Trois termes GenAI que les praticiens financiers ont appris en 2023

Republié par Platon

Suiveurs: 0

Trois termes GenAI que les praticiens financiers ont appris en 2023 PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

2023 a été une année difficile pour de nombreuses personnes sur notre planète : guerres, violences, déplacements de population, catastrophes, extrémisme, coût de la vie plus élevé et pauvreté. Les gens travaillant dans notre industrie ont eu relativement de la chance, certains d’entre nous étant revigorés par la passionnante tornade de GenerativeAI. Tout comme le HFT a transformé le vocabulaire des marchés de capitaux dans les années 2000 et la numérisation a transformé le vocabulaire des services bancaires et financiers dans les années 2010, GenAI nous a apporté un nouveau lexique de l’IA, à une certaine vitesse également.

Avec lui, nous avons rencontré de nombreux termes, pour la plupart à peine utilisés en 2022 mais qui portent désormais des significations nouvelles ou très différentes. Moi et beaucoup d'autres personnes dans les services financiers les utilisons quotidiennement. Si vous faites partie des rares (mal)chanceux à ne pas le faire, voici un petit rappel de mes trois préférés !

Terme 1 : La base de données vectorielles

La base de données dite vectorielle est devenue le cœur de nombreuses piles GenAI d'entreprise, comme moyen d'améliorer la qualité des réponses aux invites. Les alternatives, par exemple le « réglage fin » de grands modèles de langage [LLM] sans base de données associée, sont coûteuses et lourdes de risques et de frais de conformité. Une base de données vectorielle capture des informations propriétaires sur l'entreprise, apporte une rentabilité et offre un contrôle comparatif. Les sociétés de services financiers sont certainement sur le point d’utiliser des bases de données vectorielles.

Ironiquement, en finance, les vecteurs font depuis des années partie intégrante de l'algèbre matricielle prédominante dans le trading et la gestion des risques. Le stockage de données de ces « vecteurs » et matrices existe également depuis des décennies, généralement dans des bases de données en colonnes, ou sous forme de tables ou de trames de données utilisées dans des langages comme Python (Pandas), R, MATLAB et SAS. Lorsqu'elles sont récupérées et utilisées, par exemple sous forme de séries chronologiques financières et de données de panel, en conjonction avec des techniques telles que les régressions linéaires et chronologiques, elles conduisent à l'analyse prédictive, à la détection d'anomalies et à l'économétrie. Ils contribuent également à éclairer les backtestings, notamment en matière de trading, de gestion de portefeuille et de stratégies de risque. Alors que les marchés financiers – le front et le middle office – menaient la charge de l'algèbre matricielle, des cas d'utilisation de plus en plus centrés sur l'analyse, tels que le marketing, la détection des fraudes et la numérisation, ont généralement fait appel à la science des données – et aux vecteurs – dans l'ensemble des organisations financières.

J’ai donc été fasciné lorsqu’un ancien collègue est parti travailler dans une start-up de « bases de données vectorielles » en juin 2021. Son article sur

Résoudre des problèmes complexes avec les bases de données vectorielles de mars 2022, avant ChatGPT, a attiré mon attention car il a mis en évidence des types de vecteurs très spécifiques - les intégrations de vecteurs - des vecteurs navigables codés faciles à rechercher capturant des connaissances à partir d'informations non structurées telles que des mots, des images, etc. Lorsque ChatGPT a été lancé plus tard cette année-là, des magasins de vecteurs de tels Les types d'intégration ont été élevés au rang de véhicules clés de la gestion du sens sémantique. Le plus souvent, les magasins sont des bases de données vectorielles, parmi lesquelles

il y en a maintenant beaucoup. Ils alimentent déjà les applications de services financiers et de marchés de capitaux, le plus souvent

cas d'utilisation du traitement du langage naturel, par exemple, résumer des documents juridiques et des rapports financiers, ou capturer les sentiments des médias sociaux et des fils d'actualité. Cependant, ils s’attaquent également à davantage

applications concernées, augmentant par exemple les informations sur le trading et la gestion des risques, souvent parallèlement aux statistiques traditionnelles et à l'apprentissage automatique.

D’ailleurs, l’entreprise que mon ancien collègue a rejoint est devenue une licorne GenAI, évaluée à 750 millions de dollars. Bon travail si tu peux l'obtenir!

Terme 2 : RAG, Aka Récupération Génération Augmentée

RAG était à peine un mot sur toutes les lèvres au printemps 2023, du moins au sens RAG « Retrieval Augmented Generation » du terme. Les statistiques de recherche Google pour les termes se sont accélérées à partir de juillet 2023 environ et à l'automne/automne, RAG était partout, l'approche pipeline prédominante par laquelle les bases de données vectorielles aident à apprivoiser les « perroquets stochastiques » du grand modèle linguistique. D’une part, RAG encapsule des pipelines pour fournir des flux de données d’entreprise et, d’autre part, aide de manière pragmatique les sociétés financières à réduire les hallucinations et à s’adapter aux processus internes – et externes – de gestion des risques et de conformité de l’IA.

Il y a
de nombreux types de RAG pipelines, et ils peuvent paraître d’une complexité intimidante. Cependant, considérez RAG simplement comme fournissant un pipeline de données entre les invites, les données de votre entreprise et les grands modèles de langage. Pour en savoir plus et voir comment cela affecte la finance, lisez mon

blog finextra ou regarder
cette superbe webdiffusion résumant les opportunités de gestion des risques de RAG. Si vous commencez à les mettre en œuvre à n’importe quel stade, vous explorerez probablement des environnements « RAG-friendly » comme LangChain &
LamaIndex.

Terme 3 : Hallucinations

J'ai utilisé le terme « hallucinations » dans ma section précédente, le posant comme un problème résolu par RAG et, à son tour, par des bases de données vectorielles. Avec GenAI, les hallucinations ne sont plus simplement des déclencheurs de créativité stimulant l’esprit, comme le groupe Sergeant Pepper’s Lonely Hearts Club Band des Beatles, inspiré par la drogue, ou les Good Vibrations des Beachboys. Ils ne sont pas non plus l'apanage du rêve chamanique pratiqué par de nombreux peuples, par ex.
Peuples Tchouktches de Sibérie orientale, ni les activités physiques qui utilisent des techniques de modification de l'esprit, comme le yoga, les massages et le sexe tantrique. Le mot « hallucination » s’applique également désormais aux échecs des LLM à naviguer dans les informations auxquelles les modèles n’ont pas accès ou à utiliser à mauvais escient les informations existantes. Il est devenu très vite évident que

ChatGPT, Bard et les systèmes similaires étaient sujets à des réponses « hallucinatoires » fabriquées, et cela générait des risques lorsque des actions mal informées s’ensuivaient.

Voici la tournure. L'investisseur en IA Marc Andreessen suggère que même si la plupart considèrent les hallucinations comme des bugs, elles peuvent être utiles en tant que fonctionnalités lorsque l'IA est utilisée comme un cocréateur, suggéreur et devineur. En tant qu’aide au brainstorming, leurs suppositions inventées peuvent alimenter la créativité humaine. Andreessen, par exemple, souligne comment les avocats utilisent les suggestions « inventées » de l’IA lors de la préparation des dossiers pour imaginer de nouvelles stratégies juridiques. Dans le secteur des services financiers, les traders de Wall Street utilisent déjà l'IA générative et les bases de données vectorielles pour trouver des opportunités commerciales – pour zigzaguer lorsque les masses zaguent.

Quoi que vous pensiez de GenAI, il nous a certainement apporté un nouveau lexique délicieux !