L’IA générative dans la finance FinGPT, BloombergGPT et au-delà

L'IA générative dans la finance FinGPT, BloombergGPT et au-delà

L’intelligence artificielle générative fait référence aux modèles capables de générer de nouveaux échantillons de données similaires aux données d’entrée. Le succès de ChatGPT a ouvert de nombreuses opportunités dans tous les secteurs, incitant les entreprises à concevoir leurs propres modèles linguistiques de grande envergure. Le secteur financier, axé sur les données, est désormais encore plus axé sur les données qu’auparavant.

Je travaille en tant que data scientist dans une entreprise de services financiers basée en France. Ayant été là-bas depuis plus d’un an, j’ai récemment observé une augmentation significative des cas d’utilisation de LLM dans toutes les divisions pour l’automatisation des tâches et la construction de systèmes d’IA robustes et sécurisés.

Chaque service financier vise à créer ses propres LLMs optimisés à l’aide de modèles open source tels que LLAMA 2 ou Falcon. Surtout les banques héritées qui disposent de décennies de données financières.

Jusqu’à présent, il n’a pas été possible d’incorporer cette grande quantité de données dans un seul modèle en raison des ressources informatiques limitées et des modèles moins complexes/à faibles paramètres. Cependant, ces modèles open source avec des milliards de paramètres peuvent maintenant être optimisés avec de grandes quantités d’ensembles de données textuelles. Les données sont comme du carburant pour ces modèles ; plus il y en a, meilleurs sont les résultats.

• Applications de conversation avec de grands modèles linguistiques comprenant la séquence des entrées utilisateur, des instructions et des réponses
• Menaces émergentes sécuriser les applications à l’ère des modèles de langage
• 5 Livres gratuits pour vous aider à maîtriser Python

Les données et les modèles LLM peuvent permettre aux banques et aux autres services financiers d’économiser des millions en améliorant l’automatisation, l’efficacité, la précision, et bien plus encore.

Des estimations récentes de McKinsey suggèrent que cette intelligence artificielle générative pourrait permettre des économies annuelles pouvant atteindre 340 milliards de dollars pour le secteur bancaire seul.

BloombergGPT & Économie de l’IA générative

En mars 2023, Bloomberg a présenté BloombergGPT. Il s’agit d’un modèle linguistique construit à partir de zéro avec 50 milliards de paramètres, spécialement adapté aux données financières.

Pour économiser de l’argent, il faut parfois dépenser de l’argent. Former des modèles tels que BloombergGPT ou Llama 2 de Meta n’est pas bon marché.

La formation du modèle de 70 milliards de paramètres de Llama 2 a nécessité 1 700 000 heures de GPU. Sur les services cloud commerciaux, l’utilisation du GPU Nvidia A100 (utilisé pour Llama 2) peut coûter de 1 à 2 dollars par heure de GPU. En faisant le calcul, un modèle de 10 milliards de paramètres pourrait coûter environ 150 000 dollars, tandis qu’un modèle de 100 milliards de paramètres pourrait coûter jusqu’à 1 500 000 dollars.

Si l’on ne loue pas, l’achat des GPU en propre est une alternative. Cependant, l’achat d’environ 1000 GPUs A100 pour former une grappe pourrait coûter plus de 10 millions de dollars.

L’investissement de Bloomberg de plus d’un million de dollars est particulièrement frappant lorsqu’il est mis en parallèle avec les avancées rapides de l’IA. Étonnamment, un modèle coûtant seulement 100 dollars a réussi à surpasser les performances de BloombergGPT en seulement six mois. Voici FinGPT.

FinGPT

FinGPT est un modèle linguistique de grande envergure (LLM) spécifiquement optimisé pour les données financières de pointe. Développé par AI4Finance-Foundation, FinGPT surpasse actuellement les autres modèles en termes de rentabilité et de précision.

Il existe actuellement 3 versions ; les séries FinGPT v3 sont des modèles améliorés utilisant la méthode LoRA et sont entraînés sur des actualités et des tweets pour analyser les sentiments. Ils obtiennent les meilleurs résultats dans de nombreux tests de sentiment financier. FinGPT v3.1 est basé sur le modèle chatglm2-6B, tandis que FinGPT v3.2 est basé sur le modèle Llama2-7B.

FINGPT

Fonctionnement de FinGPT:

1. Collecte et gestion des données:
   • Acquisition des données : Utilise des données provenant de sources réputées telles que Yahoo, Reuters, et plus, FinGPT rassemble un large éventail d’actualités financières, couvrant les actions américaines aux actions chinoises.
   • Traitement des données : Ces données brutes subissent plusieurs étapes de nettoyage, de tokenization et d’ingénierie de prompt pour en assurer la pertinence et l’exactitude.
2. Grands modèles linguistiques (LLMs):
   • Entraînement : Grâce aux données sélectionnées, non seulement les LLM peuvent être optimisés pour créer des modèles légers adaptés à des besoins spécifiques, mais les modèles existants ou les API peuvent également être adaptés pour prendre en charge des applications.
   • Stratégies d’optimisation :
     • Couches de tenseurs (LoRA%20LoRA%20(Adaptation%20à%20faible%20ré rang)) : L’un des principaux défis dans le développement de modèles tels que FinGPT est l’obtention de données annotées de haute qualité. Conscient de ce défi, FinGPT adopte une approche innovante. Au lieu de se fier uniquement aux étiquetages traditionnels, les fluctuations des prix des actions en fonction des marchés sont utilisées comme étiquettes, traduisant le sentiment des actualités en étiquettes tangibles telles que positif, négatif, ou neutre. Cela permet d’obtenir d’énormes améliorations dans les capacités prédictives du modèle, notamment en ce qui concerne la distinction des sentiments positifs et négatifs. Grâce à des techniques d’optimisation comme LoRA, FinGPT v3 a réussi à optimiser les performances tout en réduisant la charge de calcul.
     • Apprentissage par renforcement à partir des retours humains : FinGPT utilise “RLHF (Reinforcement learning from human feedback)”. Une caractéristique absente chez BloombergGPT, RLHF dote le modèle LLM de la capacité à discerner les préférences individuelles – qu’il s’agisse de l’appétit pour le risque d’un utilisateur, de ses habitudes d’investissement, ou de ses paramètres de robo-conseiller personnalisés. Cette technique, pierre angulaire de ChatGPT et GPT4, garantit une expérience utilisateur plus adaptée et intuitive.
3. Applications et innovations:
   • Robo-conseiller : Comme un conseiller financier chevronné, FinGPT peut analyser les sentiments des actualités et prédire les tendances du marché avec une grande précision.
   • Trading quantitatif : En identifiant les sentiments à partir de sources diverses, des médias aux tweets, FinGPT peut formuler des stratégies de trading efficaces. En fait, même dirigé uniquement par les sentiments sur Twitter, il présente des résultats de trading prometteurs.

Comparaison de FinGPT avec ChatGLM, LLAMA 2, BloombergGPT

Trajectoire actuelle et futur de FinGPT : Juillet 2023 marque une étape passionnante pour FinGPT. L’équipe a dévoilé un article de recherche intitulé “Instruct-FinGPT : Analyse de sentiment financier par ajustement d’instruction des modèles de langage généraux de grande taille“. Au cœur de cet article se trouve l’exploration de l’ajustement d’instruction, une technique permettant à FinGPT d’exécuter des analyses de sentiment financier complexes.

Mais FinGPT ne se limite pas à l’analyse de sentiment. En réalité, 19 autres applications diverses sont disponibles, chacune promettant d’exploiter les LLM de manière novatrice. De l’ingénierie des consignes à la compréhension des contextes financiers complexes, FinGPT s’établit comme un modèle GenAI polyvalent dans le domaine financier.

Comment les banques mondiales adoptent-elles l’IA générative

Alors que le début de l’année 2023 a vu certains des principaux acteurs financiers tels que Bank of America, Citigroup et Goldman Sachs imposer des contraintes sur l’utilisation du ChatGPT d’OpenAI par leurs employés, d’autres acteurs du secteur ont clairement opté pour une position plus ouverte.

Morgan Stanley, par exemple, a intégré des chatbots alimentés par OpenAI en tant qu’outil pour leurs conseillers financiers. En exploitant les vastes recherches et données internes de l’entreprise, ces chatbots servent de ressources enrichies en connaissances, augmentant ainsi l’efficacité et la précision des conseils financiers.

En mars de cette année, le hedge fund Citadel cherchait à sécuriser une licence ChatGPT à l’échelle de l’entreprise. La mise en œuvre prospective vise à renforcer des domaines tels que le développement de logiciels et l’analyse d’informations complexes.

JPMorgan Chase s’efforce également d’exploiter les grands modèles de langage pour la détection de la fraude. Leur méthodologie repose sur l’utilisation de motifs d’e-mails pour identifier les compromissions potentielles. Ne s’arrêtant pas là, la banque s’est également fixé un objectif ambitieux : ajouter jusqu’à 1,5 milliard de dollars de valeur avec l’IA d’ici la fin de l’année.

Quant à Goldman Sachs, ils ne résistent pas entièrement à l’attrait de l’IA. La banque explore le pouvoir de l’IA générative pour renforcer son domaine de l’ingénierie logicielle. Comme le dit Marco Argenti, Directeur de l’information de Goldman Sachs, une telle intégration a le potentiel de transformer leur main-d’œuvre en quelque chose de “surhumain”.

Cas d’utilisation de l’IA générative dans le secteur bancaire et financier

Cas d’utilisation de l’IA générative dans la finance

L’IA générative transforme fondamentalement les opérations financières, la prise de décisions et les interactions avec les clients. Voici une exploration détaillée de ses applications :

1. Prévention de la fraude : L’IA générative est à la pointe du développement de mécanismes de détection des fraudes de pointe. En analysant de vastes ensembles de données, elle peut discerner des motifs et des irrégularités complexes, offrant une approche plus proactive. Les systèmes traditionnels, souvent submergés par le volume même des données, peuvent produire de faux positifs. L’IA générative, en revanche, affine continuellement sa compréhension, réduisant les erreurs et garantissant des transactions financières plus sécurisées.

2. Évaluation des risques de crédit : Les méthodes traditionnelles d’évaluation de la solvabilité des emprunteurs, bien qu’elles soient fiables, deviennent obsolètes. Les modèles d’IA générative, en utilisant divers paramètres – des historiques de crédit aux subtils motifs comportementaux – offrent un profil de risque complet. Cela garantit non seulement des prêts plus sûrs, mais répond également à une clientèle plus large, y compris ceux qui pourraient être mal desservis par les mesures traditionnelles.

3. Amélioration de l’interaction client : Le monde financier connaît une révolution dans le service client, grâce aux modèles NLP alimentés par l’IA générative. Ces modèles sont capables de comprendre et de répondre à des questions client variées, offrant des solutions personnalisées rapidement. En automatisant les tâches routinières, les institutions financières peuvent réduire leurs frais généraux, rationaliser leurs opérations et surtout, améliorer la satisfaction des clients.

4. Finances personnalisées: Le concept de taille unique ne convient plus. Les clients d’aujourd’hui exigent une planification financière adaptée à leurs besoins et aspirations uniques. L’IA générative excelle dans ce domaine. En analysant les données – des habitudes de dépenses aux préférences d’investissement – elle élabore des feuilles de route financières individualisées. Cette approche holistique permet aux clients d’être mieux informés et mieux équipés pour naviguer dans leur avenir financier.

5. Trading algorithmique: L’expertise analytique de l’IA générative est d’une valeur inestimable dans le monde volatil du trading algorithmique. En analysant les données – des tendances du marché aux sentiments des nouvelles – elle fournit des informations incisives, permettant aux experts financiers d’optimiser leurs stratégies, d’anticiper les changements de marché et de limiter les risques potentiels.

6. Renforcement des cadres de conformité: Les réglementations de lutte contre le blanchiment d’argent (LAB) sont essentielles pour maintenir l’intégrité des systèmes financiers. L’IA générative simplifie la conformité en filtrant les données de transaction complexes pour repérer les activités suspectes. Cela garantit non seulement que les institutions financières respectent les normes mondiales, mais réduit également considérablement les risques de faux positifs, ce qui simplifie les opérations.

7. Cybersécurité: Avec l’évolution constante des menaces cybernétiques, le secteur financier a besoin de solutions agiles. L’IA générative offre exactement cela. En mettant en œuvre des modèles prédictifs dynamiques, elle permet une détection plus rapide des menaces, renforçant les infrastructures financières contre les éventuelles violations.

Cependant, comme c’est le cas avec toute technologie en évolution, l’IA générative présente également des défis dans le secteur financier.

Les défis

1. Amplification des biais: Les modèles d’IA, aussi sophistiqués soient-ils, reposent toujours sur des données d’entraînement générées par des humains. Ces données, avec leurs biais inhérents – qu’ils soient intentionnels ou non – peuvent entraîner des résultats biaisés. Par exemple, si un groupe démographique particulier est sous-représenté dans l’ensemble de données d’entraînement, les sorties ultérieures de l’IA pourraient perpétuer cette négligence. Dans un secteur comme la finance, où l’équité et l’équité sont primordiales, de tels biais pourraient avoir des conséquences graves. Les dirigeants financiers doivent être proactifs dans l’identification de ces biais et s’assurer que leurs ensembles de données sont aussi complets et représentatifs que possible.
2. Fidélité des résultats et prise de décision: L’IA générative peut parfois produire des résultats erronés et trompeurs, souvent appelés “hallucinations”. Ces erreurs sont assez courantes alors que les modèles d’IA se raffinent et apprennent, mais les répercussions dans le domaine financier, où la précision est intransigeante, sont graves. Se fier uniquement à l’IA pour des décisions critiques, telles que l’approbation de prêts, est risqué. Au lieu de cela, l’IA devrait être considérée comme un outil sophistiqué qui aide les experts financiers, et non comme un remplaçant. Elle devrait gérer le poids computationnel, en fournissant des informations permettant aux professionnels de prendre les décisions finales et éclairées.
3. Vie privée des données et conformité: La protection des données sensibles des clients demeure une préoccupation majeure avec les applications d’IA générative. Il est crucial de veiller à ce que le système respecte les normes mondiales telles que le Règlement Général sur la Protection des Données (RGPD) et le California Consumer Privacy Act (CCPA). L’IA peut ne pas connaître ou respecter ces limites intrinsèquement, elle doit donc être utilisée avec des lignes directrices strictes de protection des données, en particulier dans le secteur financier où la confidentialité est primordiale.
4. Qualité des données d’entrée: L’IA générative n’est aussi bonne que les données qui lui sont fournies. Des données inexactes ou incomplètes peuvent entraîner involontairement des conseils ou des décisions financières médiocres.

Conclusion

Des stratégies de trading améliorées à la renforcement de la sécurité, les applications de l’IA générative sont vastes et transformatrices. Cependant, comme pour toute technologie, il est essentiel d’adopter une approche prudente de son adoption, en tenant compte des implications éthiques et de confidentialité.

Les institutions qui sauront exploiter avec succès les capacités de l’IA générative, tout en respectant ses limites et ses éventuels pièges, façonneront sans aucun doute la trajectoire future de l’arène financière mondiale.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!