NVIDIA ने 22 अक्टूबर को GTC Berlin में घोषणा की कि Revolut अपने PRAGMA फाउंडेशन मॉडल को शुरुआती 80 million ग्राहकों के लिए प्रोडक्शन में बड़े पैमाने पर लागू कर रहा है। अन्य परियोजनाओं में बैंक-स्वामित्व वाले मॉडल, भुगतान संचालन और त्वरित डेटा प्रोसेसिंग शामिल हैं—कुछ लाइव सिस्टम के रूप में, तो कुछ विकास कार्य और ऑफलाइन परीक्षण के रूप में।
मुख्य बातें
- Revolut का PRAGMA शुरुआती 80 million ग्राहकों को सेवा दे रहा है और इसे इस स्तर से तीन गुना तक विस्तार के लिए तैयार किया गया है।
- बैंक और भुगतान प्रदाता अपने डेटा, ओपन-वेट मॉडल और त्वरित अवसंरचना का उपयोग करके मालिकाना इंटेलिजेंस विकसित कर रहे हैं।
- NVIDIA ने प्रोसेसिंग में उल्लेखनीय सुधार बताए, जिनमें Stripe के ऑफलाइन परीक्षण के नतीजे—42 गुना तेज़ पाइपलाइन और 92% लागत बचत—शामिल हैं।
विषय-सूची
- यूरोपीय वित्तीय AI का प्रोडक्शन में प्रवेश
- ओपन मॉडल सहायकों और विशिष्ट कार्यभार को सहयोग देते हैं
- वित्तीय शोध के लिए तेज़ डेटा टूल
- धोखाधड़ी-प्रसंस्करण में सुधार के साथ ऑफलाइन परीक्षण के नतीजे
यूरोपीय वित्तीय AI का प्रोडक्शन में प्रवेश
Revolut अपने प्रौद्योगिकी स्टैक को PRAGMA के इर्द-गिर्द एकल फाउंडेशन मॉडल के रूप में फिर से तैयार कर रहा है। NVIDIA के अनुसार, बैंक इस सिस्टम को प्रोडक्शन में बड़े पैमाने पर लागू करने के लिए Blackwell Ultra GPU पर अपने cuDF टूलकिट और Dynamo-Triton सॉफ़्टवेयर का उपयोग कर रहा है। बताई गई तीन गुना विस्तार क्षमता एक इंजीनियरिंग लक्ष्य है, न कि मौजूदा ग्राहक आधार के विस्तार की रिपोर्ट।
घोषणा में उन संस्थानों पर भी प्रकाश डाला गया जो अपने लेनदेन रिकॉर्ड से इंटेलिजेंस विकसित कर रहे हैं। Starling Bank ने बैंक के लेनदेन डेटा का उपयोग करके Civo के U.K. क्लाउड पर Starling Intelligence विकसित किया, जो उसकी AI क्षमताओं की आधार-परत है। NVIDIA ने Starling को U.K. के संप्रभु क्लाउड अवसंरचना पर एजेंटिक मॉडल प्रशिक्षित करने वाला पहला बैंक बताया।
Lloyds Banking Group ने ATUM बनाया—एक ट्रांज़ैक्शन फाउंडेशन मॉडल, जो अरबों बैंकिंग लेनदेन को पुनः उपयोग योग्य इंटेलिजेंस में बदलता है। NVIDIA के अनुसार, RTX PRO 6000 Blackwell GPU इस मॉडल को तेज़ करते हैं, जिससे बैंक-व्यापी उपयोग के मामलों में दक्षता बेहतर हो रही है। अलग से, SBS ने एक संप्रभु बैंकिंग इंटेलिजेंस प्लेटफ़ॉर्म लॉन्च किया, जिसे इस तरह बनाया गया है कि बैंक डेटा को अपनी परिसीमा से बाहर भेजे बिना जनरेटिव और एजेंटिक मॉडल चला सकें।
ओपन मॉडल सहायकों और विशिष्ट कार्यभार को सहयोग देते हैं
नियोबैंक bunq का Finn सहायक अब ओपन-वेट मॉडल पर चलता है। NVIDIA ने बताया कि Nebius पर इसकी तैनाती प्रति उत्तर 60% लागत पर अग्रणी क्लोज़्ड मॉडल के समान गुणवत्ता देती है। यह आंकड़ा सापेक्ष लागत को दर्शाता है, 60% लागत कटौती को नहीं।
अन्य परियोजनाएं अभी विकास के चरण में हैं। NatWest, NVIDIA के Nemotron 3.5 ASR सहित स्पीच मॉडल का उपयोग करके ऐसी स्पीच तकनीक बना रहा है, जिसे ब्रिटिश लहजे, बोलियों और वित्तीय शब्दावली को पहचानने के लिए डिज़ाइन किया गया है। Modulr, Nemotron-3-Ultra-550B ओपन मॉडल के आधार पर अलग-अलग भुगतान संचालन के लिए विशिष्ट मॉडल विकसित कर रहा है।
Santander, संरचित वित्तीय डेटा के लिए NVIDIA के नए Kumo ओपन-वेट फाउंडेशन मॉडल परिवार का शुरुआती उपयोगकर्ता है। वह मुख्य बैंकिंग कार्यभार के लिए विशिष्ट इंटेलिजेंस बनाने हेतु इन मॉडलों का उपयोग कर रहा है।
वित्तीय शोध के लिए तेज़ डेटा टूल
LSEG, NVIDIA के साथ मिलकर वित्तीय संस्थानों को बड़ी मात्रा में ऐतिहासिक टिक डेटा का विश्लेषण 10 गुना तक तेज़ी से करने में मदद कर रहा है। इस काम में Polars GPU इंजन का उपयोग किया जा रहा है, जिसे RTX PRO 6000 Blackwell GPU पर cuDF तेज़ करता है।
RavenPack ने Bigdata.com पर NVIDIA Nemotron के फाइन-ट्यून किए गए मॉडल का उपयोग करके डेटासेट तैयार करने की पाइपलाइन बनाई है। यह सरल भाषा में व्यक्त शोध परिकल्पना को लेता है और बैकटेस्टिंग के लिए तैयार लेबलयुक्त डेटासेट लौटाता है, जिसका उपयोग निवेशक बाज़ार के रुझानों की पहचान, विश्लेषण और दृश्यांकन के लिए कर सकते हैं।
धोखाधड़ी-प्रसंस्करण में सुधार के साथ ऑफलाइन परीक्षण के नतीजे
HSBC, जोखिम और धोखाधड़ी को न्यूनतम रखते हुए लगभग वास्तविक समय में ग्राहक संबंधी अंतर्दृष्टि और मांग पर निर्णय लेने में सहायता के लिए Starburst Enterprise के GPU Engine का उपयोग करता है। NVIDIA ने डेटा प्रोसेसिंग पांच गुना तेज़ होने की जानकारी दी।
Stripe के नतीजे स्पष्ट रूप से ऑफलाइन परीक्षणों तक सीमित थे। NVIDIA ने बताया कि GPU-त्वरित Ray Data ने उन परीक्षणों में Stripe Radar के धोखाधड़ी-पहचान प्लेटफ़ॉर्म के लिए डेटा पाइपलाइन को 42 गुना तेज़ किया और 92% लागत बचत दी। बताए गए सुधार मशीन-लर्निंग डेटा पाइपलाइन से संबंधित हैं, धोखाधड़ी-पहचान की सटीकता में किसी मात्रात्मक सुधार से नहीं।
और खबरें पढ़ें
अस्वीकरण
यह FinanceVelix लेख सामान्य जानकारी प्रदान करता है, व्यक्तिगत वित्तीय, निवेश, कानूनी या कर-संबंधी सलाह नहीं। बाज़ार मूल्य, ब्याज दरें और आर्थिक परिस्थितियां बदल सकती हैं; निवेश में नुकसान का जोखिम होता है। तथ्य प्रकाशन के समय उपलब्ध सामग्री पर आधारित हैं और बदल सकते हैं। महत्वपूर्ण जानकारी की स्वतंत्र रूप से जांच करें और आवश्यकता पड़ने पर किसी योग्य पेशेवर से परामर्श लें। किसी परिसंपत्ति, कंपनी या सेवा का उल्लेख समर्थन नहीं माना जाना चाहिए।
