《百炼成金-大金融模型新篇章》––13.Al原生应用实施路径

简介: 百炼必定成金,新质生产力会催生新质劳动力,谨以此文抛砖引玉,希望与业内的各位朋友一同探讨如何积极拥抱并运用大模型技术,以应对和驾驭不断变化的市场环境,实现科技金融持续稳定的提质增效和创新发展,携手开启金融大模型未来新篇章。

本文来源于阿里云社区电子书《百炼成金-大金融模型新篇章》


2、AI 原生应用实施路径


大模型技术仍在飞速发展,国内外大模型厂商的产品快速推陈出新,在商业化大模型和开源大模型社区,每个月、每周、甚至每天都有新的模型和框架出现。同时,算力资源短期内将持续紧张,大规模应用的铺开,直接导致对模型推理资源的需求持续上涨,而金融机构不仅要解决资源的供给问题,还需要持续提升算力的使用效率,支撑企业大模型场景的全面落地。


金融机构一直是 IT 技术的先行者,在数字化转型和技术创新方面不断寻求突破。如何能跟上大模型技术的快速发展,不掉队,客观理解新技术,快速识别合适场景,验证大模型的技术与业务价值,成为了企业面临的首要问题。“百舸争流,奋楫者先”,我们提出一条可行的路径,在解决算力资源短缺的同时,又能保障金融机构用上最新的大模型技术,为业务与客户带去价值。


image.png


“云上试航”:快速完成大模型可行性与价值验证


大语言模型横空出世,带来的不仅仅是单点技术的创新,更是全套技术栈的革新。GPU服务器、大模型全周期管理平台、推理加速框架、RAG 知识增强、Multi-Agent 智能体,这些新的事物在不停地刷新技术从业者的认知。以上种种技术,要在客户 IDC 完整搭建一套,难度极高成本极大,尤其是在大模型的价值尚未被完全验证与挖掘的前提下。


这个阶段,金融云成为了企业的最佳选择。算力层面,云厂商资源储备充足,为客户提供了多样化的算力选择,且弹性按需付费;模型层面,主流云厂商不仅提供商业化大模型,还提供业界优秀的开源大模型服务,客户可按需自由选择,以 MaaSAPI 的方式调用;平台工具层面,更是为客户提供了极大的选择空间,从大模型全周期管理平台到智能体应用,从检索引擎到向量数据库,以上这些,企业都可以灵活组合使用,快速验证新技术的价值,避免前期无谓的投入和时间浪费。


“小步快跑”:大模型应用试点的选择与落地


过去一年,大模型在金融机构的应用,也经历了快速的发展。最初期的尝鲜者们,都从RAG 知识问答场景开始,通过构建企业级知识库,引入大模型技术,充分感受其在语言理解与生成上的能力。随着大模型自身变得更加成熟,以及从业者对大模型的技术掌控力增强,大模型的应用已经从最初的“问答机器人”,开始渗透到金融行业的核心业务流程当中,并开始扮演 Copilot(辅助驾驶)的角色,提升员工工作效率,提升客户服务效果。


在银行行业智能客服领域,大模型被用于识别客户意图和情绪,为客服人员提供话术辅助与推荐;在证券行业投研投顾领域,大模型被用于读取海量的研报、资讯,以自然语言的方式提供观点问答和内容摘要等服务;在保险行业核保领域,大模型被用于理解复杂的核保政策,针对客户提交的材料做合规性审核与保险计划生成。这些被验证过的场景,都适合处于大模型建设初期的金融机构作参考,选择 2-3 个相对有容错性、投入产出比高的作为试点。


在这个阶段,可暂不考虑太多平台化的事情,宜采用“以用带建”的思路,选定场景后,引入一个经过验证的商业化大模型,提供持续稳定的服务和安全合规方面的保障。工程上可以在大模型应用层面,选择轻量化的 RAG、Agent 产品,配合商业化大模型,对外提供 MaaSAPI 的调用以及 Workflow 编排能力,快速支撑业务场景的落地。


“平台筑基”:建设 LLMOps 技术栈,实现中台化管理


走过试点阶段后,企业内大模型应用将会全面铺开,这时就不再适合从某几个应用出发单独建设了,技术团队需要在平台层面做整体规划,基于业界领先的 LLMOps 理念,围绕大模型的构建与应用流程,构建大模型全周期管理平台,实现基础能力的中台化管理与服务,支撑大模型在多业务场景的快速落地。


具体来讲,大模型全周期管理平台主要包含两个部分。模型中心,主要承载模型层面相关工作,语料管理、模型微调、推理加速、模型评测等;应用中心,在模型之上,提供 RAG 知识库、Multi-Agent 框架、Prompt 工程、Workflow 编排等能力,支撑业务快速基于大模型的能力,构建起应用链路。


企业在小步快跑阶段会使用一些主流开源框架做快速落地,例如:LlamaIndex、OpenAI的 AssistantsAPI。到了平台化阶段,不仅要考虑低代码大模型开发范式的支持,同时要考虑全代码开发范式,面向技术人员提供高效的开发与集成框架,并兼容主流开源框架,实现原有应用的平滑迁移到平台上。


“云端融合”:大模型混合云架构,充分利用云上资源


随着大模型应用全面铺开,场景从服务内部为主,转向直面外部 C 端客户,对大模型推理资源的需求会呈指数级增加。从当前大模型技术发展趋势和落地案例来看,未来推理服务会成为大模型资源需求的绝对主力。


正如前文例子,部署一个 72B 大模型推理实例,需要 3 张 A100(80G)的资源。当业务上需要 50 并发时,需要的 GPU 卡的数量在 200 张左右 A100(80G)。无论从供给资源还是采购成本来讲,这都是一笔不小的成本。在这个阶段,算力资源会再度成为制约企业全面拥抱 AI 大模型的瓶颈。通过构建混合云架构,在安全合规的前提下,把本地算力作为固定资源池,同时把云上充足的弹性资源使用起来,成为金融机构在大模型时代的最佳选择。

相关文章
|
存储 人工智能 Kubernetes
《百炼成金-大金融模型新篇章》––10.金融级AI原生的六大要素(1)
百炼必定成金,新质生产力会催生新质劳动力,谨以此文抛砖引玉,希望与业内的各位朋友一同探讨如何积极拥抱并运用大模型技术,以应对和驾驭不断变化的市场环境,实现科技金融持续稳定的提质增效和创新发展,携手开启金融大模型未来新篇章。
319 1
|
4月前
|
存储 API
通义点金案例分享:表格修订
本文介绍了在通义点金平台搭建知识库时遇到的表格解析问题及解决方案。问题表现为表格数据被独立存储为chunk,缺少前后说明文字和表名信息,导致大模型回答错乱。解决方法是通过API将前后chunk内容合并到table类型的chunk中,补充表名和说明信息。具体步骤包括获取文档chunk列表、按顺序排序、修订table类型chunk并更新。示例展示了修订前后效果,同时说明了点金平台近期更新对部分问题的优化情况。
181 2
|
7月前
|
人工智能 自然语言处理 机器人
招商银行X通义大模型 ,2024年度AI最佳实践案例!
招商银行X通义大模型 ,2024年度AI最佳实践案例!
|
存储 人工智能 自然语言处理
《百炼成金-大金融模型新篇章》––11.构建金融级AI原生的蓝图
百炼必定成金,新质生产力会催生新质劳动力,谨以此文抛砖引玉,希望与业内的各位朋友一同探讨如何积极拥抱并运用大模型技术,以应对和驾驭不断变化的市场环境,实现科技金融持续稳定的提质增效和创新发展,携手开启金融大模型未来新篇章。
348 4
|
人工智能 数据管理 API
精铸智刃·“百炼”成钢——深度探索阿里云百炼大模型开发平台
阿里云百炼平台是一个一站式的大型语言模型开发和应用平台,旨在帮助企业与开发者高效构建和部署定制化的大模型。平台集成了通义大模型、行业模型和第三方模型,提供模型微调、模型调优、模型部署、模型评测等工具链。用户可以轻松创建和管理模型,通过模型广场选择合适的模型,进行模型体验和调优,然后部署模型以供应用调用。
73956 14
精铸智刃·“百炼”成钢——深度探索阿里云百炼大模型开发平台
|
11月前
|
人工智能 供应链 数据可视化
数字孪生:制造业的智能化转型
【10月更文挑战第31天】数字孪生技术利用虚拟现实、人工智能和云计算等技术,将实体对象数字化,实现精准、可靠的实时监测和数据分析,优化产品开发和生产过程。本文探讨了数字孪生在制造业中的应用,包括产品研发、生产过程管理和供应链协同,并分享了青岛工业互联网平台和中联重科塔机智能工厂的成功案例,展望了其未来的发展前景。
|
存储 Java
|
机器学习/深度学习 数据采集 人工智能
【AI在金融科技中的应用】详细介绍人工智能在金融分析、风险管理、智能投顾等方面的最新应用和发展趋势
人工智能(AI)在金融领域的应用日益广泛,对金融分析、风险管理和智能投顾等方面产生了深远影响。以下是这些领域的最新应用和发展趋势的详细介绍
1429 1
|
Ubuntu Linux 虚拟化
VMware安装centos7教程(1)
VMware安装centos7教程(1)
305 1
|
人工智能 算法 调度
《百炼成金-大金融模型新篇章》––10.金融级AI原生的六大要素(3)
百炼必定成金,新质生产力会催生新质劳动力,谨以此文抛砖引玉,希望与业内的各位朋友一同探讨如何积极拥抱并运用大模型技术,以应对和驾驭不断变化的市场环境,实现科技金融持续稳定的提质增效和创新发展,携手开启金融大模型未来新篇章。
295 1