如果說2023年是讓企業認識與瞭解GenAI的一年，那麼2024年就是企業積極導入的一年，無論是政府、企業或學術界，幾乎都在探討GenAI的應用價值，日前，在iKala舉辦的「金融高階早餐會」上，與會的眾多專家也從應用、技術及策略3個面向，探討金融業該如何應用生成式AI達到降本增效的目的。
數位發展部數位產業署署長呂正華指出，過去一年生成式AI基礎模型快速發展，還有各種不同的開發工具、平台與應用服務，透過這些解決方案讓生成式AI可以充份發揮賦能產業的價值，加速推動台灣各產業升級，未來數發部希望能與科技業一起努力，加深台灣產業的科技應用，以提升產業競爭力。
應用面》中國信託、富果投資，用上雲放大AI價值
在應用面，iKala共同創辦人暨執行長程世嘉認為，生成式AI雖然發展速度快，但企業在面對目前市場上眾多的AI解決方案，其實不容易做出最適合的選擇，因此iKala與Google Cloud攜手結合技術與顧問服務，從需求角度出發，全力協助金融業導入生成式AI應用。
「生成式AI是金融業數位轉型的再延續，在這波AI轉型中，最重要的就是為員工賦能，透過AI提高員工生產力，」iKala董事簡立峰進一步引述《Google Cloud Gen AI Benchmarking Study》指出，金融業前4大生成式AI應用分別是，提高員工作業效率的虛擬助理（80%）、金融文件的搜尋與分析（78%）、個人化推薦（76%）及資本市場研究評估（72%）。
已經將AI應用在客戶體驗、內部流程、防詐等領域的中國信託，對生成式AI應用亦抱持高度關注。中國信託科技長賈景光指出，生成式AI為金融業商業模式和營運帶來很大的改變，可說是金融上雲的殺手級應用。
不過，在大規模應用AI之前，上雲是不可避免的環節，中國信託早在數年前便開始啟動上雲計劃，將所有應用系統轉變成雲原生架構，並部署在私有雲上，之後伴隨金管會法規開放，再逐步引進公有雲服務。原因在於，公有雲具有AI創新、數位韌性及國際部署三大關鍵能力，可以與私有雲創造互補效益進而提高數位競爭力。
在AI創新能力上，隨著AI應用情境越來越多，對算力的需求也越來越大，未來勢必要借助公有雲資源才能有效滿足AI應用的算力需求。在數位韌性能力上，公有雲平台可以靈活且彈性的調度硬體資源，有效確保網路服務的穩定性和品質。在國際部署能力上，透過公有雲，金融業可以快速在台灣以外的雲端機房打造異地備援站點，又或是將系統快部部署至海外據點，省去人力往返的時間和成本。
專注於服務年輕世代的富果投資，於2018年開啟上雲之路。富果投資執行長葉力維表示，考量需與國內金融業合作，因此選擇落地台灣的Google雲平台GCP，並與玉山證券合作推出嵌入式股票交易和帳務查詢服務，使券商內的金融服務可以嵌入至各種需要下單的場景，如：投資資訊App、新聞網頁等，創造證券業異業合作的場景金融技術架構。
在開發平台的過程中發現市場上缺乏對開發者友善的報價串流服務，因此打造了台灣第一套全雲端的即時報價Web API系統，並因應程式交易持續成長的趨勢，和玉山證券及富邦證券等券商合作，推出跨平台交易SDK，支援Windows、Mac、Linux等不同平台，及Python、JavaScript、C#等程式語言，給予程式交易者開發的便利。
未來，葉力維希望站在雲端基礎上，持續發展好看且好用的數位服務，不只幫助投資人自信投資全球，也使全球（外國自然人）能便捷投資台灣。
技術面》Google Cloud提供由下至上完整支援，一站式滿足GenAI導入需求
在技術面，Google Cloud 大中華區合作夥伴暨亞太區獨立軟體供應商合作夥伴架構師總監林政君強調平台的重要性。
林政君指出，金融業常見的AI應用場景可分為三類，一是強化增長，也就是加快成長的速度；二是降本增效，即更省成本更高效率，三為加速應變，可以快速應對外界環境或法規變化。無論是哪一種應用場景，金融業需要的都不會只是基礎模型，而是一個涵蓋算力、數據、AI及服務的平台。
為此，Google Cloud整合各項資源，提供從從底層到上層的完整支援，包括GPU/TPU算力、數據平台、Vertex AI平台及套裝解決方案（如：Gemini for Google Workspace、Gemini for Google cloud等）。其中，Vertex AI平台分為Vertex AI Model Garden、Vertex AI Model Builder及Vertex AI Agent Builder，無論企業想直接選用市場既有的基礎模型，或自行建構模型及開發Agent，都不是問題。
策略面》因應產業特殊性，金融業應先談AI治理再看導入成效
在策略面，iKalaCloud 科技顧問服務暨專管理室總監李典翰認為，金融業AI策略可以分為Taker、Shaper及Maker三種不同模式，主要根據AI應用場景及可投入資源的多寡來決定要採用哪一種策略。
Taker是使用既有GenAI 解決方案並整合至日常工作流程，Shaper是針對既有GenAI 解決方案進行部分客製化，或使用內部資料對既有GenAI模型進行微調（Fine-Tune），Maker則為根據組織需求客製化發展一個全新的GenAI模型。
除了這三大策略，李典翰亦建議金融業在大規模導入AI時，應依循以下4大步驟逐步前進，第一是選定單點場景試行，以試行成效來取得內部支持，從而奠定AI企業文化，第二為規劃AI at Scale藍圖，找出AI應用成效較顯著的場景，並預判斷可行性及導入成效，第三是進行AI 流程再造，讓內部同仁與AI可以順暢的協作，才能發揮預期導入效益，第四為建立AI配套措施，檢視導入AI後，組織還缺少的技能，並透過培訓與招募方式加以補強。
導入應用AI是金融業創造最大獲利成長的途徑之一，只要事先做好完整規劃，並完善考量到AI治理、合規與風險值等議題，定能讓AI導入效益像海嘯一樣襲捲而來，推動金融業營運邁向下一個世代。
