人工智能在金融行业中的创新应用

度小满 技术委员会执行主席，数据智能部总经理 CONTENTS 1. 人工智能与金融行业：正当其时，大有可为 2. 开始的结束：厚积薄发，传统式人工智能驱动金融业务 3. 开始的开始：另辟蹊径，生成式人工智能重塑金融业务 4. 未来展望：传统与新兴融合，人工与AI协作 CONTENTS 1. 人工智能与金融行业：正当其时，大有可为 2. 开始的结束：厚积薄发，传统式人工智能驱动金融业务 3. 开始的开始：另辟蹊径，生成式人工智能重塑金融业务 4. 未来展望：传统与新兴融合，人工与AI协作 从业务支撑到创新驱动，技术助推金融进入数智化时代 金融数智化时代，机遇与挑战并存 直面挑战 把握机遇 国家政策鼓励金融数字化和智能化的发展 隐私保护和数据安全等合规挑战 传统式人工智能厚积薄发，加速价值释放 技术变革对人才和组织形成挑战 生成式人工智能另辟蹊径，打开创新空间 机遇一：鼓励发展科技金融，以数智化增加金融的科技含量 2023年中央金融工作会议•把更多金融资源用于促进科技创新，做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大 文章，推动金融高质量发展。 《数字中国建设整体布局规划》•做强做大数字经济，特别是推动产业数字化——在金融等重点领域，加快数字技术创新应用 中国人民银行、市场监管总局、银保监会、证监会印发《金融标准化“十四五”发展规划》•强调发展数字金融产业、推动个人金融服务数字化转型…构建安全高效的金融服务生态、提高数字化风 控能力 •八个重点任务中。强调深化数字技术金融应用 机遇二：数据、算力、算法共同推动AI技术进步 数据规模更丰富、利用更深入，为AI技术进步提供充足燃料 微观层面，随着数字化转型不断深入加速金融场景下的数据生产和使用，数据飞轮加速转动 宏观层面，市场数据规模不断增长，数据不断丰富，流通制度更加清晰 •随着数字化转型的加速推进，中国的数据规模呈现出爆炸性增长的趋势。截至2022年，中国的大数据市场规模已达5631亿元 •截止2022年底，我国已成立48家数据交易机构，年全国一体化政务数据共享枢纽发布各类数据资源1.5万类，累计支撑共享调用超过5000亿次 •2023年10/25，国家数据局正式揭牌，标志着全国“一盘棋”宏观统筹数据发展和安全，对构建数据流通体系，激活数据生产力有重大意义 算力稳定增长，为AI技术进步提供坚实支撑 我国算力持续稳定增长，加速AI能力提升与应用进程 政策支持下，中国算力将进入新一轮发展期 •我国算力总规模近五年年均增速近30%。处理复杂任务的速度、大规模并行计算的能力、解决复杂问题的能力均有提升 •算力基础设施高质量发展，规划明确 ——2023/10工信部等六部门联合印发《算力基础设施高质量发展行动计划》 目标——到2025年， 计算力方面，算力规模超过300 EFLOPS，智能算力占比达到35%，东西部算力平衡协调发展。 运载力方面，国家枢纽节点数据中心集群间基本实现不高于理论时延1.5倍的直连网络传输，重点应用场所光传送网（OTN）覆盖率达到80%，骨干网、城域网全面支持IPv6，SRv6等创新技术使用占比达到40%。 存储力方面，存储总量超过1800EB，先进存储容量占比达到30%以上，重点行业核心数据、重要数据灾备覆盖率达100%。 应用赋能方面，打造一批算力新业务、新模式、新业态，工业、金融等领域算力渗透率显著提升，医疗、交通等领域应用实现规模化复制推广，能源、教育等领域应用范围进一步扩大。每个重点领域打造30个以上应用标杆。 4个方面保障措施：加强统筹联动，加大金融支持，深化交流协作，强化平台支撑。 算法持续创新，为AI技术进步提供强劲动能 应用场景和业务需求加速算法创新 机遇三：生成式人工智能迅速演进，打开金融创新空间 挑战：金融数智化时代，需坚持以合规为基础、以人为中心 合规发展 数据合规与隐私保护 ▪数据合规：如何适配快速变化的数据收集、处理和存储相关合规要求▪隐私保护：如何应对好金融行业严格监管要求下的数据泄露、数据滥用等数据隐私问题 以人为本 ▪技术变革下的技能匹配：如何做好业务+AI人才培养与留存▪技术变革下的人机协作：如何更好的利用AI提升生产力，提升工作效率 人才重塑 ▪技术变革下的文化建设：人和机器如何协同共进，创造更大价值，员工要能适应技术发展趋势▪技术变革下的组织优化：Copilot, Agent智能体将不断涌现，也会将重溯整个组织形式 组织变革 CONTENTS 1. 人工智能与金融行业：正当其时，大有可为 2. 开始的结束：厚积薄发，传统式人工智能驱动金融业务 3. 开始的开始：另辟蹊径，生成式人工智能重塑金融业务 4. 未来展望：传统与新兴融合，人工与AI协作 目前金融已深度集成AI，AI创新可对业务形成巨大驱动 以信贷为例，传统人工智能驱动信贷全价值链升级 信贷风控：NLP技术演进，提升文本解析和风控决策精度 借助自然语言处理技术迭代发展，实现风险区分能力大幅提升 业务问题 文本信息解读风险 业务场景 信贷风控用户大量的风险信息以文本形式存在，如客户征信、合同、社交媒体信息等,依赖精准高效的文本解读能力 人工经验 应用于智能风控业务 根据专家经验，利用简单规则或者关键词库，从文本中提取信息,难以充分提取用户相关文本数据中蕴含的信息，风控效果差强人意 信贷风控：图机器学习，提升征信解读和风险区分能力结合图机器学习，实现征信报告智能解读，显著提升风险区分能 力 业务问题 度小满智能化征信解读中台获吴文俊人工智能科学技术奖 业务场景 深度解读征信 征信报告信息丰富，是信贷风控主要数据来源之一 图算法进展和效果 传统解决方案 以查询/借还款行为和机构为节点构图，捕捉同样行为在不同关系场景下的不同含义 人工解读 动态预测节点之间的关系，图网络结构不断演进，节点与边的属性实时更新 依赖解读征信的人员专业知识和经验——风险挖掘能力不佳 •难以捕获其他人对用户的风险影响•难以处理用户风险随时间动态漂移的问题 信贷风控：CV技术升级，支持信贷审批提效降本 计算机视觉支持信贷风控审批流程提效降本 业务问题 业务场景 应用于信审秒批， 相对审核效率↑ 70+%相对审核人力成本↓ 千万 信贷审批提效 信贷风险管理需要大量用户信息收集工作，流程长，需要大量的人工投入 多模态特征表示 融合图像、位置、布局等多源信息，建立不同level的提取模型，提升复杂场景下关键信息识别理解能力，平均准确率达到95%+ 文档预训练模型 基于多模态文档预训练+场景微调，只需数10张样本，即可完成模型训练，提升小样本的建模能力 风险识别 基于ELA误差等级分析，借助视觉Transformer，挖掘像素级篡改特征，构建文档、证件篡改检测模型，准确率达96% 信贷经营：应用因果推断技术，实现个体额度最优 什么是关联关系？什么是因果关系？ 业务问题 需求 经营决策优化 辛普森悖论： 信贷经营场景存在大量复杂决策场景和复杂数据，决策归因、优化难 总体数据的统计相关性，可能与部分数据的统计相关性相反 •什么是导致决策最优的决策因子？•做什么经营动作可以支持策略最优？ 我们观测到的变量本身之间未必有直接的因果关系，背后是由一些因果因素产生出来。那真正可以影响结果的因果关系是什么？什么是影响决策的真正有效变量？ 机器学习-关联建模 传统机器学习关联建模，虽可以找到关联关系，但无法用于决策 ——观察局部 (额度近似用户)，调整额度越高，其逾期率有上升趋势 信贷经营：应用因果推断技术，实现个体额度最优 解决方案：基于因果推断技术，实现额度策略优化 之前的给额框架 额度策略 创新解决方案 分别学习因果关系：通过因果学习算法，构建原因与结果间的稳定关系 目标最优化：结合目标需求，搜索客户个体维度决策最优的额度，直接给出最优额度 额度变化后，用户的风险会变化——无法衡量额度变化后的风险迁移情况 CONTENTS 1. 人工智能与金融行业：正当其时，大有可为 2. 开始的结束：厚积薄发，传统式人工智能驱动金融业务 3. 开始的开始：另辟蹊径，生成式人工智能重塑金融业务 4. 未来展望：传统与新兴融合，人工与AI协作 生成式AI以Copilot方式，从点到面重塑金融价值链 营销：个性化素材结合差异化产品，重塑开放获客新模式 服务：提质降本，营销服务一体化 运营：数据驱动的业务运营新范式 这个新客户非常重要，项目可以承受一定程度的亏损，但是要保证公司整体利润底线不受影响，那么报价最低是多少？ 本季度目标利润率是10%。根据最近三个月的财务数据统计，总营收为2.1亿元，毛利3360万，实际利润率为16%；我们的投标价格底线最低下降至3849万时，不会影响公司整体毛利率目标。 研发： 基础代码自动生成，业务代码人人可写 覆盖Python、java、sql、javascript、go、html、c++、css等多种编程语言 办公：无处不在、无缝衔接的办公助手 多层次、全方位的能力辅助 度小满 - ChatMan办公助手 私人顾问：个人决策助手，基于个人可获取信息，帮助决策，提升价值 决策能力 真实问答场景 全面辅助：实时、全面和准确地辅助解决业务、政策、资讯等等复杂问题 金融监管治理有几个要素，以及每个的含义和重要性？ 用户满足20%86% 金融监管治理涉及的四个核心要素是：独立性、问责制、透明度、操守。 操作提效：大模型驱动的知识抽取与信息处理等工作，提升基础操作性工作的效率 首先，独立性指的是监管机构具有一定的自主权，使其能够免受政治层面和被监管实体的干扰，以确保公平、有效地进行金融监管。监管机构的独立性不仅要求专业性技能 ，以便在复杂情况下迅速做出反应，还要求其能够使自身免受政治干预，增加监管行为的透明度和稳定性，由此提高政策制定的可信度。 助力提升内外部协同效率 其次，问责制是监管治理的重要环节，…… 然后，透明度也是极为重要的，…… 最后，操守是指监管机构和监管人员需要坚守的行为与规范。…… 金融监管治理的四个要素相互影响、相互促进，共同构建了金融监管的基础环境。要统一提升，需要多元化的改革与整合，构建高效、公正的金融监管环境。 风控：提升感知和决策能力，智能风控更主动更实时 CONTENTS 1. 人工智能与金融行业：正当其时，大有可为 2. 开始的结束：厚积薄发，传统式人工智能驱动金融业务 3. 开始的开始：另辟蹊径，生成式人工智能重塑金融业务 4. 未来展望：传统与新兴融合，人工与AI协作 传统AI和生成式AI优势互补、融合发展，出现金融Agent 人工与AI Agent社会化协作，重构金融行业生产关系 人工设定目标和监督过程，人工+AI共同执行、评估和迭代 总结与展望 人工智能迎来了新的发展机遇，金融智能化正当其时传统人工智能仍存在巨大红利，能够持续驱动金融业务增长生成式人工智能将从点到面赋能和重塑金融行业，创造巨大价值增量人与机器的协作关系正经历深刻变革，AI将重构金融业乃至全社会的生产关系 轩辕大模型：定位于最好的中文金融域大模型 建设最好的金融行业大模型，金融域任务超越领先通用模型 轩辕大模型：定位于最好的中文金融域大模型 「轩辕70B」大模型金融能力领先，通用能力强大 金融能力 场景能力 通用能力 轩辕70B已经通过注会考试、银行/证券/保险/基金/期货从业资格、理财规划师、经济师等金融领域权威考试 轩辕70B在度小满自有金融业务场景测试中表现领先，特别金融知识问答、NL2SQL等场景表现优异 C-Eval和CMMLU两大权威榜单，[轩辕70B]均名列所有开源模型第一 金融增强 对话增强 应用增强 知识增强 面向