ظهور مدلهای متنباز، استراتژی هوش مصنوعی در صنعت مالی را تغییر میدهد
مدلهای متنباز؛ گزینهای ارزانتر برای بانکها
با افزایش توانایی مدلهای Open-Weight، فشار برای کاهش قیمت خدمات هوش مصنوعی نیز بیشتر شده است. کریس گریفین، همبنیانگذار پلتفرم بانکداری دیجیتال Narmi، میگوید بسیاری از کاربردهای بانکی به قدرتمندترین مدلهای موجود نیاز ندارند.
برای مثال، وظایف پرتکراری مانند دستهبندی و غنیسازی تراکنشهای مالی میتوانند با استفاده از مدلهای سادهتر و ارزانتر انجام شوند.
گریفین معتقد است هرچه این مدلها پیشرفتهتر شوند، مؤسسات مالی گزینههای مقرونبهصرفهتری برای استفاده گسترده از هوش مصنوعی در اختیار خواهند داشت.
«مدلهای متنباز میتوانند گزینههای اقتصادیتری برای استقرار هوش مصنوعی در مقیاس بزرگ در اختیار مؤسسات مالی قرار دهند.»
یک بانک مدلهای متنباز را روی کامپیوترهای مک اجرا میکند
Thread Bank طی ماههای اخیر آزمایش مدلهای متنباز را افزایش داده است. این بانک برخی مدلهای زبانی بزرگ را دانلود کرده و بهصورت آفلاین روی Apple Mac Studio اجرا میکند.
به گفته مارتی میراکل، مدیر ارشد دیجیتال و مدیر ارشد ریسک این بانک، برخی از این مدلها در مقایسه با مدلهای پیشرفتهتر، کاربردیتر، ارزانتر یا حتی به همان اندازه قدرتمند بودهاند.
این بانک اخیراً حتی یک راهکار برای بررسی انطباق محتوای بازاریابی با مقررات را با استفاده از یک مدل متنباز توسعه داده است.
هزینه مدلهای متنباز چقدر کمتر است؟
طبق برآوردهای مطرحشده در صنعت، مدلهای متنباز میتوانند ۱۰ تا ۵۰ برابر ارزانتر از مدلهای پیشرفته (Frontier Models) باشند. در برخی کاربردها نیز اختلاف هزینه میتواند حتی بیشتر شود.
مدلهای Open-Source معمولاً برای دانلود در دسترس هستند و امکان شخصیسازی بالایی دارند؛ در مقابل، مدلهای Frontier عمدتاً اختصاصیاند و کاربران از طریق API به آنها دسترسی پیدا میکنند.
از مدلهای شناختهشده در این حوزه میتوان به موارد زیر اشاره کرد:
- Llama از شرکت Meta
- Gemma از شرکت Google
- DeepSeek R1
- Ministral از شرکت Mistral AI
بانکها هنوز به مدلهای قدرتمند نیاز دارند؛ اما نه برای همه کارها
مؤسسات مالی همچنان به مدلهای پیشرفته نیاز دارند، اما کارشناسان معتقدند استفاده از این مدلها باید هدفمندتر شود.
اندرو مور، مدیرعامل شرکت فینتک Lovelace AI و مدیر سابق Google Cloud AI، میگوید بانکها همچنان به مدلهای Frontier نیاز دارند، اما دفعات استفاده از آنها کمتر خواهد شد.
به گفته او، برای بسیاری از کارهای روزمره حتی استفاده از قدرتمندترین مدلهای هوش مصنوعی ضروری نیست. برای نمونه، کار سادهای مانند بازنویسی یک ایمیل لزوماً به پیشرفتهترین مدل Claude از Anthropic نیاز ندارد.
«مسیریابی مدلها» به راهکار جدید بانکها تبدیل میشود
یکی از راهکارهای مهم برای کاهش هزینه، استفاده از فناوری Model Routing یا مسیریابی مدلها است.
در این روش، سیستم هوش مصنوعی بر اساس نوع درخواست تصمیم میگیرد از کدام مدل استفاده کند:
- کارهای ساده: مدلهای متنباز و ارزانتر
- وظایف پیچیده: مدلهای Frontier قدرتمندتر
- پردازشهای پرتعداد: مدلهای کمهزینه با قابلیت اجرای محلی
ساهیل ساگار، مدیر ارشد اطلاعات و هوش مصنوعی شرکت Greystone، معتقد است بانکها باید بیش از گذشته از این روش برای مدیریت هزینه استفاده کنند.
رقابت جهانی برای مدلهای متنباز هوش مصنوعی
رقابت در بازار مدلهای متنباز تنها به شرکتهای آمریکایی محدود نیست. DeepSeek چین نیز مدلهای جدید خود را توسعه داده و شرکتهایی مانند Moonshot AI و Z.ai نیز در این حوزه فعالیت میکنند.
در اروپا نیز Mistral AI به یکی از رقبای مهم جهانی تبدیل شده است.
با این حال، گسترش مدلهایی که خارج از آمریکا توسعه داده میشوند، برای مؤسسات مالی آمریکایی میتواند چالشهای قانونی، امنیتی و نظارتی ایجاد کند.
از سوی دیگر، ظهور مدلهای Open-Weight آمریکایی از سوی شرکتهایی مانند Meta و Thinking Machine Labs، گزینههای داخلی بیشتری را در اختیار بانکها و شرکتهای مالی قرار میدهد.
آینده هوش مصنوعی در بانکداری؛ ترکیبی از مدلهای متنباز و پیشرفته
روند جدید نشان میدهد آینده هوش مصنوعی در صنعت مالی احتمالاً به انتخاب یک مدل واحد محدود نخواهد شد. بانکها بهجای استفاده گسترده از گرانترین مدلهای هوش مصنوعی، به سمت ترکیب مدلهای متنباز، مدلهای اختصاصی و سیستمهای مسیریابی هوشمند حرکت میکنند.
این تغییر میتواند هزینه اجرای هوش مصنوعی را کاهش دهد و در عین حال به مؤسسات مالی اجازه دهد برای هر وظیفه، مناسبترین مدل را انتخاب کنند.
