这事复杂在，GEC（Generative English Compiler）这种人工智能工具，其实很简单，它就是利用大量数据进行模式识别，然后生成文本。先说最重要的，GEC崩盘可能是因为它训练的数据存在偏见，去年我们跑的那个项目，大概3000量级的数据，结果输出的文本里就出现了一些不合适的用语。另外一点，GEC的模型结构复杂，更新迭代速度慢，有时候一个小小的改动就会引起连锁反应。我一开始也以为技术问题能很快解决，后来发现不对，其实根源在于数据质量。等等，还有个事，这个点很多人没注意，GEC的生成速度和准确性之间是有权衡的，速度提得过高，准确性就会下降。我觉得值得试试的是，从源头开始，提高数据质量，优化模型结构，可能比单纯追求速度更有用。
GE Credit Card（GE卡）可能面临危机。
客户流失率高，2022年已减少15%。
信用卡逾期率飙升，2023年Q1达10%。
银行内部风险控制措施不力，我也还在验证。
业务调整需谨慎，不确定但经验是这样。
你自己掂量。
这就是坑，别信，别投资。