NVIDIA gab am 22. Oktober auf der GTC Berlin bekannt, dass Revolut sein PRAGMA-Grundlagenmodell für zunächst 80 Millionen Kunden im Produktivbetrieb skaliert. Weitere Projekte umfassen bankeigene Modelle, Zahlungsprozesse und beschleunigte Datenverarbeitung – von laufenden Systemen bis hin zu Entwicklungsarbeiten und Offline-Tests.

Wichtigste Erkenntnisse

  • Revoluts PRAGMA wird für zunächst 80 Millionen Kunden eingesetzt und ist darauf ausgelegt, auf das Dreifache dieses Umfangs zu skalieren.
  • Banken und Zahlungsdienstleister entwickeln proprietäre intelligente Systeme auf Basis eigener Daten, offener Modelle mit verfügbaren Gewichten und beschleunigter Infrastruktur.
  • NVIDIA berichtete von erheblichen Verarbeitungsgewinnen. Dazu zählen die Ergebnisse eines Offline-Tests von Stripe mit 42-mal schnelleren Pipelines und Kosteneinsparungen von 92 %.

Inhaltsverzeichnis

Europas Finanz-KI geht in den Produktivbetrieb

Revolut baut seinen Technologie-Stack rund um PRAGMA als einzelnes Grundlagenmodell neu auf. NVIDIA zufolge nutzt die Bank dafür das cuDF-Toolkit und die Software Dynamo-Triton auf Blackwell-Ultra-GPUs, um das System im Produktivbetrieb zu skalieren. Die angegebene Skalierungskapazität auf das Dreifache ist ein technisches Ziel und keine Meldung über eine Ausweitung der derzeitigen Kundenbasis.

Die Ankündigung hob außerdem Institute hervor, die auf Grundlage ihrer eigenen Transaktionsdaten intelligente Systeme entwickeln. Starling Bank entwickelte Starling Intelligence, die Grundlage seiner KI-Funktionen, in der britischen Cloud von Civo unter Verwendung der Transaktionsdaten der Bank. NVIDIA bezeichnete Starling als erste Bank, die ein agentisches Modell auf einer souveränen Cloud-Infrastruktur im Vereinigten Königreich trainiert hat.

Lloyds Banking Group entwickelte ATUM, ein Transaktions-Grundlagenmodell, das Milliarden von Banktransaktionen in wiederverwendbare Intelligenz umwandelt. NVIDIA zufolge beschleunigen RTX PRO 6000 Blackwell GPUs das Modell, das die Effizienz bei bankweiten Anwendungsfällen verbessert. Unabhängig davon startete SBS eine Plattform für souveräne Banking-Intelligenz, mit der Banken generative und agentische Modelle ausführen können, ohne Daten außerhalb ihrer eigenen Infrastruktur zu verlagern.

Offene Modelle für Assistenten und spezialisierte Anwendungen

Der Assistent Finn der Neobank bunq läuft inzwischen mit Modellen mit offenen Gewichten. NVIDIA zufolge erreicht der Einsatz auf Nebius die Qualität führender geschlossener Modelle bei 60 % der Kosten pro Antwort. Diese Angabe beschreibt die relativen Kosten und keine Kostensenkung um 60 %.

Weitere Projekte befinden sich noch in der Entwicklung. NatWest entwickelt mit NVIDIA-Sprachmodellen, darunter Nemotron 3.5 ASR, Sprachtechnologie, die britische Akzente, Dialekte und Finanzterminologie erkennen soll. Modulr entwickelt auf Basis des offenen Modells Nemotron-3-Ultra-550B spezialisierte Modelle für verschiedene Zahlungsprozesse.

Santander gehört zu den frühen Anwendern der neuen Kumo-Familie offener Grundlagenmodelle von NVIDIA für strukturierte Finanzdaten. Die Bank nutzt die Modelle, um spezialisierte intelligente Systeme für zentrale Banking-Anwendungen zu entwickeln.

Schnellere Datentools für die Finanzanalyse

LSEG arbeitet mit NVIDIA zusammen, um Finanzinstituten zu helfen, große Mengen historischer Tickdaten bis zu zehnmal schneller zu analysieren. Zum Einsatz kommt die GPU-Engine Polars, die durch cuDF auf RTX PRO 6000 Blackwell GPUs beschleunigt wird.

RavenPack hat auf Bigdata.com eine Pipeline zur Datensatzerstellung entwickelt, die ein feinabgestimmtes NVIDIA-Nemotron-Modell nutzt. Sie wandelt eine in Alltagssprache formulierte Forschungshypothese in einen gekennzeichneten Datensatz um, der für Backtests bereit ist und mit dem Anleger Markttrends erkennen, analysieren und visualisieren können.

Verbesserungen bei der Betrugsverarbeitung: Ergebnisse aus Offline-Tests

HSBC nutzt die GPU Engine von Starburst Enterprise, um zeitnahe Kundeneinblicke und Entscheidungen auf Abruf zu ermöglichen und zugleich Risiken und Betrug zu minimieren. NVIDIA berichtete von einer fünffach schnelleren Datenverarbeitung.

Die Ergebnisse von Stripe beschränkten sich ausdrücklich auf Offline-Tests. NVIDIA zufolge ermöglichte Ray Data mit GPU-Beschleunigung in diesen Tests für die Betrugserkennungsplattform Stripe Radar 42-mal schnellere Datenpipelines und Kosteneinsparungen von 92 %. Die gemeldeten Verbesserungen betreffen Datenpipelines für maschinelles Lernen und keine quantifizierte Steigerung der Genauigkeit der Betrugserkennung.

Weitere Nachrichten lesen

Weitere Nachrichten von FinanceVelix

Haftungsausschluss

Dieser FinanceVelix-Artikel enthält allgemeine Informationen und stellt keine persönliche Finanz-, Anlage-, Rechts- oder Steuerberatung dar. Marktpreise, Zinssätze und wirtschaftliche Bedingungen können sich ändern; Anlagen sind mit Verlustrisiken verbunden. Die Fakten entsprechen dem zum Veröffentlichungszeitpunkt verfügbaren Informationsstand und können sich ändern. Prüfen Sie wichtige Informationen eigenständig und wenden Sie sich bei Bedarf an eine qualifizierte Fachkraft. Die Erwähnung eines Vermögenswerts, eines Unternehmens oder einer Dienstleistung ist keine Empfehlung.