在金融领域，生成性人工智能（GenAI）正在改变游戏规则，通过促进高效交易和信用可用性，推动经济的有机增长。交易的便捷性和信用的可获得性决定了市场的流动性，同时鼓励投资和创新。随着对金融服务需求的增加，不断更新这些服务所涉及的技术变得至关重要。在这方面的最新趋势是金融领域中生成性人工智能的使用。
麦肯锡全球研究院（MGI）估计，在全球银行业中，GenAI每年可以增加2000亿至3400亿美元的价值，或占行业总收入的2.8%至4.7%，主要通过提高生产力。这可能让想知道金融行业是否正在从传统人工智能转向生成性人工智能。让探索一下金融行业中生成性人工智能的一些应用。
金融机构拥有大量的客户数据，因此可以合理假设训练模型会很容易。但说起来容易做起来难。金融机构在训练欺诈检测或场景分析模型时面临的一个问题是缺乏足够多的此类事件实例。想象一下，有数百万笔交易的数据集，其中只有100笔交易是欺诈性的。由于训练数据集中的类别不平衡，欺诈检测模型很可能会失败，无法预测欺诈实例。
同样，对于金融服务公司以前从未发生过的场景怎么办？任何金融服务都会希望其模型能够预测它可能未受过训练的灾难性金融场景。但由于现有模型未在此类极端场景上进行训练，即使场景分析也似乎是一个遥不可及的梦想。这就是合成数据发挥作用的地方。
可以生成合成数据来训练模型，以应对以前从未发生过的场景。这些场景可能从最大的金融欺诈到银行在宏观经济灾难中的表现。因此，正确采用GenAI进入金融服务可能是任何经济的游戏规则改变者。
一个采用这一点的金融服务的突出例子是万事达卡，它使用合成数据来改进其欺诈检测模型。
金融服务的一个紧迫痛点是尽快交付结果。因此，将生成性人工智能集成到他们的工作流程中对于将最大效率带入系统至关重要。
PayPal的GenAI平台Cosmos.AI驱动AI操作，使任务如欺诈检测和个性化客户服务成为可能。使用检索增强生成（RAG）和语义缓存等技术，Cosmos.AI增强了聊天机器人功能，提高了PayPal的工作流程效率并降低了运营成本。
另一个GenAI集成提高生产力的例子是借贷技术巨头Zest AI的LuLu。它帮助借贷机构分析投资组合表现，获取行业洞察，并使用自然语言提示优化决策。
LuLu允许贷方提出问题，如“批准率随时间如何变化？”并接收即时的、数据驱动的响应，增强了决策制定和敏捷性。
想象一下，正在申请房屋贷款。以下是将经历的一系列步骤：联系银行并请求房屋贷款。他们向发送贷款的详细信息，包含技术性条款和条件，以及一份表格。填写表格（可能在想，为什么银行不填写详细信息，当他们已经拥有数据）。然后，将表格邮寄给银行。然后，在批准或拒绝贷款申请之前，将遵循适当的流程。听起来很繁琐，对吧？
现在，让想象一个场景，这个沟通被一个由LLM驱动的生成性人工智能工具接管。这个LLM经过微调，以理解地理区域的金融规则和法规。它还可以访问银行的相关数据库和房屋贷款文件政策。以下是潜在的流程：可以在相关页面上申请房屋贷款。LLM根据收入、信用评分和其他信息检查贷款资格。如果有资格获得贷款，它会自动用可用的详细信息填写表格。如果工具没有特定信息，它会发送消息要求填写该字段，最后再次检查预填写的表格。如果没有资格获得贷款，将发送个性化消息，说明拒绝的原因。
请注意，所有这些都在几分钟内发生！是的，与传统方法相比，时间只是一小部分。金融机构如星展银行、渣打银行和NCR Voyix已经开始使用GenAI进行此过程，通过集成Kasisto。这个领先的数字体验平台帮助他们加快沟通和其他涉及组织-银行互动的流程。此外，还可以回答诸如“上个月在外就餐花了多少钱？”而无需创建那些讨厌的Excel表格。毫无疑问，跟踪支出并获得对消费的现实检查将是一个令人兴奋的时代。
资产管理是金融中生成性人工智能的另一个有效用例。它涉及通过买卖股票、债券、房地产等资产来最大化投资组合价值，同时根据客户的目标和时间范围最小化风险。