天壤韩定一：大模型小样本数据，AI驱动金融数字化｜量子位·视点后疫情时代

【天壤韩定一：大模型小样本数据，AI驱动金融数字化｜量子位·视点】后疫情时代，现实世界企业面临更多复杂、非线性的变化，数字化、自动化成为企业提高战略竞争力的关键因素。
特别是业务规模巨大的金融机构，如何借助AI、大数据、自动化等技术工具构建数字化、精准化的营销体系？如何通过更好地调度AI模型实现金融机构的决策智能，降低业务成本？
正是基于“复杂”而生的大模型，已成为机器智能学习的基础。
“算法、数据、算力”三者协同，面对亿级规模的金融复杂、碎片化场景，大模型只要经过少量微调即可满足学习任务， AI能力一键即用，高效实现金融业务的数智化。
关于金融数字化领域，如何利用大模型和小样本数据解决一些实际业务场景的问题，天壤联合创始人韩定一在「量子位·视点」直播中分享了他的从业经验和观点。

文章图片
以下根据分享内容进行整理：
金融数字化面临的挑战和趋势金融数字化的场景其实大家日常生活中经常遇到，例如银行ATM机刷脸取款、手机银行人脸识别核验身份、疫情期间网点使用红外技术检测体温等，还有通过手机APP直接来识别身份证、银行卡，不必再手动输入相应字段信息等各种场景。

文章图片
金融机构应用AI一方面是为了合规，通过验证身份来验证每笔交易的真实性，另一方面是用机器代替了人工识别，既提升了效率，也降低了人为因素可能导致的错误率。
可以预见， AI技术是金融机构未来大幅提升效率、快速办理业务的基础。这样的场景还有更多，例如银行内部各种审核流程、单证流转，传统银行业务用纸质完成，现在用数字世界的识别能力将它们电子化。比如银行业务中涉及到的手写签名比对、密码验证、识别笔迹、印章的真伪性，以及系统将手写单据录入至系统中再将其作为指令发送出去，包括一些线下网点提供的远程机器人业务办理服务，背后涉及多个银行业务系统的多套单元操作。今天的AI技术已经可以做到几乎代替人工自动化地去完成单个的步骤和复杂的流程操作。
这些场景对AI能力要求越来越高。那么在金融这样特殊的业务场景下，有哪些相较于一般应用场景的特殊需求？

文章图片
首先，金融机构严格的监管以及数据的私有化决定了数据获取成本很高，考验AI能否用更少的数据解决同样的问题；第二，基于少量数据样本训练的AI模型是否能达到非常高的准确率去很好地解决业务问题；第三，业务场景非常多，例如银行、保险、证券等场景涉及不同业务规则、流程操作，金融机构往往希望模型快速上线，一年内开发100个流程应用涉及到的模型可能有1000多个，这些挑战决定了需要不同AI模型和应用的组合能力来解决复杂业务问题。
能不能让模型生产变成流水线？其实就是“大模型+小数据”最典型的场景。
接下来，我们回顾一下AI技术的发展趋势。

文章图片
1997年5月份， IBM的深蓝电脑以3.5:2.5击败了当时的国际象棋世界冠军卡斯巴罗夫。 2016年， AlphaGO以4:1击败李世石，又是引起一阵轩然大波。跨越了将近20年的时间， AI虽然得到了长足的发展，但是应用也仅仅是刚刚开始。其中背后的技术到底发展了多少？