Что может искусственный интеллект при финансовых вычислениях

Юрий Муранов

Главный редактор

Точнее или проще?

Дилемма точности и простоты финансовых операций имеет глубокие корни, уходящие еще к временам до появления денег. В частности, самый ранний документ, описывающий случайное или умышленное искажение расчета сложными процентами, датируется примерно 2400 годом до н. э. Это шумерский глиняный конус с текстом соглашения между царствами Лагаша и Уммы. Возможно, именно разное представление о результате таких вычислений послужило предлогом для начала войны между ними.

Экспертное мнение

Александр Бевзелюк

Доцент, кандидат экономических наук

Еще 40 веков назад Шульги (царь Ура, Шумера и Аккада), чтобы повысить качество информации и управления, построил огромный дворец Эхурсаг, в котором разместил своих госслужащих. Такой подход усилил взаимодействие чиновников. Кроме этого, была изменена учебная программа школы писцов.

В наши дни разработчикам и пользователям систем искусственного интеллекта нужны рациональные решения для точных вычислений. Особенно это касается прикладных финансовых и экономических расчетов.

Читать

Скрыть

Развитию точности и простоты вычислений с помощью ИИ помогают, например, расширение больших языковых моделей (LLM), повышение уровня финансовой грамотности пользователей, улучшение интерфейсов, обеспечение прозрачности документации. Большое развитие получает Smartphone Machine Learning (SML) – его мы рассмотрим подробнее далее.

Что такое SML

SML – это машинное обучение, для которого достаточно как минимум смартфона и пользовательского интерфейса. С их помощью можно взаимодействовать с предварительно обученными и дообученными языковыми моделями. SML использует для создания программ не языки программирования, а термины, доступные различным группам людей: от школьников до узких специалистов (например, конструкторов сельхозмашин, экологов или экономистов).

SML позволяет изменить сам подход к построению языковых моделей, особенно микросервисной архитектуры, если планируется привлечение исполнителей из различных отраслей. Профильный специалист или группа фокусируются на конкретном модуле (код-промпте – КП), создаваемом на их профессиональном языке без участия программиста. Настройку соединений между модулями обеспечивает DevOps-инженер.

Гуманитарии и технари

Чтобы лучше понять смысл SML, посмотрим на результаты испытаний от 16 августа 2024 года, где использовался распространенный промпт «Мне нужна стратегия по уменьшению долга». Использованные нейросети доступны в России бесплатно и без VPN. 

Сначала условно разделим промпты на «технари» и «гуманитарии». Для первых нужны четкие математические формулировки цели и условий задачи. Это может быть, например, задача рассчитать кредит, депозит или проектное финансирование исходя из конкретных данных. Вторые подобных строгих условий не требуют.

Языковые модели – это инструменты-«гуманитарии», а не «технари». Первые используют качественные методы анализа, вторые – количественные.

Понятно, что финансистам нужны оба вида запросов, но в данном испытании нас интересуют ответы чат-ботов на промпт–«гуманитарий» из следующего примера.

1. Бот НашGPT учел значения из промпта и сразул дал рекомендации

2. Бот GigaChat приступил к финансовым расчетам в последнюю очередь

При первом тестировании сервис НашGPT с движком Llama-3.1-70b сделал две ошибки – завысил ежемесячный доход и не учел его при расчете ожидаемого срока возврата кредита. После второй попытки с доработанным промптом он выдал правильные вычисления вместе с общими рекомендациями. Бот GigaChat, созданный на оригинальной модели Сбера, сначала только ограничился советами по уменьшению долга, но потом тоже предоставил примерные расчеты.

Проверить логику вычислений LLM и повторить расчеты можно самому. При этом, даже используя готовые промпты, желательно сверять результаты со значениями, полученными самостоятельно. 

В целом, из десяти чат-ботов, выбранных для тестирования, два считали недостоверно, а еще два выдали лишь рекомендации без финансовых вычислений. Таким образом, удовлетворительные результаты (правильные расчеты плюс рекомендации) показали только 60% нейросетей, что для пользователя-«технаря», неприемлемо.

Если же вы – «гуманитарий», ваш вывод будет другим. В таком испытании победил GigaChat, поскольку, его план действий включает больше пунктов.

1. НашGPT подготовил 4 совета по стратегии уменьшения долга

2. Бот GigaChat подготовил 5 советов

3. Бот GigaChat подготовил 5 советов

В данном соревновании языковым моделям направлен гуманитарный промпт и получены такие же ответы. Если же использовать запрос с понятным математическим алгоритмом, доля удовлетворительных ответов приближается к 100%.

В результате испытаний можно сделать вывод: хотя языковые модели и являются «гуманитариями», при получении корректного задания успешно решают многие финансовые и экономические задачи. 

SML позволит пользователю бесплатно проверить финансовые вычисления и определить лучший вариант действий. Для примера попробуем проверить данные банка и рассчитать переплату по кредиту при помощи нейросети. 

Нейросеть и расчет кредита

Для примера возьмем кредит, выдаваемый в этом году одним из крупных банков на приобретение автомобиля марки Geely на 3 года. Схема погашения кредита – дифференцированная, точно в срок (36 платежей). По итогам расчета, сделанного в банке, получилась следующая таблица:

В таблице сразу виден дефект: сумма возврата основного долга – 1 049 967,36 ₽ (помечена звездочкой слева) больше тела кредита – 1 020 801,6 ₽.

При анализе таблицы обнаруживается противоречие: ежемесячные суммы возврата основного долга (второй столбец) банк рассчитал не «точно в срок», а по схеме «меньше на месяц» – 29 165,76 ₽, то есть, исходя из 35 (36 - 1) месяцев. Однако суммы возврата тела кредита размещены в 36 платежных периодах. При правильном расчете итоговая выплата составит 1 134 903,74 ₽, а в таблице указано 1 160 979,53 ₽ (помечено звездочкой справа). Разница в показателях итоговой выплаты – 26 075,79 ₽ не в пользу заемщика. Предоставленные банком вычисления непонятны и недостаточно точны.

Банк также не показал переплату по кредиту. Определим ее с помощью код-промпта в сервисе Нейрокот (на базе GPT-3.5). Из заранее введенных в смартфон схем погашения выбираем дифференцированную и по соответствующему запросу находим нужный КП.

Параметры кредита вводим в шаблон КП и направляем его боту Нейрокот. Требуется определить переплату и разницу между платежами по данным кредитора и нейросети.

Тестирование КП либо нейросети в данном случае не требовалось, и Нейрокот в штатном полевом режиме сообщил, что переплата по кредиту составляет 114 111,44 ₽, а завышение долговых требований кредитора – 26 066,49 ₽.

Похожие расчеты можно выполнить самостоятельно. Чтобы самому писать такие КП, потребуется вспомнить арифметическую прогрессию из школьной математики, так как в открытом доступе формул платежей заемщика нет.

Для примера мы взяли следующий код-промпт:

1. Кредит: ТК = 1 020 801,60 ₽
2. Ставка кредита: ГСДЮ = 0,0725
3. Срок дифференцированных платежей: М = 36 мес.
4. Выплата займа по данным кредитора: СумК@ = 1 160 979,53 ₽

НАДО:

1. Ежемесячный возврат тела кредита: МДТК = ТК / М
2. Кредит плюс ежемесячный возврат: СумТК = ТК+МДТК
3. Половина СумТК: ПолТК = СумТК / 2
4. Месячная ставка кредита: МЯ = ГСДЮ / 12
5. Среднемесячная сумма процентов: Точ%П = ПолТК * МЯ
6. Переплата по кредиту при правильном расчете: ПТоч%В = Точ%П * М
7. Выплата займа по расчету нейросети: ТСВТЦ = ТК+ПТоч%В
8. Разница выплат займа по данным кредитора и нейросети: РПРТЦ = СумК@ - ТСВТЦ
9. Выводы по пунктам 6 и 8

В шаблон КП нужно подставить свои данные и отправить его чат-боту. Нейросети справляются и с более трудными задачами. Например, они могут определять выгоду покупателя автомобиля с учетом инфляции и конкретных условий заемщика. 

Заключение

Сейчас многие языковые модели, доступные массовому пользователю, уже могут решать финансовые задачи – например, рассчитывать платежи по кредиту. Для этого можно использовать готовые промпты или формировать запросы самостоятельно. При правильном использовании искусственный интеллект способен помочь грамотно управлять финансами.

Тем не менее, полностью полагаться на ИИ при финансовых расчетах все еще не стоит. Из-за недостаточно хорошо обученной модели или неправильно составленного промпта остается риск получить ошибочные результаты. Для большей точности желательно проверять полученные вычисления самостоятельно и сверять их с другими источниками.