Artefact 举办的人工智能金融峰会 - 2024 年 9 月 17 日 - 巴黎
道达尔能源贸易公司创新主管、数字官 Pierre Van Ingelandt 与 Artefact 合伙人 Lorenzo Croati 讨论的主要内容。.
导言
视频讨论了大型语言模型 (LLM) 在交易中的应用。道达尔能源公司（TotalEnergies）的交易部门在全球各中心拥有 1,400-1,500 名员工，负责管理石油交易以及天然气和电力等新型商品。公司的多能源战略决定了交易活动的成熟度各不相同，因此重点关注由此带来的技术挑战。.
不同的成熟度和数字化挑战
道达尔能源公司的不同交易领域呈现出不同程度的数字化。例如，石油交易使用的 IT 系统可追溯到 30 多年前，需要点对点处理，而电力交易的数字化程度则更高。这些差异带来了挑战，尤其是在试图统一整个交易部门系统的同时协调路线图方面。.
生成式人工智能代理介绍
根据路线图，我们开始尝试使用生成式人工智能代理，以激励业务部门采用该技术。两个用例现已投入使用：一个用于交易前的信息访问和决策，另一个用于交易后的异常检测。前者是一种新的决策工具，后者则改进了现有的机器学习解决方案。.
合作与构思过程
这些用例是通过创新团队推动的合作流程启动的。他们举办了研讨会和演示会，以启发业务部门并产生想法。对生成式人工智能感兴趣的团队，尤其是中层办公室运营团队，积极关注 ChatGPT 等开发项目，并贡献自己的想法。在 AWS 等技术合作伙伴开发试点项目的支持下，这种协作精神促成了用例的快速构思和采用。.
LLM 使用案例的优势和挑战
人工智能代理为业务功能增添了价值，但也带来了挑战。业务团队现在需要积极培训和提升代理。TotalEnergies 已为团队创建了提供指导和反馈的机制。采用情况各不相同，有些地区很快就采用了这项技术，而有些地区则需要更多时间。每个团队中的数字拥护者都会帮助推动技术的采用。.
采用、培训和筹备团队
人工智能代理的开发和部署主要是在实地完成的，既有实践学习，也有更多的结构化培训。技术团队在为整合人工智能的 IT 系统做准备时面临巨大挑战，需要支持和开发模式的转变。生成式人工智能改变了系统的设计方式，有时需要一个 “监督代理 ”来管理不同功能的专门代理，如网络搜索和 data 摘要。.
衡量投资回报率和主要经验
异常检测用例显示了明显的投资回报率，因为检测代价高昂的异常情况至关重要，基于 LLM 的检测将准确率提高了 20%。决策工具的投资回报率较难量化，通常基于对其有用性和效率的定性反馈。试点需要 1 到 3 个月的时间，具体取决于复杂程度和性能目标。.
未来展望和新创意黑客马拉松
道达尔能源公司（TotalEnergies）正在推出更多举措，包括与 Artefact 合作举办黑客马拉松，为交易提供人工智能创意。提交的创意超过 50 个，计划开发约 10 个有前景的概念。尽管存在运营方面的问题，但确定和实施有价值的人工智能应用的势头依然强劲，目标是在明年展示更多项目。.
