OpenAI ਨੇ ChatGPT for Financial Services ਲਾਂਚ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇਸਦੇ ਸੰਵਾਦਕ (conversational) AI ਦਾ ਇੱਕ ਵਰਜ਼ਨ ਹੈ ਜੋ PitchBook ਅਤੇ Crunchbase ਵਰਗੇ ਮਾਰਕੀਟ-ਡਾਟਾ ਫੀਡਸ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ, ਬੈਂਕ-ਗ੍ਰੇਡ ਸੁਰੱਖਿਆ ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਵਾਅਦਾ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਟ੍ਰੇਨਿੰਗ ਲਈ ਕਿਸੇ ਕਲਾਇੰਟ ਦੇ ਮਲਕੀਅਤ ਵਾਲੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰੇਗਾ।
ਬੈਂਕ ਸਾਲਾਂ ਤੋਂ generative AI ਵੱਲ ਦੇਖ ਰਹੇ ਹਨ ਪਰ ਦੋ ਸਮੱਸਿਆਵਾਂ ਕਾਰਨ ਰੁਕੇ ਹੋਏ ਸਨ: ਮਾਡਲ ਨੂੰ ਅੰਦਰੂਨੀ ਵਿੱਤੀ ਵੇਰਵੇ (financial statements) ਦੇਣ ਦੀ ਲੋੜ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀ ਮੁਸ਼ਕਲ ਕਿ ਉਹ ਦਸਤਾਵੇਜ਼ ਕਦੇ ਵੀ ਫਰਮ ਦੇ ਫਾਇਰਵਾਲ ਤੋਂ ਬਾਹਰ ਨਾ ਜਾਣ। OpenAI ਦੀ ਨਵੀਂ ਪੇਸ਼ਕਸ਼ ਦੋਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੀ ਹੈ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਕਮਾਈ ਦੀਆਂ ਰਿਪੋਰਟਾਂ (earnings reports), ਬੈਲੇਂਸ ਸ਼ੀਟਾਂ, ਜਾਂ ਡੀਲ-ਫਲੋ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਅਪਲੋਡ ਕਰਨ ਦੀ ਲੋੜ ਪਾਉਣ ਦੀ ਬਜਾਏ, ਇਸ ਸੇਵਾ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਜਨਤਕ-ਡੋਮੇਨ ਅਤੇ ਲਾਇਸੰਸਸ਼ੁਦਾ ਡਾਟਾ ਦਾ ਇੱਕ ਚੁਣਿਆ ਹੋਇਆ ਸੈੱਟ ਸ਼ਾਮਲ ਹੈ ਜਿਸ ਨੂੰ ਉੱਥੇ ਹੀ ਪੁੱਛਿਆ (query) ਜਾ ਸਕਦਾ ਹੈ। ਪਲੇਟਫਾਰਮ ਸਖ਼ਤ ਬੈਂਕ ਸੁਰੱਖਿਆ ਨਿਯਮਾਂ ਦੀ ਵੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਮਾਡਲ “data-agnostic” ਹੈ – ਇਹ ਅੰਡਰਲਾਈਂਗ ਮਾਡਲ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕਲਾਇੰਟ ਦੀਆਂ ਅਪਲੋਡ ਕੀਤੀਆਂ ਫਾਈਲਾਂ ਨੂੰ ਕਦੇ ਵੀ ਸਟੋਰ ਕੀਤੇ ਜਾਂ ਵਰਤੇ ਬਿਨਾਂ ਅੰਤਰ ਦਰਸਾ ਸਕਦਾ ਹੈ।
ਇਹ ਕਦਮ ਉਦੋਂ ਚੁੱਕਿਆ ਗਿਆ ਹੈ ਜਦੋਂ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਕੱਚੇ ਅੰਕੜਿਆਂ ਨੂੰ ਇਨਵੈਸਟਮੈਂਟ ਮੈਮੋਜ਼, ਕ੍ਰੈਡਿਟ ਮੁਲਾਂਕਣ, ਜਾਂ ਕੰਪਲਾਇੰਸ ਰਿਪੋਰਟਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਲੱਗਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਜੱਦੋਜਹਿਦ ਕਰ ਰਹੀਆਂ ਹਨ। ਵਿਸ਼ਲੇਸ਼ਕ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਕਈ ਵੈਂਡਰਾਂ ਤੋਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਅਤੇ ਫਿਰ ਮੈਨੁਅਲੀ ਬਿਰਤਾਂਤ (narratives) ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਕਈ ਘੰਟੇ ਬਿਤਾਉਂਦੇ ਹਨ। OpenAI ਦਾ ਟੂਲ ਬੈਂਕਰਾਂ ਨੂੰ P&L ਸਟੇਟਮੈਂਟਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਤੇਜ਼ੀ ਨਾਲ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਸੁਰੱਖਿਆ ਅਤੇ ਡਾਟਾ-ਪ੍ਰਾਈਵੇਸੀ ਇਸ ਦਾ ਦੂਜਾ ਪਹਿਲੂ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾ ਕੇ ਕਿ ਗਾਹਕ ਦਾ ਡਾਟਾ ਕਦੇ ਵੀ ਟ੍ਰੇਨਿੰਗ ਲੂਪ ਵਿੱਚ ਵਾਪਸ ਨਹੀਂ ਜਾਂਦਾ, OpenAI ਉਸ ਆਮ ਆਲੋਚਨਾ ਤੋਂ ਬਚਦਾ ਹੈ ਕਿ AI ਪ੍ਰਦਾਤਾ ਅਣਜਾਣੇ ਵਿੱਚ ਗੁਪਤ ਕਾਰਪੋਰੇਟ ਜਾਣਕਾਰੀ ਤੋਂ “ਸਿੱਖ” ਸਕਦੇ ਹਨ ਅਤੇ ਇਸਨੂੰ ਹੋਰ ਗਾਹਕਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦੇ ਹਨ।
OpenAI ਇਸ ਦੇ ਨਾਲ ਹੀ ਕਾਂਗਰਸ ਕੋਲ AI ਸੁਰੱਖਿਆ ਕਾਨੂੰਨਾਂ ਦੇ ਇੱਕ ਨਵੇਂ ਸਮੂਹ ਲਈ ਲਾਬੀ ਕਰ ਰਿਹਾ ਹੈ। ਕੰਪਨੀ ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਕਾਨੂੰਨ ਬਣਾਉਣ ਵਾਲੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਿਸਟਮਾਂ 'ਤੇ ਟੈਸਟਿੰਗ ਮਾਪਦੰਡ ਲਾਗੂ ਕਰਨ, ਜਿਸ ਵਿੱਚ AI ਈਕੋਸਿਸਟਮ ਵਿੱਚ ਮੌਜੂਦ ਦਰਜਨਾਂ ਛੋਟੇ ਸਟਾਰਟਅੱਪਸ ਦੀ ਬਜਾਏ ਵੱਡੀਆਂ ਰਿਸਰਚ ਲੈਬਾਂ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜਾਵੇ। ਇਹ ਕੋਸ਼ਿਸ਼ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ ਕਿ OpenAI ਵਿੱਤ ਵਰਗੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਡੂੰਘੇ ਏਕੀਕਰਣ ਲਈ ਰੈਗੂਲੇਟਰੀ ਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇੱਕ ਪੂਰਵ-ਸ਼ਰਤ ਵਜੋਂ ਦੇਖਦਾ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਮਾਡਲ ਦੀ ਗਲਤੀ ਕੰਪਲਾਇੰਸ ਦੀ ਉਲੰਘਣਾ ਜਾਂ ਵਿੱਤੀ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ।
ਸਾਰੇ ਪੱਖਾਂ ਲਈ ਦਾਅਵੇਂ ਉੱਚ ਹਨ। ਬੈਂਕਾਂ ਲਈ, ਇਹ ਤਕਨਾਲੋਜੀ ਤੇਜ਼ੀ ਨਾਲ ਡੀਲ ਫਲੋ, ਘੱਟ ਸਟਾਫਿੰਗ ਲਾਗਤਾਂ, ਅਤੇ ਇੱਕ ਅਜਿਹੀ ਉਦਯੋਗ ਵਿੱਚ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਫਾਇਦਾ ਦੇ ਸਕਦੀ ਹੈ ਜਿੱਥੇ ਗਤੀ ਅਕਸਰ ਜੇਤੂਆਂ ਦਾ ਫੈਸਲਾ ਕਰਦੀ ਹੈ। OpenAI ਲਈ, ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਵਿੱਚ ਪੈਰ ਜਮਾਉਣਾ ਇੱਕ ਲਾਭਦਾਇਕ ਮਾਲੀਆ ਸਰੋਤ ਖੋਲ੍ਹਦਾ ਹੈ ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਵਰਤੋਂ ਦਾ ਮਾਮਲਾ (use case) ਦਿਖਾਉਂਦਾ ਹੈ ਜਿਸ ਨੂੰ ਬੀਮਾ ਜਾਂ ਸਿਹਤ ਸੰਭਾਲ ਵਰਗੇ ਹੋਰ ਨਿਯਮਤ ਖੇਤਰਾਂ ਵਿੱਚ ਦੁਹਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਰੈਗੂਲੇਟਰਾਂ ਨੂੰ ਇਸ ਗੱਲ ਦੀ ਸਪੱਸ਼ਟ ਤਸਵੀਰ ਮਿਲਦੀ ਹੈ ਕਿ ਇੱਕ ਪ੍ਰਮੁੱਖ AI ਪ੍ਰਦਾਤਾ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਦੀ ਰੱਖਿਆ ਕਿਵੇਂ ਕਰਨ ਦਾ ਇਰਾਦਾ ਰੱਖਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਜੋਖਮਾਂ ਦਾ ਇੱਕ ਨਵਾਂ ਸਮੂਹ ਵੀ ਵਿਰਸੇ ਵਿੱਚ ਮਿਲਦਾ ਹੈ: ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (large language models) ਦੀ ਅਗਿਆਨਤਾ, ਮਾਰਕੀਟ-ਡਾਟਾ ਫੀਡਸ ਵਿੱਚ ਪ੍ਰਣਾਲੀਗਤ ਪੱਖਪਾਤ ਦੀ ਸੰਭਾਵਨਾ, ਅਤੇ AI-ਨਿਰਮਿਤ ਸਲਾਹ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦੀ ਚੁਣੌਤੀ ਜੋ ਨਿਵੇਸ਼ ਦੇ ਫੈਸਲਿਆਂ ਲਈ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਆਲੋਚਕ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ ਇੱਕ ਸਿੰਗਲ ਬਾਹਰੀ AI ਵੈਂਡਰ 'ਤੇ ਨਿਰਭਰਤਾ ਵੈਂਡਰ ਲੌਕ-ਇਨ (vendor lock-in) ਦਾ ਇੱਕ ਨਵਾਂ ਰੂਪ ਬਣਾ ਸਕਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜੇਕਰ ਬੈਂਕ ਇਸ ਟੂਲ ਨੂੰ ਮੁੱਖ ਅੰਡਰਰਾਈਟਿੰਗ ਜਾਂ ਕੰਪਲਾਇੰਸ ਵਰਕਫਲੋ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ। ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਵੀ ਸਵਾਲ ਹੈ। ਹਾਲਾਂਕਿ ਸਿਸਟਮ ਜਨਤਕ ਡਾਟਾ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਾਪਤ ਅਤੇ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਸਹੀ ਹੋਣ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ; ਕਮਾਈ ਦੇ ਅੰਕੜੇ ਦੀ ਗਲਤ ਵਿਆਖਿਆ ਜਾਂ ਇੱਕ ਪੁਰਾਣਾ ਮੁਲਾਂਕਣ ਮੈਟ੍ਰਿਕ ਗਲਤ ਸਿੱਟਿਆਂ ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ। “no-training-on-customer-data” ਦੀ ਨੀਤੀ ਸੁਧਾਰ ਦਾ ਇੱਕ ਰਸਤਾ ਖਤਮ ਕਰ ਦਿੰਦੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼, ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੱਲਾਂ ਤੋਂ ਪਛੜ ਸਕਦਾ ਹੈ ਜੋ ਲਗਾਤਾਰ ਫਰਮ ਦੇ ਆਪਣੇ ਇਤਿਹਾਸਕ ਫੈਸਲਿਆਂ ਤੋਂ ਸਿੱਖਦੇ ਹਨ।
What to watch next: ਅਪਣਾਉਣ ਦੇ ਮਾਪਦੰਡ (adoption metrics) ਸਫਲਤਾ ਦੇ ਪਹਿਲੇ ਸੰਕੇਤ ਹੋਣਗੇ। ਕਮਰਸ਼ੀਅਲ ਬੈਂਕਿੰਗ, ਇਨਵੈਸਟਮੈਂਟ ਬੈਂਕਿੰਗ, ਜਾਂ ਐਸੇਟ ਮੈਨੇਜਮੈਂਟ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਇਹ ਦੱਸਣਗੇ ਕਿ ਕੀ ਗਤੀ ਵਿੱਚ ਹੋਇਆ ਵਾਧਾ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਨਾਲੋਂ ਵੱਧ ਹੈ। OpenAI ਦੇ ਸੁਰੱਖਿਆ ਬਿੱਲ ਪ੍ਰਤੀ ਰੈਗੂਲੇਟਰਾਂ ਦਾ ਹੁੰਗਾਰ ਵਿੱਤ ਵਿੱਚ AI ਲਈ ਕੰਪਲਾਇੰਸ ਲੈਂਡਸਕੇਪ ਨੂੰ ਰੂਪ ਦੇਵੇਗਾ—ਜੇਕਰ ਕਾਂਗਰਸ ਸਖ਼ਤ ਟੈਸਟਿੰਗ ਮਾਪਦੰਡ ਅਪਣਾਉਂਦੀ ਹੈ, ਤਾਂ ਹੋਰ AI ਫਰਮਾਂ ਨੂੰ ਵੀ ਅਜਿਹਾ ਕਰਨ ਲਈ ਮਜਬੂਰ ਹੋ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਮਾਨ ਹੱਲ ਲਾਗੂ ਕਰਨ ਦੀ ਲਾਗਤ ਵਧ ਸਕਦੀ ਹੈ। ਅੰਤ ਵਿੱਚ, ਮੁਕਾਬਲਾ ਤੇਜ਼ ਹੋ ਰਿਹਾ ਹੈ; ਹੋਰ ਕਲਾਉਡ ਪ੍ਰਦਾਤਾ ਅਤੇ AI ਸਟਾਰਟਅੱਪਸ ਪਹਿਲਾਂ ਹੀ ਕਸਟਮ ਮਾਡਲਾਂ ਨਾਲ ਬੈਂਕਾਂ ਨੂੰ ਲਾਭ ਦੇ ਰਹੇ ਹਨ, ਇਸ ਲਈ OpenAI ਦਾ ਫਾਇਦਾ ਥੋੜ੍ਹੇ ਸਮੇਂ ਲਈ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਆਪਣੇ ਡਾਟਾ ਏਕੀਕਰਣ ਅਤੇ ਸੁਰੱਖਿਆ ਪ੍ਰਮਾਣਿਕਤਾਵਾਂ ਨੂੰ ਡੂੰਘਾ ਕਰਨਾ ਜਾਰੀ ਨਹੀਂ ਰੱਖਦਾ।
ਜੇਕਰ ਬੈਂਕ ਸਹੀ ਅਤੇ ਸਮੇਂ ਸਿਰ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ ਆਪਣੇ ਡੇਟਾ ਦੀ ਗੁਪਤਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਇਸ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ChatGPT for Financial Services ਟ੍ਰੇਡਿੰਗ ਫਲੋਰ 'ਤੇ ਇੱਕ ਨਵਾਂ ਮਿਆਰੀ ਸਾਧਨ ਬਣ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਨਹੀਂ, ਤਾਂ ਇਹ ਤਕਨਾਲੋਜੀ ਸਿਰਫ਼ ਪ੍ਰੂਫ-ਆਫ਼-ਕੰਸੈਪਟ ਪ੍ਰੋਜੈਕਟਾਂ ਤੱਕ ਸੀਮਤ ਇੱਕ ਸੀਮਤ ਪ੍ਰਯੋਗ ਬਣ ਕੇ ਰਹਿ ਸਕਦੀ ਹੈ, ਜਦੋਂ ਤੱਕ ਉਦਯੋਗ ਸਪੱਸ਼ਟ ਰੈਗੂਲੇਟਰੀ ਮਾਰਗਦਰਸ਼ਨ ਅਤੇ ਮਾਡਲ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਭਰੋਸੇ ਦੀ ਉਡੀਕ ਕਰਦਾ ਹੈ।