银行智能化运营方向的思考

第一部分 银行数字化发展历程 银行数字化进程 银行架构演进 双翼双态战略 适用范围：数字经济 关键要素： 架构管理： 第二部分 智能技术在金融领域发展历程和现状 智能技术在金融领域发展趋势 *仅适用描述中小型银行现状 智能技术在金融领域现状-智能客服 智能荐句自动化聚类工具知识健康度检查 ASR、NLP、TTS语音语义核心算法 智能技术在金融领域现状-机器人矩阵 AIGC在金融领域的第三部分 创新思考 金融大模型的一些观点 对比于通用大模型的能力而言，金融行业非常需要垂直行业大模型，在数据层面，金融行业因为安全及隐私保护要求数据大多存储在本地，通用大模型在金融能力上缺乏必要的训练数据。另外一方面，金融行业在风控、精度等方面要求较高，系统又比较复杂，再加上金融相关数据实时性的要求很高，所以从这几个维度去看，通用大模型的金融常识、生成的可控性和准确性都达不到这个行业的最低要求，需要针对金融机构定制的行业大模型去发挥效力。 许东亮 2022年到2023年，新范式迎来新拐点，“模型”知识将无处不在，其中的代表便是OpenAI的技术创新，行动、模型、信息将三位一体，共同进化至通用智能 陆奇 通用大模型的出现，从根本上改变了数字化转型这条赛道。可以这么说，数字化转型成为了大模型智能化应用的基础。以数字化转型为基础基于大模型的垂直领域行业模型将颠覆整个金融行业。 我 AIGC在金融领域的应用模式 AIGC在金融领域的应用落地关键--微调 微调 微调技术能够针对特定业务场景的要求，优化模型的回答生成能力，使生成的回答更加准确、流畅和相关。 通过微调，模型能够更好地理解输入对话的上下文信息，捕捉到对话中的语义和逻辑关系，从而生成更具连贯性和相关性的回答。这使得模型在各种自然语言处理任务中表现出更高的性能，如问答系统、客服机器人、智能对话系统等 AIGC在金融领域落地步骤 AIGC在金融领域的应用发展落地 业务 智能化辅助（人工）：座席侧智能辅助功能，也是可以通过对优质样本的投喂不断进化的业务助理。包括但不限于，业务推荐，用户填单，用户风险识别 对话总结（人工+数字员工）：对客对话结束后形成对话总结。通过对优质对话样本的投喂不断进化，理解用户情绪和真实表达意图 质检：抽象质检和执行质检（对话录音、文本） 交互式的千人N面，未来将重构APP的对客交互模式---很快可能会出现交互式聊天室银行APP 真千人N面 根据用户的偏好和上下文信息生成个性化的推荐结果。有助于提供更加准确、有针对性和满足用户需求的推荐内容 AIGC在金融领域的应用发展趋势和落地 根据营销活动要求生成图片、视频等 根据营销活动生成外呼、对客话术等 根据营销活动目标进行人群圈选和人群细分，然后根据活动形式进行不同渠道的文案、素材、话术匹配，根据历史投放核销情况配置权益和积分等 AIGC在金融领域的应用发展趋势和落地 根据不同报告的要求格式体例，结合报告内容生成，优先对周报、月报、季报进行落地 根据指定目标的分析范围，通过中文输出图表和结合行业知识的初步分析结论 AIGC在金融领域的应用发展趋势和落地 内部管理 AIGC在金融领域的应用发展趋势和落地 AIGC在金融领域落地的问题 问题 银行要选择有金融行业参数训练的模型，目前还没有评价金融领域模型的标准 选模型很难 https://www.cluebenchmarks.com/rank.html AIGC在金融领域落地的问题 AIGC在金融领域落地的问题 Prompting Engineering场景模型还要经过非常多基于指令：输入、输出的提示工程训练 LoRA：基于行业大模型底座的分支流程微调，比如贷款中的消费贷，经营贷，XX贷在同一个主干模型上设置多个分支。要支持用户问题的回答 AIGC在金融领域落地的问题 问题 现有的已有的基于规则的引擎，如何与大模型结合？ AIGC在金融领域落地的问题 问题 LLM是基于参数隐含的表示知识，是通过概率模型执行推理，而这是一个非决断性的过程。但是金融领域的回答往往需要的是结构化和决断性的知识表征形式。 AIGC在金融领域落地的问题 Q & A 谢谢！