开云体育,开云体育官方网站,开云体育APP下载首先，纽交所存储和管理交易市场中产生的海量历史数据，需要自建庞大的服务器或数据中心，大量的硬件设备和人力资源带来的运维成本极高。其次，由于参与纽交所交易活动的投资人来自世界各地，如何让不同地区的投资人都能享受到快速的访问速度和高质量的网络服务是一项难题。同时，由于资本市场数据的高度敏感性，纽交所必须确保全球投资人与上市公司数据的安全性、合规性和同步备份。此外，纽交所的分析师们和监管部门在处理分析海量交易数据时，例如识别、筛选、标记、处理其中的欺诈有害信息，对数据中心的分析算力也提出了不小的考验。

　　于是，纽交所决定开始“上云”战略，选择与亚马逊云科技合作，将数据迁移到云端，由亚马逊云科技集中管理、处理、收集和存储，提供纽交所日常所需的数据运营服务，并支持客户能够大规模获取纽交所的历史参考数据。以Amazon S3储存服务为例，它在可扩展性、数据可用性、安全性和能效方面业界领先，为数百万不同规模和行业的客户提供几乎可应用于任何场景的存储、管理、分析和保护任意数量的数据。借助高成本效益的存储类和易于使用的管理功能，Amazon S3帮助纽交所优化成本、组织并分析数据，以及配置精细调整过的访问控制，从而满足特定的业务和合规性要求。

　　而早在2016年，证券市场中就有过使用AI技术识别市场欺诈信息和操纵行为的先例，如在大交易达成时从聊天室中搜寻、整理各类信息，快速解决“分层”等复杂问题，“分层”即向证券交易所提交订单后立即取消交易，人工操纵股市价格。当然，AI未必能阻止类似“闪电”的事件，但可以更快地找到造成类似事件的操纵行为，保障市场监管者省时省力。同时，由于AI能够同时分析数百万个数据点，某种程度上取代了大量来自人力的数据处理和分析工作，不仅能提供相对客观的投资策略建议，还显著减低了金融机构的运营成本，因此坊间甚至一度曾引发“基金经理和金融分析师是否会被人工智能取代”的讨论。

　　在纽交所，目前的工作流程在许多环节中仍然离不开人工操作和干预，人工智能辅助人类决策的“人机协作”模式更符合现实。一个显而易见的问题是：并非所有纽交所交易人都是谙熟市场规则的资深投资人士，即便是证券行业从业者，面对时常更迭的监管文件和复杂的交易法规也会无所适从。Anand Pradha也表示：“在2007年，我刚刚进入纽交所时并不能理解这些复杂的交易规则，以至于我不得不寻找专业团队为我简化这些条文。”因此，更值得尝试的方向是生成式AI。然而，对于大多数企业而言，在构建生成式AI应用前如何找到合适的模型是一项重大问题，因为企业方通常仅对单一模型的效果评估也需要花费几周时间。

　　就这样，纽交所选择了长期合作伙伴亚马逊云科技推出的Amazon Bedrock——一项允许开发者轻松地构建、微调和部署由基础模型支持的生成式AI应用，在无需进行底层基础设施建设的同时也可以保障应用程序的无缝部署、可扩展性和持续优化服务。它基于亚马逊云科技强调多模型相互协作的AI生态系统，于2024年发布的Amazon Bedrock Marketplace允许如纽交所这样的机构或其他开发者可以轻松访问包括AI21 Labs、Anthropic、Cohere、Meta、Stability AI和Amazon在内的100多款高性能基础模型。它还简化了客户模型选择、简化模型训练、简化代理集成等等，通过Model Evaluation即可帮助企业客户快速分析和比较Amazon Bedrock上模型，将模型评估时间缩短至几小时。

　　当然，纽交所选择Amazon Bedrock的原因并不仅限于此。例如对纽交所这样的金融机构而言，使用专有模型导入功能将其利用自身数据定制的模型集成至Amazon Bedrock能够显著减少运营成本并加速应用程序的开发，以完全托管的API形式进行访问，并通过这种方式为构建生成式AI应用程序：通过极为简化的操作，纽交所可使用Amazon SageMaker或其他工具开发的模型集成到Amazon Bedrock上，在模型通过自动化验证流程后便可像访问其他模型一样，访问自己的定制模型，同时享受到目前Amazon Bedrock所具备的所有优势——包括无缝的可扩展性、强大的应用保护能力、遵循负责任的AI原则、利用检索增强生成（RAG）扩充模型知识库、轻松创建用于完成多步任务的Agents、进行微调以持续训练和优化模型，且无需管理底层基础设施。

　　此外，Amazon Bedrock的首要任务便是利用多个基础模型（FM）和尖端的AI生成功能，例如：使用更擅长文本生成、摘要、问答和代码生成，涵盖Mistral 7B、Mixtral 8x7B和Mistral Large尖端模型的Mistral AI模型系列，将这些复杂的文件与法规内容转化为易于理解的语言，基于交易规则文件创建AI聊天机器人，让任何人都能够查询有关交易规则的问题。不仅如此，这一模型在创建期间集成了不仅包括纽交所，同时还涵盖所有美国交易所的2万页规则，使AI机器人的回答覆盖范围更广，提升询问者的使用体验。

　　事实上，LLMs在诸多领域中都有广泛应用，例如创建聊天机器人或虚拟助手准确响应某类特定客户的需求；高精准度的不同语言文本翻译；内容生成和代码补全等。但对于纽交所这样的证券机构而言，LLMs在挖掘市场动态、投资者情绪、洞察新闻事件对市场潜在影响等方面的能力更有价值，在此模型上创建的聊天机器人也可以成为交易人投资决策的辅助工具。据报道数据显示，LLMs极大改善了传统的问答搜索工具体验，显著减少了失败的搜索次数并提升了整体性能；其广泛应用降低了80%的人工工作量，在自动化任务执行中达到了约90%的准确率。

　　首先是收集大量的文本数据，包括书籍、文章、网站等多样化的数据集，确保模型学习广泛的语言模式和概念，再经过数据预处理将其格式化为适合训练的结构，也就是数据收集与预处理；随后需要选择和配置符合使用者需求的神经网络模型的架构，一般大模型的性能更强，但需要更多算力资源来支持训练和推理；接下来将模型配置在预处理过的文本数据上进行训，例如基于前一个或几个词来预测句子中的下一个词，这涉及到使用反向传播和随机梯度下降等优化算法来调整模型的参数（权重和偏差），模型训练阶段时间一般取决于模型大小和算力的支持度；在初始训练完成后，使用者就可以利用各类指标对模型性能进行评估，微调或改善某些特定性能，使用如医疗、教育、制造业等领域的较小数据集继续训练模型，更适应其在不同行业内应用的细微差别。

　　由于证券市场中一直存在着部分欺诈、有害或误导信息操纵扰乱市场，依靠人力和传统监测方式难有效应对的现象。因此，纽交所利用Amazon Bedrock中的LLMs以及经过微调的模型，在实时分析和监控市场动态的同时创建了Guardrails功能。它允许客户在单一服务中同时拥有内置和定制的防护机制，对需要针对主观标准或需要细致判断的内容，建立信息审核模型，控制过滤不良和有害内容，根据特定应用场景的指标（如相关性、风格和品牌声量）对模型进行评估，为监管机构提供及时预警。