机器仍然不被信任的工作

NextFin News — 在过去的一年里，越来越多的银行、经纪公司和基金公司内部人士发现，曾经耗费整个假期的任务被缩减到一个下午。研究人员勾勒出一个框架，将源材料输入系统，应用一些内部技能模板，并收到一份已经包含引文和连贯叙述的结构化草案。 2020年同样的工作，需要几天的手工提取，与量化同事协调，反复修改。这一变化非常具体，几乎业内每个人都有亲身经历的例子。这种转变的时机并非偶然。今年，领先的模型提供商和国内平台纷纷快速进军金融应用，推出专门的代理、工作台和面向消费者的界面。根本原因是实际的而不是推测的。金融产生大量结构化和半结构化文本——文件、公告、研究报告、交易记录。日常工作的大部分内容是查找、比较和总结这些材料。一旦系统可以限制在批准的数据源、强制附加引文并记录以供以后审计，机构就愿意让它们处理工作流程的外层。为什么现在大门打开 有两个技术门槛很重要。专门模型的事实摘要任务的幻觉率已经降得足够低，以至于错误可以被视为可检测到的而不是灾难性的。检索系统将答案保存在机构认可的语料库中。每个调用都可以记录其输入、输出和源链接，将早期的绝对禁止转变为可管理的操作风险。机构不要求零错误；他们要求有能力发现并纠正错误。第二个门槛是从单轮响应转向多步代理。曾经需要人类在数据终端、电子表格和文档草稿之间移动的研究过程现在可以分解为协作的子任务：收集文件、提取关键指标、应用加权框架、起草比较部分。当这个循环结合在一起时，该工具就不再是一个更快的搜索框，而是开始充当一个从不睡觉的初级同事。与其他一些人工智能应用领域相比，市场规模仍然不大，但增长率却是最高的。机构已经为外部数据终端和初级员工支付了大量费用，他们将大量时间花在重复提取和格式化上。替换或增加这些层的回报很容易计算。三种方式 平台并没有集中在单一的产品形态上。有些提供现成的专业工具：用于背景调查、模型构建、协调或推介准备的模板，并连接到主要数据提供商。部署相对较轻。用户在熟悉的聊天或笔记本界面中工作。优点是采用速度快；其局限性在于该系统仍处于机构的核心许可和审批链之外。其他人则在公司自己的网络内建造更重的工作台。信用尽职调查、研究成果和面向客户的咨询流程都经过重新设计，以便人工智能在现有访问控制下运行并留下完整的审计跟踪。安装时间更长、成本更高，但一旦系统被嵌入，移除就变得更加困难。培训、数据接口和合规记录都强化了这一承诺。第三种方法将界面置于零售用户面前。普通投资者打开应用程序，询问股票或基金，并收到来自合作机构的答案。对于该平台来说，奖品是大量用户群的日常财务关注。对于机构来说，这是另一个分销渠道。责任、许可和信任要求使这条路线成为三条路线中要求最高的。仍然阻碍自动化的因素 在办公桌上，生产力的提高集中在工作的早期阶段。现在，收集公开文件、清理表格、起草说明的标准部分以及总结财报电话会议的速度更快。曾经以这些任务为中心的初级角色感受到的压力最为直接。更高价值的工作位于更下游。一旦收集到数据，就可以判断一个行业是正在转向还是只是振荡，一家公司的指引是保守还是乐观，一项交易在当前流动性制度下是否有意义——这些评估仍然依赖于公开文件中未充分体现的经验。机构不愿意将最独特的内部方法或最敏感的未公开数据交给任何外部系统。构成银行业历史核心的贷款和存款流程在很大程度上仍处于当前人工智能的覆盖范围之外。数据所有权创造了另一个边界。