总部位于硅谷的金融科技初创公司Drip Capital正在利用生成式人工智能，将跨境贸易融资业务的生产力显著提高 70%。该公司已通过债务和股权融资筹集了超过 5 亿美元，正在采用大型语言模型 (LLM) 来自动化文档处理、增强风险评估并大幅提高运营效率。这种人工智能驱动的方法使 Drip Capital 每天能够处理数千份复杂的贸易文件，速度大大超过传统的手动方法。
Drip Capital 成立于 2016 年，迅速成为贸易融资领域的重要参与者，业务遍及美国、印度和墨西哥。该公司创新地使用人工智能，将复杂的快速工程与战略性人工监督相结合，以克服幻觉等常见挑战。这种混合系统正在重塑数字时代的贸易融资业务，为传统上依赖纸张的行业树立新的效率标杆。
该公司首席商务官 Karl Boog 强调了其效率提升的规模：“通过目前所做的努力，我们已经能够将产能提高 30 倍。”这一显著的改进证明了生成式人工智能在金融科技领域的变革潜力，提供了一个令人信服的案例研究，说明初创公司如何利用人工智能和法学硕士学位在价值数万亿美元的全球贸易融资市场中获得竞争优势。
Drip Capital 人工智能战略的核心是使用先进的文档处理技术。该公司产品开发主管 Tej Mulgaonkar 解释了他们的方法：“我们每天处理大约几千份文档。我们为此苦苦挣扎了一段时间，显然我们在一开始就设置了手动操作。”
充分利用当今的法学硕士
该公司的 AI 之旅始于将光学字符识别 (OCR) 和 LLM 结合起来进行实验，以数字化和解释各种贸易文件中的信息。Mulgaonkar 表示：“我们开始尝试结合使用 OCR 和 LLM 来数字化信息，然后理解信息。”
然而，成功整合人工智能的道路并非一帆风顺。与许多努力实现生成式人工智能的公司一样，Drip Capital 最初也面临着幻觉问题——人工智能会产生看似合理但不正确的信息。Mulgaonkar 承认这些早期障碍：“实际上，我们一度遇到了一些困难。有很多幻觉，很多不可靠的输出。”
为了克服这些挑战，Drip Capital 采用了系统化的方法进行提示工程。该公司利用其广泛的已处理文档数据库来改进和优化用于指导人工智能的提示。Mulgaonkar 解释说：“我们在七年的运营中处理了数十万份文档，我们的数据库中基本上有准确的输出数据。”“我们编写了一个非常简单的脚本，让我们可以挑选出输入数据的样本，传递我们正在编写的提示，从一组代理中获取一些输出，然后将这些输出与我们在数据库中拥有的准确事实来源进行比较。”
这种快速改进的迭代过程显著提高了他们的人工智能系统的准确性。Mulgaonkar 指出：“工程提示实际上确实帮助我们从 LLM 中获得了更高的准确性。”
Drip Capital 的 AI 实施方法以务实著称。该公司没有尝试构建自己的 LLM、复杂的检索增强生成 (RAG) 或进行复杂的微调，而是专注于通过精心的快速工程来优化对现有模型的使用。
Prompt Engineering 凯旋归来
2023 年初，《华盛顿邮报》将即时工程称为“科技界最热门的新职业”，强调各公司都在争相聘请能够通过精心设计的文本提示从人工智能系统中获得最佳结果的专家。文章将即时工程师描绘成现代巫师，他们能够通过掌握“散文编程”来解锁法学硕士中的隐藏能力。
其他主要出版物和组织也对此表现出了同样的热情。例如，世界经济论坛在其《未来工作》报告中将即时工程列为新兴的人工智能工作之一。人们兴趣的突然激增导致了大量专门针对即时工程职位的在线课程、认证和招聘信息涌现。
然而，这种炒作很快就遭到了质疑。批评者认为，快速工程只是一时的热潮，随着人工智能模型的改进和使用变得更加直观，它注定会过时。2024 年 3 月，IEEE Spectrum 上的一篇文章大胆宣称“人工智能快速工程已死”，暗示自动快速优化很快就会使人类快速工程师变得毫无必要。文章引用了一项研究，表明人工智能生成的提示通常比人类专家制作的提示表现更好，这导致一些人质疑该领域的长期可行性。
尽管存在这些批评，但最近的发展表明，快速工程远未消亡——它正在不断发展，变得越来越复杂。Drip Capital 提供了一个引人注目的案例研究，说明快速工程如何在利用人工智能进行业务运营方面继续发挥关键作用。
Drip Capital 创建了一个复杂的流程，将技术专长与领域知识相结合。该公司的成功表明，有效的快速工程不仅仅是简单地编写完美的字符串。它涉及：
- 了解特定的业务背景和要求
- 制定策略以维护人工智能系统的准确性和可靠性
- 为文档处理等高级任务创建复杂的多步骤提示策略
- 与金融和风险评估领域的专家合作，将专业知识融入人工智能交互中
该公司的人工智能系统并非孤立运作。认识到其财务运营的关键性，Drip Capital 实施了一种将人工智能处理与人工监督相结合的混合方法。“我们保留了一个非常低调的异步工作的手动层，”Mulgaonkar 解释道。文件将由 LLM 数字化，模块将暂时批准交易。然后，同时，我们让代理人查看文件中最重要的三个部分。”
这种人机交互系统提供了额外的验证层，确保关键数据点的准确性，同时仍能显著提高效率。随着人们对人工智能系统的信心不断增长，Drip Capital 的目标是逐步减少人工参与。“我们的想法是逐步淘汰人工参与，”Mulgaonkar 表示。“随着我们继续收集有关准确性的数据，我们希望获得足够的信心和信心，以便我们能够完全消除人工参与。”
充分利用法学硕士 (LLM)
除了文档处理之外，Drip Capital 还在探索将人工智能用于风险评估。该公司正在试验人工智能模型，该模型可以根据其广泛的历史绩效数据预测流动性预测和信贷行为。然而，他们在这一领域进展谨慎，考虑到金融行业的合规要求。
布格解释了他们的风险评估方法：“最理想的做法是真正进行全面的风险评估……有一个决策引擎，可以让你以更高的概率确定这个账户是否更具风险，以及风险敞口是什么。”
然而，Boog 和 Mulgaonkar 都强调，人类判断在风险评估过程中仍然至关重要，尤其是对于异常或较大的风险。“技术肯定有帮助，但你仍然需要人为因素来监督它，尤其是对于风险，”Boog 指出。
Drip Capital 在 AI 实施方面的成功部分归功于其数据优势。作为贸易融资领域的老牌参与者，他们积累了大量的历史数据，为他们的 AI 模型奠定了坚实的基础。Boog 强调了这一优势：“因为我们在 AI 之前已经完成了数十万笔交易，所以在这个过程中有很多学习。然后利用我们已经拥有的数据不断优化事情，这无疑对我们很有帮助。”
展望未来，Drip Capital 对进一步的 AI 整合持谨慎乐观的态度。他们正在探索对话式 AI 用于客户沟通的可能性，不过 Mulgaonkar 指出，当前的技术仍未达到他们的要求：“我认为你还不能与 AI 对话。它已经达到了非常智能的 IVR 的程度，但实际上并不是可以完全处理的事情。”
Drip Capital 的 AI 之旅为金融行业及其他领域的其他公司提供了宝贵的见解。他们的成功表明，如果精心实施，注重实际应用并致力于保持高标准的准确性和合规性，生成式 AI 可以改变运营方式。
随着人工智能的不断发展，Drip Capital 的经验表明，企业无需从头开始构建复杂的人工智能系统即可获得显著收益。相反，利用现有模型、注重及时工程并保持人工监督的务实方法仍可大幅提高效率和生产力。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/jiang-fa-xue-shuo-shi-ke-cheng-zha-gen-yu-xian-shi-yi-jia
