A vizsgálat során a kutatók a ChatGPT egy fejlett modelljét tették próbára, és az eredmények alapján az LLM képes volt több kulcsfontosságú pénzkezelési feladatot önállóan, hatékonyan és meglepően pontosan elvégezni.
Az MI és az intranapi likviditásmenedzsment találkozása
A Bank for International Settlements (BIS) és a Bank of Canada szakértői arra keresték a választ, hogy egy nagy nyelvi modell – például a ChatGPT – képes lehet-e segíteni, sőt akár teljesen automatizálni az intranapi likviditásmenedzsmentet. A kísérletekhez a ChatGPT „o3 reasoning” modelljét használták, amely fejlett problémamegoldó és döntéshozó képességekkel rendelkezik.
A tanulmány fókuszában a valós idejű bruttó elszámolási rendszerek (RTGS) álltak, mint amilyen az USA-ban működő Fedwire, az Egyesült Királyság CHAPS rendszere, az eurózóna TARGET2-je vagy a kanadai Lynx. Ezek a rendszerek naponta bankközi tranzakciók millióit dolgozzák fel, és kulcsszerepük van a pénzügyi stabilitás megőrzésében.
A legnagyobb feladat az RTGS-rendszerekben az optimális likviditási egyensúly fenntartása: biztosítani kell, hogy elegendő fedezet álljon rendelkezésre minden fizetéshez, ugyanakkor az sem jó, ha a bank túl sok likviditást köt le, mert az más területeken hiányt okozhat.
Mit tudott a ChatGPT a kísérletekben?
A kutatók valósághű szimulációkat készítettek, amelyek váratlan likviditási sokkokat és ütköző fizetési prioritásokat modelleztek. A ChatGPT feladata az volt, hogy ezekben a helyzetekben egy intranapi likviditásmenedzser szerepét játssza, és ennek megfelelően adjon utasításokat és javaslatokat.
A modell a szakértők szerint mindenféle előképzés nélkül is képes volt:
- fenntartani a szükséges likviditási puffereket,
- intelligens prioritási sorrendet felállítani a kifizetések között,
- rugalmasan kezelni a késéseket,
- optimalizálni a likviditás felhasználását és a feldolgozási sebességet.
A javaslatai arányosak, átgondoltak és következetesek voltak – vagyis sem túl óvatos, sem túl agresszív döntéseket nem hozott.
Automatizálható a pénzkezelés?
A tanulmány szerint az eredmények arra utalnak, hogy az LLM-alapú rendszerek akár különösebb pénzügyi előismeretek nélkül is képesek lehetnek rutin likviditásmenedzsment-feladatok automatizálására. Ez hosszú távon csökkentheti a bankok működési költségeit, és növelheti a fizetési rendszerek hatékonyságát.
Ugyanakkor a kutatók figyelmeztetnek: a jelenlegi modellek nem hibátlanok. Néha félreértenek helyzeteket, hibás logikát követnek, és az adatok feldolgozása sem mindig teljesen konzisztens. Egyelőre az sem bizonyított, hogy egy ilyen rendszer éles, nagy kockázatú környezetben is megfelelően működne.
Szabályozói és bizalmi dilemmák
A tanulmány külön kitér azokra a szabályozási és etikai kérdésekre, amelyek az MI-alapú automatizációval együtt járnak. Mivel a fizetési rendszerek működtetése közérdek, az automatizálás új kockázatai is kiemelt figyelmet igényelnek. A legfontosabb felmerülő kérdések:
- Ki vállalja a felelősséget, ha egy automatizált rendszer hibázik?
- Hogyan biztosítható az átláthatóság és a szabályozói megfelelés?
- Milyen beépített biztonsági korlátokra van szükség?
A kutatás szerint a központi bankoknak és pénzügyi felügyeleteknek mielőbb fel kell készíteniük szabályozási kereteiket az MI-alapú döntéshozatal korszakára – még azelőtt, hogy ezek a rendszerek széles körben elterjednének.
(Forrás: fintech.hu)
(Borítókép: Depositphotos)
Szólj hozzá