритість дозволяє підприємствам використовувати більш потужні великі моделі за більш низьку ціну, що підвищує здатність багатофункціонального інтелектуального помічника в різних сценаріях.
У програмній галузі існує два режими: відкритий та закритий, кожен з яких має свої успішні приклади. Лі Сюшен наводить Лінукс та Android як приклади відкритого програмного забезпечення, які значно сприяли розвитку операційних систем. Він також вказує на Apple як приклад закритого режиму, яка завжди зберігає провідну позицію в галузі висококласних додатків для смартфонів. Незважаючи на відмінності у шляхах цих компаній, вони досягли значних досягнень.
"З точки зору залучення внесків глобальних учасників, я особисто вважаю відкриту модель більш перспективною, оскільки вона може об'єднати більше людських ресурсів та зусиль, спільно просуваючи технологічний прогрес та інновації. У майбутньому відкритий та закритий код можуть продовжувати розвиватися паралельно, але потенціал відкритого коду вартий уваги." Лі Сюшен висловився так.
Ван Цзюн вважає, що відкрите та закрите джерела є взаємодоповнюючими та конкуруючими. Відкриті технології, що публікуються, можуть привертати багато розробників для участі, сприяють швидкій ітерації технологій, але прибутковість та бізнес-модель є невизначеними. Закриті джерела наголошують на побудові своїх власних оборонних стін та порогів, вимагають значних вкладень, мають унікальну, але менш різноманітну бізнес-модель. Кожен має свої переваги та недоліки, тому на практиці можуть взаємно взятися на позики, об'єднатися, а також створити конкурентну ситуацію в деяких галузях.
З погляду суб'єкта ринку, DeepSeek як відкрите, недороге та ефективне велике моделювання справляє невеликий вплив на провідні технологічні компанії на ринку. "Для таких компаній, як OpenAI, які використовують великі моделі з закритим кодом, стратегія ціноутворення DeepSeek змушує їх переглянути свою бізнес-модель та напрямок оптимізації технологій. Щодо компаній-виробників чіпів, таких як NVIDIA, випуск DeepSeek доводить, що для проведення першорядного мислення не обов'язково мати високопродуктивні GPU, що змушує ці компанії розмірковувати, як слід змінити логіку інвестицій та розвитку AI-інфраструктури", - визнає Ван Цзунь.
Варто зауважити, що загальна масштабна модель штучного інтелекту стикається з викликами у вирішенні цифрових проблем управління ризиками. Вей Хао вказує: «Незважаючи на широкі можливості великої моделі, такі як розуміння проблеми, математичні обчислення та генерація коду, в єдиній області управління ризиками її продуктивність не є задовільною.» Це пояснюється тим, що навчання великої моделі в основному ґрунтується на відкритих даних та кодах Інтернету, вона не має спеціальних даних для тренування в галузі управління ризиками, тому її логіка може не повністю відповідати реальним потребам управління ризиками.
Чи малі банки відбиваються за допомогою DeepSeek?
Згідно звіту Zhejiang Securities, весь процес навчання DeepSeek-V3 вимагав менше 2,8 мільйонів годин GPU (графічних процесорів), що в порівнянні з 30,8 мільйонами годин GPU для тренування Llama3-405B, випущеного Meta, американським гігантом інтернет-космічної платформи. Вартість навчання DeepSeek-V3 становить близько 5,576 мільйонів доларів США, тоді як витрати на навчання мовного моделювання GPT-4, яке було випущено OpenAI (центром відкритого штучного інтелекту в США) для розмовних роботів ChatGPT, становлять кілька мільярдів доларів США.
Порівняно з традиційними великими моделями, в які зазвичай вкладаються від десятків мільйонів до мільярдів, вартість локалізації та впровадження DeepSeek може становити менше ніж мільйон. За останніми даними Міністерства промисловості та інформаційних технологій, три базові телекомунікаційні компанії вже повністю підключилися до відкритих великих моделей DeepSeek. На сьогодні в банківській галузі кілька установ, включаючи банки, фонди та цінні папери, активно впроваджують DeepSeek. Починаючи з травня 2024 року, новий інтернет-банк вже використовує великі моделі DeepSeek в сценаріях розробки систем, де були створені помічники з питань наукових досліджень та письмового коду, що допомагають скорочувати час, який фахівці тратять на пошук технічної інформації в процесі розробки.
Лі Сюшен вважає, що у сфері штучного інтелекту поява DeepSeek призвела до двох основних концептуальних змін. По-перше, поява DeepSeek знищила ідею 'великої сили для дива', тобто більше не сліпо прагнення до екстремальної обчислювальної потужності. Раніше люди часто вважали, що лише накопичення величезної обчислювальної потужності може призвести до прориву, але DeepSeek довів, що шляхом оптимізації алгоритмів та моделей також можна досягти високої ефективності при нижчій обчислювальній потужності. По-друге, DeepSeek подальшим чином поглибив суперечку між відкритим та закритим програмним забезпеченням. OpenAI через ChatGPT піджгло концепцію великих моделей, проте їхня закрита стратегія обмежила поширення технології. У той час як поява відкритих моделей, таких як DeepSeek, знизила поріг технічного захоплення, що дозволило більшій кількості установ застосовувати великі моделі. Ця зміна суттєво вплинула на фінансові установи, такі як банківська сфера.
"Щодо майбутнього, з розвитком технологій та подальшим зниженням вартості великі моделі вже не будуть ексклюзивним розкошшю для великих банків, а зможуть широко застосовуватися в малих та середніх фінансових установах. Це принесе важливі технологічні трансформації для комерційних банків, сприяючи їхньому більш інтелектуальному та ефективному розвитку", - сказав Лі Сюшен.
У цифровому секторі банківського ризик-менеджменту широко використовується технологія великих моделей, така як DeepSeek. За словами Вей Хао, випуск DeepSeek викликав велику зацікавленість серед технічних спеціалістів, оскільки він може конкурувати з передовими моделями мислення від OpenAI, та має відкриті ваги, широку ліцензійну політику та можливість локалізації та контролю використання.
Вей Хао розповів про власні враження від практичного використання: "При роботі з неструктурованими даними великі моделі, такі як DeepSeek, можуть покращити розуміння семантики та обробку текстів, що дає змогу отримувати інформацію з більш широкого спектру даних. Крім того, технологія загальних інтелектуальних моделей також може бути використана в моделях управління ризиками для підвищення точності оцінки клієнтів та прийняття кращих рішень."
Вей Хао вказує, що DeepSeek R1 має здатність глибокого мислення, яка може підвищити здатність розуміння намірів та семантики за допомогою тренування мислення. Ця здатність не обмежується лише китайською мовою, вона також відмінно проявляється при обробці довгих контекстів та складних намірів.
Банківська галузь, як галузь з високим рівнем інформатизації, пройшла кілька значних трансформацій своєї комп'ютерної системи. Від застосування комп'ютерних систем замість ручних операцій до появи мобільного Інтернету, банки безперервно перетворюють свої операційні процеси. Зараз, з швидким розвитком штучного інтелекту, банки стикаються з викликами та можливостями четвертого етапу еволюції інформаційних систем. Яким чином банки повинні будувати власні здатності до використання інтелектуальних технологій у великих моделях даних?
Лі Сюшен вважає, що настання епохи великих моделей вимагає, щоб банки з точки зору повного застосування штучного інтелекту подумали про те, як перетворити управління і процеси в банку. Банки спочатку повинні подумати про те, як побудувати додатки, а потім розглянути, як організувати дані, підвищити якість даних, надати мітки та застосувати зовнішні дані. Загалом комерційним банкам потрібно розглядати стратегічні питання та враховувати багато чинників, таких як обчислювальні можливості, дані, алгоритми та застосунки.
За його словами, з моменту створення нового інтернет-банку було повністю використано технології штучного інтелекту в галузі боротьби з шахрайством та контролю за кредитними ризиками, що дозволило ефективно та великомасштабно обробляти кредити. Проте з появою великих моделей банки почали розглядати можливості дослідження та спроб у більшій кількості галузей. Наразі новий інтернет-банк успішно використовує великі моделі в галузі обслуговування клієнтів, замінивши частину ручного обслуговування, і випробовує їх в маркетингу, управлінні кредитами та інших галузях.
Окрім банківської галузі, Ван Цзюнь передбачає помітне покращення великих модельних інтелектуальних застосувань у таких галузях, як виробництво, прогнозування кліматичних ризиків, комп'ютери, освіта, медіа та розваги. Ван Цзюнь вказує: "У сфері виробництва великі моделі можуть відслідковувати надійність деталей або батарей та прогнозувати їх термін служби; у галузі прогнозування кліматичних ризиків алгоритми штучного інтелекту розшифровують майбутню погоду, надаючи попередження та оптимізацію маршрутів для автостради тощо; в галузі комп'ютерів великі моделі можуть допомогти у доповненні коду, розумінні коду та побудові; у сфері освіти на основі навичок та поведінки студентів можна створити індивідуальні великі моделі для допомоги студентам у навчанні; в сфері медіа та розваг великі моделі можуть бути використані для генерації контенту, побудови моделей та створення сцен, таких як анімація, дизайн ігор та створення коротких відео, а також синтезу цифрових осіб для рекомендацій у сфері електронної торгівлі тощо."
Які таланти у сфері штучного інтелекту знадобляться банкам у майбутньому?
Згідно з Опублікованим Асоціацією банків Китаю звітом про розвиток банківської справи на 2024 рік, фінанси та штучний інтелект мають природну точку з'єднання, технологія великих моделей AI може повністю використовувати величезний обсяг даних банківської справи, тоді як банківська справа має багато сценаріїв для застосування технології великих моделей AI. Наразі великі моделі AI активно просувають зміни в області обслуговування, маркетингу, продуктів та інших сферах банківської справи в Китаї, прискорюючи прихід "банку майбутнього".
З використанням банківської великої моделі широко висунули вимоги до навичок технічних спеціалістів. Лі Сюшен вважає, що в галузі застосування Інтернету Інтернет-мислення допомагає в успіху великих Інтернет-підприємств. З інтелектуальною епохою штучного інтелекту потреби в кадрах перетворюються на фінансових та технічних спеціалістів з розумінням штучного інтелекту.
Недавно Мережевий банк підкреслив важливість Інтернет-мислення та намагатиметься надати перевагу мисленню штучного інтелекту в майбутньому. При проектуванні бізнес-продуктів, клієнтському маркетингу, щоденній діяльності та побудові загальної системи управління бізнесом враховується штучний інтелект. Тому банк буде оцінювати, чи мають працівники ці навички, основи або потенціал, щоб розвивати таланти, необхідні для майбутнього розвитку банку.
"Постійний прогрес технологій штучного інтелекту поставив перед працівниками банків виклики, але також надав нові можливості. У змінній обстановці співробітники повинні залишатися спокійними, постійно навчатися, відстежувати зміни в епоху, знаходити своє місце в суспільстві та підприємстві", - заохочував Лі Сюшен. "Технічні спеціалісти повинні адаптуватися, використовуючи технології штучного інтелекту для підвищення своїх навичок. Однак бізнес-спеціалісти не повинні переживати щодо заміщення, оскільки поріг застосування технологій штучного інтелекту знизився, і навіть люди без розуміння комп'ютерів можуть використовувати інструменти штучного інтелекту для створення процесів та застосунків, реалізуючи свою цінність. Таким чином, якщо маєте сміливість навчатися, слідкувати за технологічними змінами, працівники банків не будуть вилучені, а навпаки, зможуть краще пристосовуватися до прогресу технологій епохи".
З погляду бізнесу з управління ризиками, Вей Хао вказує, що практична робота - це ключ до оволодіння штучним інтелектом. У сфері управління ризиками застосування технологій штучного інтелекту потребує вищих вимог до кваліфікації кадрів, оскільки необхідно не лише глибоко розуміти технічні принципи, але й повною мірою розуміти переваги, межі використання моделей та ризики, щоб забезпечити правильне застосування технологій. Таким чином, фахівцям з управління ризиками потрібно мати глибокі технічні знання та широкий спектр знань.
Ван Цзунь також зазначив, що вищі навчальні заклади також працюють над підготовкою кадрів у галузі комплексних фахів з штучного інтелекту. "Ми оптимізуємо навчальні програми, включаємо такі курси, як аналіз даних, видобуток даних, машинне навчання, глибоке навчання та багатомодальні дані, щоб студенти могли зустрітися з знаннями з сфери штучного інтелекту ще на бакалаврському рівні. Ми додали проекти практичного тренування та лабораторні роботи, заохочуємо студентів брати участь у фінансово-технологічних змаганнях та інших конкурсах, щоб перетворити знання на практичні навички. Крім того, ми сподіваємося на зміцнення співпраці з бізнес-середовищем шляхом спільних лабораторій, лекцій провідних експертів тощо, щоб студенти краще розуміли потреби та бізнес-процеси в галузі та, таким чином, стимулювали їх навчальну активність та розвивали кадри, які відповідають потребам бізнесу."
Під час обговорення наступного етапу розвитку застосування технології штучного інтелекту в банківській сфері Лі Сюшен відзначив, що з розвитком технологій штучного інтелекту та великих моделей комерційні банки переживають новий етап перебудови. Це стосується не лише оновлення систем, а й глибоко змінить бізнес-процеси банків, форму продуктів, механізми прийняття рішень, склад персоналу та посадові обов'язки. “Незважаючи на те, що сутність фінансового ризикового управління залишається незмінною, способи надання послуг, форми продуктів та механізми функціонування зазнають значних змін. Цей процес може бути поступовим, але очікується, що через три-п'ять років обличчя комерційних банків буде істотно змінене.”
(Джерело: новини Xinhua)
Джерело: Східний Фінансовий Інтернет
Автор: Сіньхуа Фінанси