尽管大模型技术颇受关注,但银行若要试水这项全新技术,仍面临诸多挑战。记者多方了解到,从组建AIGC大模型到实际应用,需要完成多项步骤,包括数据采集清洗、模型训练、模型测试与评估、系统部署应用等。但是,在数据采集清洗端,鉴于金融领域的数据采集安全性与合规性要求颇高,令不少银行机构对此“望而却步”。一位对大模型技术颇有研究的银行科技部门主管向记者透露,基于大模型技术的AIGC产品需要使用大量行业数据与个人数据并进行复杂众多的训练和微调,但在这个过程,数据使用是否安全、合规性是否存在疑问,都需相关部门做出规范或制定相关标准。比如他们在智能营销、智能客服等场景使用同一个客户的个人数据,是否会遇到不同的数据使用规范要求,目前尚无明确说法,令他们担心若稍微过度使用个人数据进行大模型技术训练,可能最终会遇到数据合规性问题。在他看来,大模型技术研发训练的高成本投入与成效不确定性,也是制约银行试水的另一大因素。记者获悉,AIGC大模型研发技术需要深厚的人工智能相关技术沉淀、海量训练数据、持续优化算法模型与完善的生态体系等,且这项新技术从研发到商业化应用,还需较长时间与资金投入。更令银行机构揪心的是,某些自然语言处理大模型技术训练所得出的结果未必精准,内容也不一定正确,时效性可能不够强,未必能胜任对安全性、准确性要求相对较高的智能客服或智能营销等金融场景。这背后,数据质量在其中起到巨大影响——若向大模型技术输入的数据质量不佳,就很难指望后者通过训练能反馈出“正确”结论。多位金融科技业内人士对此直言,这需要在大模型技术基座,先对数据进行清洗和筛选,通过设置严格且一致性的评估指标和方法提升数据质量,才能解决上述问题。且基于个人金融数据安全性与合规性的考量,大模型技术训练应用应部署在私有云基础上,加之可匹配可扩展的API(应用程序编程接口),才能在妥善保护个人金融数据安全的基础上,更好地提升数据质量并得到更佳的大模型训练成果。“大模型技术或将推动人工智能进入全新的发展阶段,并向多模态智能、运动智能扩展。”前述金融科技平台负责人向记者表示。这将进一步降低价值信息损耗,节约中低端知识型劳动,助力金融机构将更多精力用于提升AI金融服务体验与拓客。来源:21世纪经济报道 END 行业知识交流分享,结识扩展人脉圈层 公众号后台回复【数字金融】可受邀加入【金融数字化交流群】