NVIDIA meddelade den 22 oktober vid GTC Berlin att Revolut skalar upp sin grundmodell PRAGMA i produktion för en inledande kundbas på 80 miljoner. Andra projekt omfattar bankägda modeller, betalningsverksamhet och snabbare databehandling, från system i drift till utvecklingsarbete och offline-tester.

Viktigaste punkterna

  • Revoluts PRAGMA betjänar en inledande kundbas på 80 miljoner och är konstruerad för att kunna skalas upp till tre gånger den nivån.
  • Banker och betaltjänstleverantörer utvecklar egen intelligens med hjälp av sina egna data, modeller med öppna vikter och accelererad infrastruktur.
  • NVIDIA rapporterade betydande effektivitetsvinster i databehandlingen, däribland Stripes resultat från offline-tester: 42 gånger snabbare pipelines och 92 % lägre kostnader.

Innehållsförteckning

Europeisk finansiell AI tas i drift

Revolut bygger om sin teknikstack kring PRAGMA som en enda grundmodell. Enligt NVIDIA använder banken verktygslådan cuDF och programvaran Dynamo-Triton på Blackwell Ultra-GPU:er för att skala upp systemet i produktion. Den angivna kapaciteten att skala upp systemet trefaldigt är ett tekniskt mål, inte en rapporterad utökning av den nuvarande kundbasen.

Tillkännagivandet lyfte också fram institutioner som bygger intelligens utifrån sina egna transaktionsuppgifter. Starling Bank utvecklade Starling Intelligence, det lager som ligger till grund för bankens AI-funktioner, i Civos brittiska moln med hjälp av bankens transaktionsdata. NVIDIA beskrev Starling som den första banken att träna en agentisk modell på brittisk suverän molninfrastruktur.

Lloyds Banking Group byggde ATUM, en grundmodell för transaktioner som omvandlar miljarder banktransaktioner till återanvändbar intelligens. NVIDIA uppgav att RTX PRO 6000 Blackwell-GPU:er accelererar modellen, som förbättrar effektiviteten inom användningsområden i hela banken. Separat lanserade SBS en suverän plattform för bankintelligens, utformad för att låta banker köra generativa och agentiska modeller utan att flytta data utanför sina egna system.

Öppna modeller stöder assistenter och specialiserade arbetsbelastningar

Neobanken bunqs assistent Finn körs nu på modeller med öppna vikter. NVIDIA uppgav att driftsättningen på Nebius motsvarar kvaliteten hos ledande slutna modeller till 60 % av kostnaden per svar. Den siffran avser den relativa kostnaden, inte en kostnadsminskning på 60 %.

Andra projekt är fortfarande under utveckling. NatWest bygger talteknik som är utformad för att känna igen brittiska accenter, dialekter och finansiell terminologi med hjälp av NVIDIAs talmodeller, däribland Nemotron 3.5 ASR. Modulr utvecklar specialiserade modeller för olika betalningsprocesser baserade på den öppna modellen Nemotron-3-Ultra-550B.

Santander är en tidig användare av NVIDIAs nya Kumo-familj av grundmodeller med öppna vikter för strukturerade finansiella data. Banken använder modellerna för att bygga specialiserad intelligens för centrala banktjänster.

Finansiell forskning får snabbare dataverktyg

LSEG samarbetar med NVIDIA för att hjälpa finansiella institutioner att analysera stora volymer historiska tickdata upp till 10 gånger snabbare. Arbetet använder GPU-motorn Polars, accelererad av cuDF på RTX PRO 6000 Blackwell-GPU:er.

RavenPack har byggt en pipeline för generering av dataset på Bigdata.com med hjälp av en finjusterad NVIDIA Nemotron-modell. Den tar en forskningshypotes formulerad på vardagsspråk och returnerar ett märkt dataset som är klart för backtestning, vilket investerare kan använda för att identifiera, analysera och visualisera marknadstrender.

Effektivare bedrägeribearbetning omfattar resultat från offline-tester

HSBC använder Starburst Enterprises GPU Engine för att stödja kundinsikter nära realtid och beslutsfattande på begäran, samtidigt som risker och bedrägerier minimeras. NVIDIA rapporterade fem gånger snabbare databehandling.

Stripes resultat var uttryckligen begränsade till offline-tester. NVIDIA uppgav att GPU-accelererade Ray Data i dessa tester gav 42 gånger snabbare datapipelines och 92 % lägre kostnader för Stripes plattform Radar för bedrägeridetektion. De rapporterade vinsterna gäller datapipelines för maskininlärning, inte någon kvantifierad förbättring av träffsäkerheten i bedrägeridetektionen.

Läs fler nyheter

Fler nyheter från FinanceVelix

Ansvarsfriskrivning

Denna FinanceVelix-artikel innehåller allmän information, inte personlig finansiell rådgivning, investeringsrådgivning, juridisk rådgivning eller skatterådgivning. Marknadspriser, räntor och ekonomiska förhållanden kan förändras; investeringar innebär risk för förlust. Uppgifterna återger det material som fanns tillgängligt vid publiceringen och kan komma att ändras. Kontrollera viktig information självständigt och rådfråga vid behov en kvalificerad fackperson. Att en tillgång, ett företag eller en tjänst nämns innebär inte att FinanceVelix rekommenderar den.