Perché i modelli di IA non funzionano nell'investment banking

La corsa agli investimenti nell’intelligenza artificiale continua senza sosta. Settimana scorsa, durante le conference call sui risultati finanziari, Meta, Google e Microsoft hanno tutte dichiarato che continueranno ad aumentare le spese in conto capitale per costruire data center dedicati all’intelligenza artificiale, oltre ai 400 miliardi di dollari che, secondo le stime di Morgan Stanley, le principali aziende tecnologiche sono destinate a spendere quest’anno per le infrastrutture di intelligenza artificiale.

Ma finora, il ritorno sull’investimento per i casi d’uso dell’IA è stato debole. Un recente studio del Mit ha rilevato che il 95% dei progetti pilota di IA generativa nelle aziende non è riuscito ad andare oltre la fase di prova. I principali laboratori di IA come OpenAI hanno ancora difficoltà a far svolgere alla loro IA i compiti “di routine” dei banchieri d’investimento entry-level. L’IA generativa sembra dirigersi verso il suo momento di “disillusione”.

Perché l’Ia non può ancora sostituire gli umani?

Chatbot come ChatGPT e Gemini sono in grado di scrivere un sonetto perfetto in pochi secondi. Possono programmare e scrivere sceneggiature cinematografiche. Allora perché l’IA è ancora così indietro nel riuscire effettivamente a sostituire il lavoro dei colletti bianchi? La risposta: i dati di addestramento, in particolare i flussi di lavoro specializzati del mondo reale. A quanto pare, mentre esistono molti dati disponibili pubblicamente su come generare linguaggio o codice, ce ne sono molti meno su come gestire un’Ipo o una fusione. Questi dati sono in gran parte privati.

Per scrivere sonetti, i modelli sono stati addestrati su un intero corpus di testi provenienti da Internet, che include un’immensa quantità di poesie e opere letterarie. Si tratta di dati che le aziende di Ia sono state in grado di ottenere gratuitamente raccogliendo l’intero contenuto di Internet.

D’altra parte, per i flussi di lavoro reali che caratterizzano la giornata di un banchiere d’investimento alle prime armi, anche per attività come l’inserimento di dati specializzati e la manipolazione di fogli di calcolo, non esistono quasi dati di addestramento facilmente raccoglibili.

“I modelli linguistici di grandi dimensioni funzionano bene quando si raccolgono molti dati, ma non disponiamo di una quantità sufficiente di dati per le attività del mondo reale, il che significa che l’Ia non ha visto gli esempi necessari per padroneggiare queste specifiche competenze”, ha affermato Robert Nishihara, cofondatore di Anyscale, un’azienda che fornisce infrastrutture software per l’IA.

La mancanza di controllo

Nelle attività del mondo reale, che prevedono più fasi, la mancanza di controllo dell’IA generativa è un difetto critico. Poiché l’IA produce risposte diverse ogni volta ed è soggetta ad allucinazioni, anche piccoli errori si accumulano rapidamente in più fasi, causando il rapido deragliamento dell’intero flusso di lavoro.

La riduzione degli errori è il motivo per cui i laboratori di IA stanno raddoppiando la raccolta di dati specifici di dominio con l’aiuto di esperti, perché ogni dominio ha una propria serie di casi limite che devono essere presi in considerazione, ha affermato Lake Dai, fondatore di Sancus Ventures.

Sta diventando un settore importante: Surge Ai, un’azienda che si occupa esclusivamente di fornire ai laboratori di intelligenza artificiale dati di addestramento generati dall’uomo, ha raggiunto lo scorso anno un fatturato ricorrente di 1 miliardo di dollari. Gli esperti possono guadagnare oltre 100 dollari l’ora per generare i dati necessari ad automatizzare il proprio lavoro.

Questi dati possono essere raccolti da persone che svolgono il proprio lavoro d’ufficio per ore e ore, ha affermato Paco Guzmán, responsabile della ricerca presso Handshake, un fornitore di dati di formazione. Ad esempio, potrebbe trattarsi di un banchiere d’investimento che formatta una presentazione nel modo corretto o di un medico che inserisce le note sui pazienti in un sistema di cartelle cliniche.

Imparare sul campo

“C’è un’enorme domanda per questo tipo di dati perché i creatori di modelli di IA vogliono essere partner di ogni singolo professionista e aiutarli ad aumentare la produttività, quindi una volta terminato il settore finanziario, ci sono quello medico, quello del reclutamento e una quantità infinita di altri settori”, ha affermato.

Ma anche se i laboratori di IA riuscissero a raccogliere migliaia, persino milioni di esempi di lavoro d’ufficio, le IA sarebbero in grado di svolgere il nostro lavoro al posto nostro? Non necessariamente, perché gli attuali modelli di IA non sono ancora in grado di apprendere come gli esseri umani, ha affermato Nishihara.

“Per svolgere un lavoro, è necessario essere in grado di imparare sul campo”, ha affermato. “Gli esseri umani possono imparare sul campo e imparare dagli errori e da un solo esempio, ma i modelli di Ia odierni non sono in grado di farlo”, ha affermato. “Non sostituiremo completamente il lavoro impiegatizio finché non saranno in grado di farlo”.