22 жовтня на GTC Berlin NVIDIA оголосила, що Revolut масштабує свою фундаментальну модель PRAGMA для роботи у виробничому середовищі, спочатку охопивши 80 мільйонів клієнтів. Інші проєкти стосуються моделей, що належать банкам, платіжних операцій і прискореної обробки даних — від діючих систем до розробок і офлайн-тестів.

Ключові висновки

  • PRAGMA від Revolut обслуговує початкову аудиторію у 80 мільйонів клієнтів і спроєктована так, щоб масштабуватися до рівня, який утричі перевищує цей показник.
  • Банки та платіжні провайдери розробляють власні інтелектуальні рішення, використовуючи власні дані, моделі з відкритими вагами та прискорену інфраструктуру.
  • NVIDIA повідомила про значне прискорення обробки, зокрема про результати офлайн-тестів Stripe: конвеєри працювали у 42 рази швидше, а витрати знизилися на 92%.

Зміст

Фінансовий ШІ в Європі переходить до виробничого використання

Revolut перебудовує свій технологічний стек навколо PRAGMA як єдиної фундаментальної моделі. За даними NVIDIA, банк використовує інструментарій cuDF і програмне забезпечення Dynamo-Triton на графічних процесорах Blackwell Ultra для масштабування системи у виробничому середовищі. Заявлена здатність масштабуватися утричі є інженерною ціллю, а не повідомленням про фактичне збільшення поточної клієнтської бази.

В оголошенні також було відзначено установи, що створюють інтелектуальні рішення на основі власних даних про транзакції. Starling Bank розробив Starling Intelligence — рівень, на якому ґрунтуються його можливості ШІ. Рішення працює в хмарі Civo у Великій Британії та використовує дані про транзакції банку. NVIDIA назвала Starling першим банком, який навчав агентну модель у суверенній хмарній інфраструктурі Великої Британії.

Lloyds Banking Group створив ATUM — фундаментальну модель транзакцій, що перетворює мільярди банківських операцій на інтелектуальні дані багаторазового використання. За словами NVIDIA, графічні процесори RTX PRO 6000 Blackwell прискорюють роботу моделі, яка підвищує ефективність у різних напрямах діяльності банку. Окремо SBS запустила суверенну платформу банківського інтелекту, покликану дати банкам змогу запускати генеративні й агентні моделі, не передаючи дані за межі власної інфраструктури.

Відкриті моделі для асистентів і спеціалізованих завдань

Асистент Finn необанку bunq тепер працює на моделях із відкритими вагами. За даними NVIDIA, його розгортання на Nebius забезпечує якість на рівні провідних закритих моделей за 60% їхньої вартості за одну відповідь. Цей показник характеризує відносну вартість, а не її зниження на 60%.

Інші проєкти ще перебувають на стадії розробки. NatWest створює мовну технологію для розпізнавання британських акцентів, діалектів і фінансової термінології на основі мовних моделей NVIDIA, зокрема Nemotron 3.5 ASR. Modulr розробляє спеціалізовані моделі для різних платіжних операцій на основі відкритої моделі Nemotron-3-Ultra-550B.

Santander став одним із перших користувачів нового сімейства відкритих моделей із відкритими вагами Kumo від NVIDIA, призначених для структурованих фінансових даних. Банк використовує ці моделі для створення спеціалізованих інтелектуальних рішень для ключових банківських завдань.

Швидші інструменти для фінансових досліджень

LSEG співпрацює з NVIDIA, щоб допомогти фінансовим установам аналізувати великі обсяги історичних біржових даних із частотою до 10 разів швидше. У проєкті використовується графічний рушій Polars, прискорений засобом cuDF на графічних процесорах RTX PRO 6000 Blackwell.

RavenPack створила на Bigdata.com конвеєр для формування наборів даних, використовуючи донавчену модель NVIDIA Nemotron. Він приймає дослідницьку гіпотезу, сформульовану звичайною мовою, і повертає розмічений набір даних, готовий до бектестування. Інвестори можуть використовувати його, щоб виявляти, аналізувати й візуалізувати ринкові тенденції.

Прискорення обробки даних для виявлення шахрайства: результати офлайн-тестів

HSBC використовує GPU Engine від Starburst Enterprise, щоб забезпечувати майже миттєве отримання даних для клієнтів і ухвалення рішень за запитом, водночас мінімізуючи ризики та шахрайство. NVIDIA повідомила про п’ятикратне прискорення обробки даних.

Результати Stripe стосувалися виключно офлайн-тестування. За даними NVIDIA, прискорений графічними процесорами Ray Data забезпечив у цих тестах у 42 рази швидшу обробку даних у конвеєрах і скорочення витрат на 92% для платформи виявлення шахрайства Stripe Radar. Наведені результати стосуються конвеєрів обробки даних для машинного навчання, а не кількісно оціненого підвищення точності виявлення шахрайства.

Читайте також

Більше новин FinanceVelix

Відмова від відповідальності

Ця стаття FinanceVelix містить загальну інформацію, а не персоналізовані фінансові, інвестиційні, юридичні чи податкові поради. Ринкові ціни, процентні ставки та економічні умови можуть змінюватися; інвестиції пов’язані з ризиком збитків. Факти відповідають матеріалам, доступним на момент публікації, і можуть змінитися. Самостійно перевіряйте важливу інформацію та за потреби звертайтеся до кваліфікованого фахівця. Згадка про актив, компанію чи послугу не є рекомендацією.