NVIDIA maakte op 22 oktober tijdens GTC Berlin bekend dat Revolut zijn PRAGMA-foundationmodel in productie opschaalt voor aanvankelijk 80 miljoen klanten. Andere projecten omvatten door banken ontwikkelde modellen, betalingsprocessen en versnelde gegevensverwerking, variërend van live systemen tot ontwikkelingswerk en offline tests.
Belangrijkste punten
- PRAGMA van Revolut bedient aanvankelijk 80 miljoen klanten en is ontworpen om op te schalen tot drie keer dat aantal.
- Banken en betalingsaanbieders ontwikkelen eigen intelligentie met hun eigen gegevens, open-weightmodellen en versnelde infrastructuur.
- NVIDIA meldde aanzienlijke verwerkingswinst, waaronder resultaten uit offline tests van Stripe: pipelines die 42 keer sneller waren en 92% kostenbesparing.
Inhoudsopgave
- Financiële AI in Europa gaat in productie
- Open modellen ondersteunen assistenten en gespecialiseerde workloads
- Financieel onderzoek krijgt snellere datatools
- Winst bij fraudeverwerking omvat resultaten uit offline tests
Financiële AI in Europa gaat in productie
Revolut bouwt zijn technologiestack opnieuw op rond PRAGMA als één foundationmodel. Volgens NVIDIA gebruikt de bank de cuDF-toolkit en Dynamo-Triton-software op Blackwell Ultra-GPU's om het systeem in productie op te schalen. De genoemde schaalcapaciteit van drie keer het huidige niveau is een technisch doel, geen gemelde uitbreiding van het huidige klantenbestand.
De aankondiging belichtte ook instellingen die intelligentie ontwikkelen op basis van hun eigen transactiegegevens. Starling Bank ontwikkelde Starling Intelligence, de onderliggende laag van zijn AI-mogelijkheden, op de Britse cloud van Civo met behulp van transactiegegevens van de bank. NVIDIA omschreef Starling als de eerste bank die een agentisch model heeft getraind op Britse soevereine cloudinfrastructuur.
Lloyds Banking Group bouwde ATUM, een transactioneel foundationmodel dat miljarden banktransacties omzet in herbruikbare intelligentie. NVIDIA zei dat RTX PRO 6000 Blackwell-GPU's het model versnellen, dat de efficiëntie verbetert voor toepassingen in de hele bank. Afzonderlijk lanceerde SBS een soeverein platform voor bancaire intelligentie, ontworpen om banken generatieve en agentische modellen te laten uitvoeren zonder gegevens buiten hun eigen organisatie te verplaatsen.
Open modellen ondersteunen assistenten en gespecialiseerde workloads
De Finn-assistent van neobank bunq draait nu op open-weightmodellen. NVIDIA zei dat de implementatie op Nebius dezelfde kwaliteit levert als toonaangevende gesloten modellen, tegen 60% van de kosten per antwoord. Dat cijfer beschrijft de relatieve kosten, niet een kostenbesparing van 60%.
Andere projecten zijn nog in ontwikkeling. NatWest bouwt spraaktechnologie die Britse accenten, dialecten en financiële terminologie moet herkennen, met behulp van NVIDIA-spraakmodellen, waaronder Nemotron 3.5 ASR. Modulr ontwikkelt gespecialiseerde modellen voor verschillende betalingsprocessen, gebaseerd op het open model Nemotron-3-Ultra-550B.
Santander is een vroege gebruiker van NVIDIA's nieuwe Kumo-familie van open-weightfoundationmodellen voor gestructureerde financiële gegevens. De bank gebruikt de modellen om gespecialiseerde intelligentie voor kernprocessen in de banksector te ontwikkelen.
Financieel onderzoek krijgt snellere datatools
LSEG werkt samen met NVIDIA om financiële instellingen te helpen grote hoeveelheden historische tickgegevens tot 10 keer sneller te analyseren. Hierbij wordt de Polars GPU-engine gebruikt, versneld door cuDF op RTX PRO 6000 Blackwell-GPU's.
RavenPack heeft op Bigdata.com een pipeline voor het genereren van datasets gebouwd met behulp van een op maat afgestemd NVIDIA Nemotron-model. Het model neemt een in gewone taal geformuleerde onderzoekshypothese en levert een gelabelde dataset op die klaar is voor backtesting. Beleggers kunnen die gebruiken om markttrends te identificeren, analyseren en visualiseren.
Winst bij fraudeverwerking omvat resultaten uit offline tests
HSBC gebruikt de GPU Engine van Starburst Enterprise voor inzichten in klanten die vrijwel in realtime beschikbaar zijn en besluitvorming op aanvraag, terwijl risico's en fraude tot een minimum worden beperkt. NVIDIA meldde dat de gegevensverwerking vijf keer sneller verliep.
De resultaten van Stripe waren uitdrukkelijk beperkt tot offline tests. NVIDIA zei dat GPU-versnelde Ray Data in die tests dat apipelines opleverde die 42 keer sneller waren en 92% kostenbesparing voor het fraudedetectieplatform Stripe Radar. De gemelde winst betreft datapipelines voor machine learning, niet een gekwantificeerde verbetering van de nauwkeurigheid van fraudedetectie.
Lees meer nieuws
Disclaimer
Dit artikel van FinanceVelix bevat algemene informatie en is geen persoonlijk financieel, beleggings-, juridisch of fiscaal advies. Marktprijzen, rentetarieven en economische omstandigheden kunnen veranderen; beleggen brengt het risico van verlies met zich mee. De feiten weerspiegelen het materiaal dat beschikbaar was op het moment van publicatie en kunnen veranderen. Controleer belangrijke informatie zelfstandig en raadpleeg zo nodig een gekwalificeerde deskundige. Een vermelding van een activum, bedrijf of dienst houdt geen aanbeveling in.
