Mit jelent a generatív mesterséges intelligencia? Hol tartunk az AI alkalmazásában és hol leszünk 2030-ban? Melyek a legforróbb alkalmazási területek a pénzügyi szektorban és mire érdemes figyelni egy nyelvi modell építésekor? Ezekre a kérdésekre is kitértek az “AI és a digitalis bankolás” üzleti reggelin a Finshape, az OTP Bank, az IVSZ, az AI Partners és az MNB vezetői, szakértői. Kétrészes exkluzív beszámoló a FinTechZone-on.
A generatív mesterséges intelligencia felhasználási lehetőségeivel a pénzügyi szektorban, az akutális trendekkel és megoldásokkal részletesen is foglalkozunk ősszel a FinTechShow-n és a BankTechShow-n.
Az cikk első részének témái:
- Megbecsülhetetlen az AI fejlődésének sebessége
- Mi a generatív mesterséges intelligencia?
- Hol tartunk az mesterséges intelligencia alkalmazásában?
- Épül a magyar nyelvi modell
- Az AI fejlődésének üteme jóval meghaladja a szabályozás ütemét
A cikk második részének témái:
- Az AI legforróbb területei a pénzügyi szektorban
- Hol leszünk 2030-ban?
Megbecsülhetetlen az AI fejlődésének sebessége
Tavaly november végén robbant be az életünkbe a ChatGPT.
5 nappal később a felhasználók száma meghaladta az egymilliót.
Összehasonlításképpen, ezt az egymilliós bűvös határt a Netflix 3,5 év alatt, a Facebook 10 hónap alatt, az Instagram pedig 75 nap alatt érte el.
A ChatGPT-t az indulás után két hónappal már több mint 100 millióan használták aktívan. Idén márciusra az aktív felhasználók száma pedig már meghaladta az egymilliárd főt is.
Tavasszal megjelent a GPT új verziója a GPT-4, ami a Microsoft BING keresőjében elérhető mindenki számára.
A Google a májusi I/O konferenciáján bejelentette a legújabb mesterséges intelligencia nyelvi modelljét, az OpenAI GPT-4 riválisának szánt PaLM 2-t. Sundar Pichai, a Google vezérigazgatója így nyilatkozott az új modellről:
A PaLM 2 modellek erősebbek a logika és az érvelés terén, köszönhetően az ezeken a területeken végzett széles körű képzésnek. A PaLM 2 többnyelvű szövegeken való képzése – több mint 100 nyelven – jelentősen javította a különböző szövegalapú feladatokban való jártasságát, többek között a következtetés, a kódolás és a fordítás terén.
A PaLM 2-t használja a Google chatbotja a Bard. Emelett a Google Workspace alkalmazások, például a Dokumentumok, a Diák és a Táblázatok funkcionalitásának bővítésére is felhasználásra kerül.
A konferencián a Google azt is megerősítette, hogy útban van a multimodális Gemini modelljük, amely hangot, képet, videót, szöveget lesz majd képes befogadni és értelmezni.
A Google elmondása szerint a Gemini rendkívül hatékony az eszközök és API-k integrálásában, és a jövőben olyan innovációkhoz vezethet a mesterséges intelligencia területén, mint a memória és a tervezés.
Mi a generatív mesterséges intelligencia?
Először arra tanítottuk a mesterséges intelligenciát, hogy valamit megértsenek. Megértsék, hogy mi van egy adott képen, leírják, mi van egy szövegben.
Ezt mára sikerült annyira megtanítani nekik, hogy most megfordítottuk a történetet. Nem az eredményt mondjuk meg neki, hanem azt, hogy mit csináljon és az AI-nak kell az eredményt elérnie.
Például megmondjuk neki, hogy mi legyen egy képen és az alapján a mesterséges intelligencia generál egy képet. Vagy megadjuk neki, hogy milyen témában írjon blogbejegyzést, milyen célcsoportnak és elkészíti a szöveget.
A szakértő kihangsúlyozta
a generatív mesterséges intelligencia nem keresőmotor. Jellemzően egy általános zajból képez valami konkrétat, de nem megkeresi azt, hanem ő hozza létre.
A keresőmotorok az interneten elérhető tartalmak alapján keresnek és megjelenítik a találatot egy az egyben. A ChatGPT ezzel szemben például a 2021. szeptemberéig betöltött adatokat dolgozta fel magának és ebből létrehozott egyfajta intelligenciát, aminek “mellékterméke”, hogy hogy a betöltött adatok egy bizonyos részét elő tudja hívni.
Bár május 12-e óta a ChatGPT már kereső képességekkel is rendelkezik, így megadhatjuk neki a “keresd meg nekem a neten azt, hogy…” kérést, de ebben az esetben a ChatGPT meghív egy keresőmotort és az így begyűjtött adatokat a saját intelligenciája mentén beépíti a szövegbe.
A generatív mesterséges intelligencia eljutott arra a szintre, hogy ha felismeri, hogy egy adott szövegben valamilyen tényszerű adatot, vagy levezetést kellene közölnie, de arra ő nem alkalmas, akkor meghív egy másik alkalmazást.
Ilyen alkalmazás lehet például a Wolfram Alpha.
Hol tartunk az mesterséges intelligencia alkalmazásában?
A tradicionális cégek jellemzően a kísérletező vagy bevezető fázisban vannak. A kísérletezők kipróbálnak pár alkalmazási területet, de igazából bizonyosságot várnak a folytatáshoz.
A következő szintugrás akkor jön el, amikor rájön a cég, hogy szervezeti szinten, szélesebb spektrumban célszerű vizsgálni ki-mire tudná használni a technológiát. Ekkor már megjelenik az adatvezérelt szervezet, mint cél. Kelet-Európában jellemzően ez a cél jelenleg, elérni az adatvezéreltségi szintet.
Ami nagyot változott november óta, hogy mindenkiben tudatosodott, gyorsabb a változás, mint ahogy be lehet vezetni. Teljesen máshogy kell a fejlesztési feladatokhoz hozzáállni. Beindult az adaptációs képesség beépítése a szervezetekbe.
– emelte ki Szertics
Emellett a szakértő megjegyezte:
Szinte mindenhol szélesebb az olló, mint ahogy gondoljuk és nagyobb különbség van a cégek között, mint az országok között.
További észlelés, hogy minél nagyobb egy bank, annál nagyobb a szervezeti egységek közötti különbség képességekben, mint a cégek között. Nagyon függ a helyzet attól, van-e erős értéssel és vízióval rendelkező vezető.
Vinnai Balázs, az IVSZ elnöke a magyarországi helyzettel kapcsolatban nem túl rózsás helyzetről számolt be. A DESI index szerint, amely a társadalom és vállalkozások digitalizációs szintjét, képességét méri, a hazai nagyvállalatok és KKV-t egyaránt lemaradásban vannak.
A hazai KKV-k 40%-ának nincs például honlapja.
Vinnai ugyanakkor kiemelte, hogy az ún. “leapfrog” képesség a digitalizációban komoly lehetőséget adhat azoknak, akik jelenleg le vannak maradva.
Abban bízhatunk, hogy az AI egy ilyen “leapfrog”-ot fog okozni itthon a vállalati digitalizáció területén.
Épül a magyar nyelvi modell
Az OTP Bank 2021. októberében bejelentette, hogy egy mesterséges intelligenciára optimalizált környezet, ún. szuperszámítógép fejlesztésébe kezd a Technológiai és Ipari Minisztériummal együttműködésben. Schin Lotár, az OTP Bank AI szakértői csapatának vezetője a beszélgetés alkalmával megosztotta a projekttel kapcsolatos eddigi legfontosabb tapasztalatokat.
Az első kihívás, amivel szembesültek az volt, hogy a magyar nyelv digitálisan nagyon alacsony ellátottságú nyelv. Nagyon kevés a digitálisan rendelkezésre álló anyag.
Másfél éve a bank azon dolgozik, egyetemi együttműködésben az ELTE-vel közösen, hogy a mintaelemszámot drasztikusan megnövelje. Ehhez, az együttműködés keretében szkennelt dokumentumokat digitalizálnak.
A tervek szerint a nyáron jutnak el oda, hogy már egy olyan méretű modellben lehet gondolkodni, ami 20-30 milliárd paraméterrel rendelkezik.
A nyelvi modell építéséhez kapcsolódó további fontos tényezőként emelte ki az AI szakértő, hogy már a modell születése előtt el kell dönteni, csak egy nyelvre építik, vagy cél a többnyelvűség, mert ez később nem módosítható hatékonyan.
Regionális szinten jelen lévő társaságként számukra a cél az, hogy egy nagyon erős magyar nyelvi képességekkel rendelkező, de többnyelvű modellt alkossanak.
Az egy kihívás, hogy egy 12 országban jelen lévő bankcsoport számára hogyan lehet jó minőségű modellt építeni. Ennek megoldása az adatgyűjtéssel kezdődik.
Van egy olyan rossz tulajdonsága az AI modelleknek, hogy tudnak ragyogni, ha van elég adat, de gyalázatos teljesítményt tudnak nyújtani, hogy az adat iránti éhségüket nem tápláljuk.
Az adat, az adatnak az ismerete és szabályozása kulcsfontosságú. A beszélgetés során Schin Lotár kiemelte:
Az a szervezet tud az AI használatába, illetve fejlesztésébe sikeresen belevágni, amely kellő tudással és tudatossággal rendelkezik azzal kapcsolatban, hogy milyen adatok birtokában van, azok hol és hogyan érhetők el, mennyi idősek, ki a gazdája, stb.
Az AI fejlődésének üteme jóval meghaladja a szabályozás ütemét
Az EU két éve készíti elő azt az AI rendeletet (aka: AI Act), amelynek célja, hogy a mesterséges intelligencia fejlesztésének és alkalmazásának szabályait meghatározza. A tervek szerint a jogszabály elfogadására idén év végén, legkésőbb 2024 elején sor kerülhet.
Fáykiss Péter, az MNB digitalizációs igazgatóságának vezetője elismerte, a mesterséges intelligencia fejlődési üteme messze meghaladja a szabályozás ütemét.
Ray Kurzweil 2014-ben a CNBC-nek azt nyilatkozta, 2029-re lesz olyan mesterséges intelligencia, ami a Turing teszten átmegy. Ehhez képest az látható, hogy 1-2 éven belül már ez megtörténhet. Az látható, hogy a fejlődés még annál is gyorsabb, mint amit a témával aktívan foglalkozó kutatók előrevetítettek.
– jegyezte meg Fáykiss
Amikor az AI rendeletet elkezdték összeállítani még messze voltunk attól, ahol az AI most tart.
Az a keretrendszer, amelyben a szabályozó elkezdett gondolkodni, már részben elavult, pedig még hatályba sem lépett.
Az alapelv ugyanakkor, amely 4-féle kockázati kategóriába sorolná a mesterséges intelligencia felhasználásával fejlesztett megoldásokat, hosszabb távon érvényes lehet
– tette hozzá Fáykiss.
Az AI Act kockázatalapú megközelítés alapján négy típusú kockázati szintet határozna meg:
- Elfogadhatatlan kockázatú MI: használatát teljesen tiltanák.
- Magas kockázatú MI: alkalmazását többek között szigorúbb adatvédelemhez, kötelező dokumentációhoz, tájékoztatási kötelezettséghez, emberi felügyelet alkalmazásához, és előzetes megfelelőségértékeléshez kötnék. Példák a pénzügyek területén: biometrikus azonosítás, hitelképesség vizsgálat, munkaerő toborzás, biztosítás scoring.
- Korlátozott kockázatú AI: az átláthatóság és tájékoztatási kötelezettség itt is megjelenik elvárásként. Példák: chatbotok, érzelemfelismerő rendszerek.
- Minimális kockázatú AI: nincs külön kötelezettség. Ebbe a kategóriába tartozhat például a spam szűrő használata.
Vitályos Áron, a Finshape magyarországi értékesítésért felelős vezetője ugyanakkor az alkalmazások besorolásánál tapasztalt nehézségnek adott hangot.
Az IVSZ szabályozási munkacsoportjában az egyes felhasználási esetek besorolhatóságára tettek kísérletet és azt tapasztalták, hogy amíg általánosságban az esetek 40%-ának a besorolása meglehetősen nehézkes, ugyanez a pénzügyi szektorban lényegesen magasabb.
A pénzügyi szektorban a use case-ek 70%-ánál nem határozható meg egyértelműen, hogy az AI alkalmazása magas vagy alacsony kockázatú.
Haniker Sára, a Finshape data science szakértője példaként megemlítette, hogy míg egy PFM (Personal Finance Manager) alkalmazás alapból az alacsony kockázatú csoportba tartozik, ha az alkalmazásban már olyan funkció is elérhető, amelynek segítségével az ügyféllel kommunikációt folytatunk, a besorolás változhat!
Fáykiss a téma kapcsán a szabályozók belső edukációjának fontosságára is felhívta a figyelmet.
A szabályozó hatóságoknál az egyik legnagyobb kihívás az, hogy lesz-e megfelelő tudás ahhoz, hogy megértsék a mesterséges intelligencia működését. Az AI esetében különösen fontos lesz, hogy a szabályozó is felvértezze magát azokkal a képességekkel és ismeretekkel, amelyek elengedhetetlenek az ellenőrző funkciójának betöltéséhez.
Az MNB ezen képességek kialakításán már jó ideje dolgozik, a digitalizációs igazgatóságon van egy technológiai csapat, akik maguk is dolgoznak gépi tanulásos, mesterséges intelligencia modelleken.
Fotó forrása: Finshape
