德意志银行将进一步加快 AI和机器学习卓越中心的发展
德意志银行本周三(2022 年 12 月 7 日)宣布与 NVIDIA 展开合作,致力于加快 AI 和机器学习在金融服务领域的应用。
在宣布展开合作之前,双方已通过数月的测试来探索能够支持该银行 2025 年及之后战略目标的用例。
NVIDIA 创始人兼首席执行官黄仁勋表示:“加速计算和 AI 已经发展至引爆点,我们正在通过云计算,让全球企业都能应用到这些技术。未来商业的各个方面都将被以光速前进的洞察和智能加速。我们正在携手德意志银行,对金融服务的运营和交付方式进行现代化重塑。”
AI 蕴含着巨大的潜力。据麦肯锡估计,AI 技术每年可为全球银行业创造高达 1 万亿美元的额外价值。
德意志银行总部位于法兰克福,是一家全球领先的投资银行,在全球 58 个国家拥有超过 8 万名员工。
德意志银行的相关举措有望加快其为全球客户提供服务、开发全新数据驱动型产品和服务、提高效率以及招募科技人才的速度。
德意志银行和 NVIDIA 的合作将首先重于三个潜在的实施项目,志在后续数年内将合作范围扩大到一百多个项目。目前双方已就此展开了探索。
通过NVIDIA AI Enterprise软件,德意志银行的 AI 开发者、数据科学家和 IT 专业人士将能够在任何地点构建和运行 AI 工作流,包括在其托管的本地数据中心内和该银行的公有云提供商——Google Cloud 上(相关新闻:《NVIDIA 于同日发布 NVIDIA AI Enterprise 3.0》)。
新一代风险管理
价格厘定、风险评估和模型回测都需要在大规模传统 CPU 服务器网格农场上进行密集计算。加速计算能够实时提供更加准确的结果,助力为客户创造更高的价值,同时将总成本降低多达 80%。
许多通常在深夜处理的银行功能,例如风险评估,现可借助加速计算实时运行。
交易员通过在更加节能的网格农场上更快地运行更多场景,实现风险管理方式的飞跃。
借助互动性虚拟形象,重新定义个性化客户服务
德意志银行正在探索如何增进与员工、面试候选人和客户的互动,利用 3D 虚拟形象,提升 24 小时全天候实时体验品质。
德意志银行在一个早期的潜在实施项目中创建了一个 3D 虚拟形象,其能够为浏览内部系统的员工进行导航,并为其回答人力资源相关问题。
未来用例将探索如何为银行客户提供沉浸式元宇宙体验。
从非结构化数据中挖掘洞察
长期以来,从非结构化数据中提取关键信息的难度颇高,但现有大型语言模型在金融文本上的表现并不理想。
2017 年出现的 Transformer 是一种能够基于数据来理解上下文,并由此理解意义的神经网络,它能够改变这种情况。
预训练模型在文本生成、翻译,甚至软件编程等方面的性能都十分出彩,已成为新一代 AI 的基础。
德意志银行和 NVIDIA 正在测试一组被称为“金融 Transformer”(Financial Transformer,简称 Finformers)的大型语言模型。
这些系统将能够发出交易方风险预警信号,更快速地检索数据,并发现数据质量问题。
探索NVIDIA 的 AI 解决方案和企业级 AI平台如何推动金融服务创新。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。