将系列化呈现近期思考的核心部分,全面梳理大模型在金融行业的应用场景以及工程实现,欢迎加微信联络沟通,近期将建群方便一起交流探讨。
请备注”大模型金融”
- 大模型的能力
想用好大模型必须从了解大模型的技术能力出发,此处没有区分多模态或跨模态的大模型技术,从统一的技术视角进行了划分。此外,将能力分成了大模型能力、工程与技术能力以及算力设施能力,如下图。
作为系列文章的第一篇,本文将只讲述最上面的大模型能力,以更好的说明应用场景,常规划分时会将语音能力作为NLP能力的衍生技术,随着应用场景的扩展(如音乐、唱歌、配音等)此处我将它单独作为一种能力,为了更好的展示各种能力可以应用的场景,做了一份能力与场景的匹配示例,这并不是全部,只是为了更好的说明大模型的能力,如下图。
- 大模型在金融行业应用场景的识别原则
先不考虑成本与人才的需求(这个在以后的系列文章中将专门介绍),如何从行业中挖掘应用场景是一个值得思考的问题,如上图的粗略分类并不具备很好的说服力,因此,基于金融行业的特性,我将大模型的应用场景识别原则分为以下几类:
- 耗时耗力的场景:需要投入较多人力或消耗较多时间的场景,如业务侧单据处理与核验、柜面、客服、营销等,科技侧的文档编制与整理、测试、演练、数据标准化处理等。
- 知识密集的场景:引用的知识较多或知识关联密集的场景,如合规、供应链金融、投研、投顾、资产配置等;
- 复杂计算的场景:数据量大、计算维度多的场景,如投研、投顾、资产配置、供应链金融、风控等,尽管复杂计算场景基于大数据+机器学习基本能满足需求,但大模型仍有很好的在该领域使用的理由,如通过大模型的工具使用能力与现在的系统生态融合;
- 降低门槛的便利性场景:让非专业领域的人员可以便利使用专业工具的场景,如基于大模型的报表分析、营销图像、营销视频制作、编码辅助等领域;
- 适老化场景:方便使用数字化设备有困难的老人享受银行服务,如老人有特定记忆人员的声音或影像提供的数字人服务等。
每周更新