《生成式AI在金融领域的应用与挑战》
该文探讨了生成式AI（gen AI）在企业功能，尤其是金融领域中的潜力和应用。通过一项对大约75家大型组织的首席财务官（CFO）的调查发现，有22%的企业正在积极探索gen AI在财务部门的应用，并有4%的企业正在进行技术试点。
然而，这种热情受到了安全、隐私、准确性、版权和社交操纵等担忧的限制。特别是在金融领域，由于数值数据和数学操作的准确性至关重要，人们担心gen AI系统可能产生不准确或误导性信息，即所谓的“幻觉”。
案例研究：欧洲消费品公司的gen AI助手
一家欧洲消费品公司开发了一款为财务专业人员和业务用户设计的proof-of-concept gen AI助手。该工具在六周内由数据科学家、工程师和财务专家团队构建。它允许用户以日常语言提出关于财务表现的问题，并迅速获得有助于理解和解释数据的答案。
实施策略：
-
聚焦高影响力、内部面向的用例：gen AI试点项目应解决组织的实际问题，避免创造新问题。这需要高度控制输入模型的数据，并设计出最小化安全挑战和数据滥用风险的解决方案。该公司的选择是一个内部数据集和一个熟悉它的用户组。
-
组建适合任务的工具和能力：多种gen AI解决方案可供选择，从本地部署到基于云的服务，选择取决于数据敏感性和特定需求。利用现有的IT和数字基础设施可以缩短开发时间，并确保gen AI解决方案与现有工作流程无缝集成。公司组建了一个跨职能团队，包括数据科学家、IT工程师和财务高级成员，以推动开发过程。
-
保持人类参与：团队重视用户界面的设计，保持一致的结构和外观，以提供直观的用户体验。用户希望快速浏览财务数据并获取所需信息，因此工具提供了即时图形可视化结果，便于员工吸收和解读答案。所有数据也以表格形式提供，可与其他分析工具共享。
-
利用gen AI的优势：尽管gen AI在许多任务中表现出色，但其他技术可能更适合整体解决方案的部分。通过将gen AI独立于其他技术处理的功能分离，组织可以增强构建工具的稳定性和性能。对于大型语言模型（LLMs）而言，一个限制是数学运算能力不足，因为它们旨在处理自然语言，而不是精确计算。
-
优化提示：为了减少错误和“幻觉”的机会，团队精心设计了触发gen AI系统的提示。简短而简单的提示鼓励LLM产生更可预测的结果，同时也提高了效率，因为gen AI系统的工作负载与其每次交互处理的语言“令牌”数量密切相关。
-
构建健壮的测试环境：成功开发gen AI模型需要快速测试和验证的能力。团队构建了一个全面的自动化测试套件，使用高级财务分析师提供的优先查询列表运行测试，并使用测试结果进行进一步调整和操作。
-
建立有效的治理体系：随着企业从试点项目转向主流采用gen AI工具，需要建立适当的治理框架来维持质量并大规模管理风险。这可能包括持续监控和审计机制，确保系统行为符合既定的道德准则。跨职能团队由AI专家、伦理学家和法律顾问组成，评估AI模型和应用的潜在偏见或道德问题。
结论：
生成式AI正在改变金融专业人士的工作方式，并在更广泛的领域带来变革。要充分利用这些令人兴奋的新技术的同时控制风险，企业必须在软件开发和数据分析能力上进行投资，并建立强大的框架来管理风险。
