NVIDIA 오픈 모델, 유럽 금융을 독자적 인텔리전스로 이끌다

NVIDIA는 공동 모델이 각 은행 안에 더 많은 책임을 집중시키는 가운데서도, 유럽 금융기관들이 스스로 통제하는 인프라 위에서 인텔리전스를 구축하는 사례를 선보이고 있다. 10월 21일 GTC Berlin 발표에서 NVIDIA는 Revolut의 PRAGMA를 포함한 독자적 은행 시스템과 함께 NVIDIA 오픈 모델을 제시했다. 여기에는 현실적인 긴장이 있다. 금융 인텔리전스에 대한 통제력이 커질수록 이를 운영하고, 평가하고, 업데이트할 책임도 커진다.

이 발표는 서로 다른 활동을 공통된 소유권 논리 아래 묶는다. 은행들은 운영 데이터가 경쟁사가 단순히 구매할 수 없는 역량을 만들어 내길 원한다. 다운로드할 수 있는 모델 파라미터를 뜻하는 오픈 웨이트는 배포 유연성을 제공한다. 독자적 모델은 기관별 학습을 통해 차별화를 제공한다.

이 조합은 외부에서 운영되는 모델에 대한 의존에 도전하면서도 외부 공급업체를 배제하지는 않는다. 또한 BloombergGPT가 보여준 오래된 전략, 즉 금융기관이 자체 정보를 활용해 특화된 인텔리전스를 개발하는 방식을 확장한다. 이제 쟁점은 그 인텔리전스가 일상 운영에 얼마나 깊이 내재화되는가에 있다.

NVIDIA 오픈 모델, 프로덕션용 은행 시스템과 만나다

Berlin 발표는 금융 AI 논의의 중심에 배포 통제권을 둔다.

NVIDIA는 금융 인텔리전스 발표에서 Revolut이 초기 고객 8,000만 명을 대상으로 PRAGMA를 프로덕션 환경에서 확장하고 있다고 밝혔다. 이 시스템은 그 세 배 규모를 위해 설계됐다고 설명한다. 이 수치는 각각 회사가 제시한 배포 현황과 설계 목표를 나타낸다.

NVIDIA는 또한 Lloyds Banking Group의 ATUM 거래 모델과 Civo의 영국 클라우드에서 Starling의 거래 데이터를 활용해 개발된 Starling Intelligence를 언급한다. 이 사례들은 모델 개발을 기관 데이터 및 선택된 인프라와 연결한다. 다만 모든 참여 은행이 동일한 아키텍처를 따른다는 점을 입증하지는 않는다.

이 구분은 “오픈 모델”이 이야기의 일부만을 설명하기 때문에 중요하다. 다운로드 가능한 모델, 비공개로 학습된 금융 모델, 가속화된 데이터 처리는 서로 다른 문제를 해결한다. 이를 컨퍼런스 발표에서 함께 제시한다고 해서 서로 대체 가능한 것은 아니다.

은행은 문서 분석에 오픈 언어 모델을 사용하면서 거래 평가에는 별도 시스템을 유지할 수 있다. 두 시스템 모두 고객 여정을 지원할 수 있다. 그러나 입력값, 평가 방식, 권한은 서로 다르다.

마찬가지로 기관이 통제하는 인프라가 반드시 해당 기관이 물리적으로 소유한 서버를 의미하지는 않는다. 계약된 클라우드 환경은 호스팅, 하드웨어, 소프트웨어 공급업체에 대한 의존성을 유지하면서도 배포 통제권을 제공할 수 있다. 소유권의 대상은 정확히 정의돼야 한다.

따라서 Berlin 발표를 가장 유용하게 읽는 방식은 금융기관이 어디에서 재량권을 유지하려 하는지에 주목하는 것이다. 이들은 모델 적응, 민감한 정보, 운영 변경, 그리고 역량이 내부 팀에 전달되는 방식에 관한 선택권을 원한다. 모든 개선이 외부 제품 로드맵에 의존할 때 이러한 선택은 더 어려워진다.

엔터프라이즈 구매자에게 이 발표는 물어볼 가치가 있는 질문을 바꾼다. 모델 접근성만으로는 완전한 서비스에 대한 통제권을 거의 말해주지 않는다. 주변 시스템이 누가 장애를 조사하고, 업데이트를 승인하며, 이전 버전을 복원할 수 있는지를 결정한다.

이것이 프로덕션 주장이 데모보다 더 면밀한 관심을 받을 만한 이유이기도 하다. 데모는 선택된 조건에서 선택된 상호작용을 보여준다. 프로덕션에서는 동일한 기반 역량이 변화하는 데이터, 유지보수 일정, 고객 기대, 운영상 예외와 공존해야 한다.

Berlin은 명시된 배포 사례와 개발 프로그램을 통해 그러한 방향의 근거를 제시한다. 하지만 기관 전반을 아우르는 공통의 독립 감사 성과표는 제공하지 않는다. 독자는 그러한 프로그램의 존재와 상대적 성공에 관한 더 광범위한 주장을 구분해야 한다.

Revolut PRAGMA, AI 투자의 단위를 바꾸다

Revolut의 전략은 개별 애플리케이션을 그 주변에 구축하는, 공동 모델 자체를 투자 대상으로 삼는다.

Revolut은 Berlin 이전에 이미 그 방향을 공식화했다. 8월 25일 금융 AI 연구 발표는 PRAGMA를 포함한 독자적 역량을 중심으로 Revolut Research를 출범시켰다. 회사는 고립된 전문 모델을 조합하기보다 금융 행동에 대한 통합적 접근 방식을 설명한다.

이러한 연대기는 오해를 부를 수 있는 출시 서사를 막아준다. GTC Berlin은 기존 이니셔티브에 대한 최신 프로덕션 현황을 제공한다. PRAGMA나 Revolut의 금융 파운데이션 모델 관심이 처음 공개된 시점을 의미하지는 않는다.

경제적 논리는 애플리케이션 수준에서 이해하기 더 쉽다. 사기 탐지와 상품 추천을 개발하는 가상의 은행을 생각해 보자. 별도 팀들은 관련 정보를 반복적으로 준비하고, 겹치는 변환 과정을 유지하며, 유사한 행동 신호를 다시 구축할 수 있다.

공유 표현은 다른 방식을 제공한다. 팀들은 고객 활동에 대한 공통 해석에서 출발한 뒤, 각자의 목표에 맞게 이를 조정할 수 있다. 잠재적 이점은 애플리케이션별 의사결정을 유지하면서 반복 작업을 줄이는 데서 나온다.

이는 경영진이 자금을 배정하고 측정하는 방식을 바꾼다. 애플리케이션 예산은 일반적으로 눈에 보이는 기능의 제공을 보상한다. 공유 모델은 여러 팀에 걸쳐 성과가 나타나는 투자를 요구하며, 때로는 더 이상 반복할 필요가 없는 작업을 통해 그 성과가 드러난다.

이는 내부 기술 조직에 부담을 준다. 이들은 중앙 모델 그룹이 서비스 제공자, 연구 기능, 플랫폼 소유자 중 어느 역할을 맡을지 결정해야 한다. 각 방식은 애플리케이션 성과가 저조할 때 서로 다른 책임을 낳는다.

전문 공급업체의 위치도 바뀐다. 기관이 이미 재사용 가능한 행동 표현을 유지하는 경우, 독립적인 예측 서비스를 판매하는 벤더는 다른 구매자를 상대하게 된다. 이들의 가치는 추가 전문성, 적용 범위, 도구 또는 측정 가능한 결과에서 나와야 한다.

그렇다고 모든 외부 제품이 불필요해지는 것은 아니다. 일부 역량은 직접 유지하는 것보다 조달하는 편이 더 쉽다. 공유 모델은 은행의 내부 기반을 강화하면서도 그 주변의 전문 서비스가 자리할 여지를 남길 수 있다.

더 작은 기관에는 같은 전략이 불편한 질문을 제기한다. 가치 있는 데이터를 보유한다고 해서 파운데이션 모델을 유지하는 데 필요한 인력이나 운영 규율이 자동으로 갖춰지는 것은 아니다. 조직적 헌신 역시 기술적 기회와 함께 평가에 포함돼야 한다.

따라서 관련 비교는 내부 모델이 선택된 작업에서 구매 모델을 능가하는지 여부보다 더 넓다. 구매자는 각 접근 방식이 변화를 어떻게 지원하는지 비교해야 한다. 여기에는 신규 상품, 익숙하지 않은 고객 행동, 기존 사업 정책의 개정이 포함된다.

Revolut이 밝힌 방향은 이 비교를 구체화한다. 이 회사는 금융 인텔리전스를 지속적인 기관 역량으로 다룬다. 이 접근 방식이 지속 가능한 우위로 이어질지는 다른 팀들이 불필요한 복잡성을 떠안지 않고 이를 얼마나 효과적으로 활용할 수 있는지에 달려 있다.

공유 인텔리전스, 반복 작업을 공동 의존성으로 바꾸다

모델을 재사용하면 개발은 단순해질 수 있지만 조정의 중요성은 커진다.

파운데이션 모델은 여러 다운스트림 작업을 지원하도록 폭넓게 학습된 모델이다. 은행 업무에서 이것이 반드시 대화형 어시스턴트를 뜻하지는 않는다. 시스템은 고객 대상 문구를 생성하지 않고도 구조화된 활동에서 유용한 패턴을 학습할 수 있다.

PRAGMA 연구 논문은 입력값의 표현을 생성하도록 설계된 시스템을 의미하는 인코더형 아키텍처를 설명한다. 저자들은 사기 탐지, 신용 점수 산정, 상품 추천 등의 애플리케이션을 평가한다. 이들은 내부 작업별 기준선과 비교해 우위를 보고한다.

논문은 2,600만 명의 사용자 기록에서 발생한 240억 건의 이벤트에 걸친 사전학습을 설명한다. 사전학습은 특정 작업에 맞게 조정하기 전의 초기 학습 단계다. 이 연구 수치는 Berlin 발표에서 언급된 더 큰 고객 집단과 구분해 다뤄야 한다.

실질적 메커니즘은 입력 데이터 안에서 학습된 관계를 요약하는 수치 표현인 임베딩을 포함한다. 애플리케이션은 유용한 신호를 각각 독립적으로 다시 구축하는 대신 이러한 표현을 활용할 수 있다. 이것이 연구 아키텍처와 조직적 약속의 연결점이다.

공개된 연구는 프로덕션 성과에 대한 독립 인증이 아니라 프로젝트 저자들의 작업이다. 고도로 관계적인 자금세탁방지 작업에서의 한계에 관한 논의 역시 보편적 적합성을 가정하지 말아야 한다는 경고가 된다.

이 아키텍처를 검토하는 은행에 첫 번째 매력은 재사용이다. 개선된 공유 표현은 여러 애플리케이션에 이점을 제공할 수 있다. 팀들은 공통의 출발점을 얻고, 기관은 더 폭넓은 관련성을 지닌 역량에 연구 노력을 집중할 수 있다.

이에 상응하는 상충 관계는 조정이다. 한 애플리케이션에 도움이 되는 모델 업데이트는 그 표현이 사용되는 모든 곳에서 평가가 필요하다. 공유 인프라는 지역적 개발 결정을 여러 운영 책임자가 관여하는 문제로 바꾼다.

비정상 거래 인식은 개선하지만 애플리케이션이 기존 고객을 해석하는 방식을 바꾸는 업데이트를 상상해 보자. 기관에는 유용한 조정과 원치 않는 변화를 구분할 수단이 필요하다. 평균 성과만으로는 그 문제를 해결할 수 없다.

합리적인 배포 프로세스는 애플리케이션 수준의 평가를 유지해야 한다. 공유 모델의 각 사용자는 자신의 목적과 관련된 근거가 필요하다. 공통 기반이 사기 탐지, 대출, 마케팅을 동등한 의사결정으로 만들지는 않는다.

같은 논리는 버전 관리에도 적용된다. 팀은 어떤 모델이 특정 표현을 생성했는지, 새 버전이 그 의미를 바꾸는지 알아야 한다. 그렇지 않으면 시간에 따른 비교에서 고객 행동의 변화와 시스템 자체의 변화를 혼동할 수 있다.

롤백 역시 사업 역량이 된다. 이전 모델로 복원하는 일은 종속 애플리케이션이 해당 모델과 함께 작동할 수 있을 때만 유용하다. 기술적 되돌림 가능성에는 모델 주변의 데이터 및 의사결정과의 조정이 필요하다.

이는 PRAGMA가 그러한 장애를 경험했다는 근거가 아니라, 의존성을 공유할 때 따르는 분석적 결과다. 핵심은 구매자가 재사용이 운영 노력을 자동으로 줄인다고 가정하기 전에 무엇을 평가해야 하는지 식별하는 데 있다.

이 아키텍처는 기관 지식의 의미도 바꾼다. 가치 있는 패턴은 한계를 설명하는 문서와 함께 유지관리되는 기술 시스템에 내재화된다. 그 문서를 계속 활용 가능하게 유지하는 일도 역량 보존의 일부다.

그러한 기록을 다루는 팀에게 검색 가능한 지식 베이스는 기술적 근거를 정리하는 관련 방식을 제공한다. 이는 거래 모델링과는 다른 목적을 수행하지만, 활용 가능한 내부 맥락을 유지해야 한다는 동일한 필요를 다룬다.

따라서 공유 모델 논거의 가장 강력한 형태는 엄격한 분리에 있다. 도움이 되는 곳에서는 기반 학습을 재사용하되, 이를 활용하는 각 애플리케이션의 목표, 승인 절차, 근거는 분명히 구분해 유지해야 한다.

금융 특화에는 선례가 있지만, 워크로드는 다르다

독점 데이터는 모든 금융 모델을 직접적인 경쟁자로 만들지 않으면서도 차별화를 뒷받침할 수 있다.

Bloomberg는 유용한 역사적 참고 사례를 제공한다. 2023년 3월 처음 제출된 BloombergGPT research는 금융 및 범용 텍스트로 학습한 언어 모델을 설명했다. 저자들은 광범위한 벤치마크와 함께 금융 언어 과제를 평가했다.

이 비교는 전략적 선례를 보여준다. 조직은 도메인 정보를 활용해 특화된 역량을 개발할 수 있다. 그러나 이는 BloombergGPT와 PRAGMA 간의 성능 경쟁을 입증하지는 않는다. 공개된 연구는 서로 다른 입력과 의도된 사용 사례를 다룬다.

이러한 구분은 더 넓은 NVIDIA 오픈 모델의 맥락을 명확히 하는 데 도움이 된다. 금융기관은 학습 데이터, 애플리케이션 설계, 운영 통합 또는 배포 선택을 통해 특화할 수 있다. 모델을 다운로드하는 것은 하나의 재료를 얻는 일일 뿐, 완성된 경쟁우위를 얻는 것은 아니다.

언어 애플리케이션의 특화는 문서나 용어를 해석하는 데 관련될 수 있다. 거래 애플리케이션에서 관련 정보는 구조화된 활동의 패턴에 관한 것이다. 둘 다 금융 AI에 속하지만, 유용성을 입증하려면 서로 다른 근거가 필요하다.

실제 업무를 기준으로 측정하면 경쟁의 의미가 더 분명해진다. 연구 자료에서 정보를 찾는 데 쓰이는 모델은 그 과제를 기준으로 평가해야 한다. 결제 심사에 영향을 주는 모델은 심사 결정의 결과를 기준으로 평가할 필요가 있다.

일반적인 순위는 이러한 차이를 가릴 수 있다. 은행의 당면 목표와 무관한 역량에는 보상을 주면서, 운영상 중요한 한계는 간과할 수 있다. 구매자는 의도한 애플리케이션에 근거한 비교가 필요하다.

바로 이 지점에서 이미 확립된 과제 특화 시스템이 여전히 중요하다. 좁은 범위로 설계된 모델은 명확한 책임 주체와 충분히 이해된 평가 이력을 제공할 수 있다. 공유 기반 모델은 그러한 체계를 대체하거나 보완할 이유를 입증해야 한다.

더 새로운 아키텍처가 더 넓은 권한을 가질 자격이 있다고 가정해서는 안 된다. 기관은 공유 표현을 점진적으로 도입하면서, 계속 적절한 성능을 보이는 기존 시스템은 유지할 수 있다. 비교는 애플리케이션 수준에서 실증적으로 이루어져야 한다.

오픈 배포는 또 다른 차원을 더한다. 모델을 내부 운영에 사용할 수 있도록 유지하면 기관은 업데이트와 맞춤화에 대해 더 큰 재량권을 가질 수 있다. 동시에 외부 서비스가 흡수했을 업무를 해당 기관이 맡게 된다.

어느 경로도 공급업체와의 관계를 없애지는 않는다. 내부 운영 시스템도 장비, 소프트웨어 유지보수, 숙련된 인력에 의존한다. 외부 운영 서비스는 일부 내부 업무를 줄일 수 있지만, 다른 곳에서 계약상·운영상 의존성을 새로 만들 수 있다.

금융 구매자에게 이는 자원 배분의 선택이다. 어떤 책임은 유지할 때 경쟁우위를 만드는가? 어떤 책임은 고객 성과를 개선하지 못하면서 자원을 소모하는가? 답은 기관마다 다를 수 있으며, 같은 기관 안에서도 애플리케이션마다 달라질 수 있다.

베를린의 동향은 일부 은행이 행동 인텔리전스를 보유할 가치가 있다고 점점 더 판단하고 있음을 시사한다. 이는 외부 모델이 시대에 뒤떨어졌다고 선언하는 것보다 더 제한적이면서도 유용한 결론이다. 이는 기관들이 무엇을 전략적으로 중요하게 여기는지가 바뀌고 있음을 보여준다.

또한 혼합 아키텍처의 여지도 남긴다. 은행은 독점적인 거래 인텔리전스를 유지하면서 다른 기능에는 외부 모델을 사용할 수 있다. 일관성은 어디서나 같은 모델을 사용해야 한다는 요구가 아니라, 거버넌스와 사업 목표에서 나와야 한다.

배포 통제만으로는 책임성을 해결할 수 없다

모델이 위치한 곳은 은행이 이를 신뢰할 수 있는지에 관한 질문의 일부에만 답한다.

독립적인 규제 근거는 공급업체의 설명에 중요한 균형추를 제공한다. Bank of England와 Financial Conduct Authority의 financial AI survey는 2024년에 응답 기업의 75%가 AI를 사용했다고 밝혔다. 이는 2026년 10월의 도입 현황을 측정한 결과가 아니라, 시점이 지난 설문 결과다.

설문은 데이터 프라이버시, 품질, 보안, 편향을 주요 인식 위험으로 꼽았다. 응답자들은 제3자 의존성과 모델 복잡성에 관한 우려도 커질 것으로 예상했다. 이러한 결과는 베를린 발표를 평가한 것이 아니라 더 광범위한 업계를 다룬다.

이 근거는 통제에 대해 더 엄격한 해석을 뒷받침한다. 선택한 환경 안에서 배포를 유지하면 특정 노출 문제를 해결할 수 있다. 그러나 입력이 적절한지, 출력이 공정한지, 결정이 충분히 설명되는지를 입증하지는 못한다.

오픈 가중치 역시 여러 질문에 답하지 못한다. 구매자는 여전히 라이선스, 유지보수 책임, 접근 통제, 제안된 사용을 뒷받침하는 근거를 이해해야 한다. 모델 파라미터의 이용 가능성이 그러한 평가를 대체해서는 안 된다.

마찬가지로 독점 학습 자체가 애플리케이션을 검증하지는 않는다. 내부 데이터는 과거의 선택과 불균등한 커버리지를 반영할 수 있다. 기관은 그러한 특성이 모델 사용 목적에 어떤 영향을 미치는지 검토해야 한다.

가상의 대출 애플리케이션은 그 중요성을 보여준다. 집계 벤치마크에서 더 나은 예측은 유용한 근거가 될 수 있다. 하지만 기관은 관련 고객 집단 전반의 성능과 출력이 의사결정 과정에 어떻게 반영되는지를 여전히 이해해야 한다.

사기 탐지는 또 다른 사례다. 더 많은 의심 활동을 탐지하는 것은 중단된 정상 거래도 함께 고려할 때만 가치가 있다. 운영 평가는 예측을 둘러싼 고객 여정을 반영해야 한다.

이 사례들은 성능과 책임성이 함께 가야 하는 이유를 설명한다. 모델은 기술적 지표를 개선하면서도 추가 검토 업무나 고객 마찰을 만들 수 있다. 기관은 결과를 사업상 이익으로 해석하기 전에 그러한 영향을 파악해야 한다.

공유 모델은 또 다른 거버넌스 질문을 제기한다. 애플리케이션 전반에서 예상치 못한 영향이 발생했을 때 누가 책임지는가? 플랫폼 팀은 모델을 유지할 수 있지만, 사업 책임자는 여전히 자신의 결정에 책임을 진다. 책임은 그 경계를 넘어 연결되어야 한다.

데이터 통제에는 기관 내부의 접근도 포함된다. 공통 표현이 모든 팀에 자동으로 제공되어서는 안 된다. 배포가 선택된 환경 안에 머물더라도, 정보의 의도된 목적과 허용된 사용은 여전히 중요하다.

공급업체 집중도 이와 같은 정밀한 접근이 필요하다. 호스팅 모델 서비스에서 벗어나면 의존성이 사라지는 것이 아니라 바뀔 수 있다. 하드웨어 가용성, 소프트웨어 호환성, 클라우드 운영은 여전히 기관의 서비스 제공 역량에 영향을 줄 수 있다.

금융기관이 NVIDIA의 컴퓨팅 플랫폼을 도입할 때 NVIDIA는 상업적 이익을 얻는다. 이는 NVIDIA의 배포 설명에 유용한 기술적 맥락과 분명한 홍보상 이해관계를 부여한다. 구매자는 이를 자체 평가와 함께 검토할 근거로 활용해야 한다.

이 어느 것도 배포 통제의 가치를 부정하지 않는다. 오히려 그 통제가 무엇을 뒷받침해야 하는지 정의한다. 정보에 입각한 변경, 추적 가능한 결정, 제한된 접근, 신뢰할 수 있는 복구가 그것이다. 소유권은 이러한 운영 역량을 통해 의미를 갖는다.

베를린 이후 주목할 점

다음으로 유용한 근거는 아키텍처 주장을 반복 가능한 운영 성과와 연결할 것이다.

첫 번째 신호는 더 명확한 배포 범위다. 10월 말부터 1월 사이에 어떤 애플리케이션이 실제 운영에서 공유 모델을 사용하는지 명시하는 기관을 주시해야 한다. 유용한 공개는 연구, 제한적 배포, 광범위한 운영 사용을 구분할 것이다.

고객 수만으로는 이러한 구분을 제공할 수 없다. 고객 수가 많은 기관에 서비스를 제공하는 모델은 모든 상호작용이 아니라 일부 기능만 지원할 수 있다. 애플리케이션 범위에 관한 설명은 프로덕션 주장을 더 쉽게 평가하게 해줄 것이다.

더 정밀한 범위는 독점 인텔리전스가 공유 인프라가 되고 있다는 주장을 강화할 것이다. 광범위한 도입 언어에 계속 의존한다면 이러한 전환의 깊이는 불확실하게 남는다. 이는 예정된 공개를 예측하는 것이 아니라 관찰 기준이다.

두 번째 신호는 품질과 운영 노력을 연결하는 평가다. 무엇을 비교했는지, 어떤 워크로드를 측정했는지, 팀 간 어떤 책임이 이동했는지를 설명하는 결과를 주시해야 한다. 그러한 세부 사항은 단일 개선 수치보다 더 중요하다.

설득력 있는 비교는 애플리케이션 결과와 이를 유지하는 데 필요한 자원을 모두 다룰 것이다. 여러 팀이 지원 프로세스를 매번 다시 구축하지 않고도 이를 사용할 수 있을 때 공유 인텔리전스는 신뢰를 얻는다. 설명되지 않은 예외는 그 경제적 논거를 약화시킬 것이다.

업데이트에 관한 근거는 특히 유용할 것이다. 기관은 여러 사용처 전반에서 수용 가능한 동작을 유지하면서 공유 모델을 개선할 수 있는가? 이 과정에 대한 공개 설명은 또 하나의 선별된 시연보다 성숙도에 대해 더 많은 것을 드러낼 것이다.

세 번째 신호는 변경에 관한 가시적인 책임성이다. 모델 소유권, 검증, 복구를 설명하는 기술 문서, 운영 공개 또는 감독 논의를 주시해야 한다. 여기서는 특정 규제 조치를 가정하지 않는다.

그러한 근거는 기관이 실질적인 통제권을 확보하고 있다는 주장을 강화할 것이다. 이에 상응하는 운영 세부 사항이 없는 광범위한 주권 언어는 구매자가 실제로 얼마나 많은 재량권을 얻는지 판단하지 못하게 할 것이다. 위치와 책임성은 연결되어야 한다.

개발자에게 이러한 신호는 플랫폼이 자신의 업무를 지원하는지 평가하는 방법을 제공한다. 구매자에게는 재사용 가능한 기관 역량과 비용이 큰 중앙 의존성을 구분하는 데 도움이 된다. 고객에게 중요한 결과는 이해하기 쉬운 서비스와 신뢰할 수 있는 결정으로 남는다.

NVIDIA 오픈 모델을 조달 결론으로 받아들이기 전에, 조직이 유지하려는 결정을 파악하라. 어떤 정보가 경쟁우위를 만들고, 어떤 애플리케이션이 학습을 공유해야 하며, 누가 변경을 승인할지 질문하라. 그런 다음 실패와 복구를 포함한 전체 워크플로의 근거를 요청하라. 비교는 동일한 과제와 배포 조건에 연결해 유지하라. 고객 도달 범위, 벤치마크 품질, 운영 효율성은 별개의 지표로 다뤄야 한다. 이들을 연결하는 근거를 위해 후속 공개를 지켜보라. 베를린의 기회는 금융 인텔리전스에 대한 더 큰 재량권이다. 모델이 변경되거나, 애플리케이션이 예기치 않게 작동하거나, 고객이 설명을 필요로 할 때 그 재량권이 어떻게 작동하는지 살펴보며 평가하라.