NVIDIA kunngjorde på GTC Berlin 22. oktober at Revolut skalerer grunnmodellen PRAGMA i produksjon for en innledende kundebase på 80 millioner. Andre prosjekter omfatter bankeide modeller, betalingsoperasjoner og akselerert databehandling, fra operative systemer til utviklingsarbeid og frakoblede tester.

Hovedpunkter

  • Revoluts PRAGMA betjener en innledende kundebase på 80 millioner og er konstruert for å kunne skaleres til tre ganger dette nivået.
  • Banker og betalingstilbydere utvikler egen intelligens ved hjelp av egne data, modeller med åpne vekter og akselerert infrastruktur.
  • NVIDIA rapporterte betydelige gevinster i databehandlingen, blant annet resultater fra Stripes frakoblede tester med 42 ganger raskere datapipelines og 92 % kostnadsbesparelser.

Innholdsfortegnelse

Europeisk finansiell KI tas i bruk i produksjon

Revolut bygger om teknologistakken sin rundt PRAGMA som én enkelt grunnmodell. Ifølge NVIDIA bruker banken verktøysettet cuDF og programvaren Dynamo-Triton på Blackwell Ultra-GPU-er for å skalere systemet i produksjon. Den oppgitte skaleringskapasiteten på tre ganger dagens nivå er et teknisk mål, ikke en rapportert utvidelse av den nåværende kundebasen.

Kunngjøringen fremhevet også institusjoner som bygger intelligens basert på egne transaksjonsdata. Starling Bank utviklet Starling Intelligence, laget som ligger til grunn for bankens KI-funksjoner, på Civos britiske skyplattform ved hjelp av bankens transaksjonsdata. NVIDIA beskrev Starling som den første banken som har trent en agentisk modell på britisk suveren skyinfrastruktur.

Lloyds Banking Group bygget ATUM, en grunnmodell for transaksjoner som omdanner milliarder av banktransaksjoner til gjenbrukbar intelligens. NVIDIA opplyste at RTX PRO 6000 Blackwell-GPU-er akselererer modellen, som forbedrer effektiviteten på tvers av bankens bruksområder. SBS lanserte separat en suveren plattform for bankintelligens, utformet for å la banker kjøre generative og agentiske modeller uten å flytte data utenfor egne systemer.

Åpne modeller støtter assistenter og spesialiserte arbeidsoppgaver

Neobanken bunqs assistent Finn kjører nå på modeller med åpne vekter. NVIDIA opplyste at utrullingen på Nebius gir kvalitet på nivå med ledende lukkede modeller til 60 % av kostnaden per svar. Dette tallet beskriver den relative kostnaden, ikke en kostnadsreduksjon på 60 %.

Andre prosjekter er fortsatt under utvikling. NatWest bygger taleteknologi som skal gjenkjenne britiske aksenter, dialekter og finansiell terminologi, ved hjelp av NVIDIAs talemodeller, blant annet Nemotron 3.5 ASR. Modulr utvikler spesialiserte modeller for ulike betalingsoperasjoner basert på den åpne modellen Nemotron-3-Ultra-550B.

Santander er en tidlig bruker av NVIDIAs nye Kumo-familie av grunnmodeller med åpne vekter for strukturerte finansielle data. Banken bruker modellene til å bygge spesialisert intelligens for sentrale bankoppgaver.

Finansiell forskning får raskere dataverktøy

LSEG samarbeider med NVIDIA for å hjelpe finansinstitusjoner med å analysere store mengder historiske tick-data opptil 10 ganger raskere. Arbeidet bruker Polars GPU-motor, akselerert av cuDF på RTX PRO 6000 Blackwell-GPU-er.

RavenPack har bygget en datapipeline for datasettgenerering på Bigdata.com ved hjelp av en finjustert NVIDIA Nemotron-modell. Den tar en forskningshypotese formulert i vanlig språk og returnerer et merket datasett som er klart for backtesting, som investorer kan bruke til å identifisere, analysere og visualisere markedstrender.

Gevinster i svindelbehandling omfatter resultater fra frakoblede tester

HSBC bruker Starburst Enterprises GPU Engine for å støtte kundeinnsikt nær sanntid og beslutningstaking på forespørsel, samtidig som risiko og svindel begrenses. NVIDIA rapporterte fem ganger raskere databehandling.

Stripes resultater var uttrykkelig begrenset til frakoblede tester. NVIDIA opplyste at Ray Data med GPU-akselerasjon ga 42 ganger raskere datapipelines og 92 % kostnadsbesparelser for Stripes svindeldeteksjonsplattform Radar i disse testene. De rapporterte gevinstene gjelder datapipelines for maskinlæring, ikke en tallfestet forbedring i treffsikkerheten for svindeldeteksjon.

Les flere nyheter

Flere nyheter fra FinanceVelix

Ansvarsfraskrivelse

Denne FinanceVelix-artikkelen gir generell informasjon, ikke personlig tilpasset finansiell, investeringsmessig, juridisk eller skattemessig rådgivning. Markedspriser, renter og økonomiske forhold kan endre seg; investeringer innebærer risiko for tap. Opplysningene gjenspeiler materialet som var tilgjengelig på publiseringstidspunktet, og kan endres. Kontroller viktig informasjon uavhengig, og rådfør deg med en kvalifisert fagperson ved behov. Omtale av en eiendel, et selskap eller en tjeneste innebærer ingen anbefaling.