生成式AI重塑银行对公信贷业务报告

势：金融“五篇大文章”与AI时代 [...]2道：AI重塑对公信贷业务 [...]3术：AIGC的5个信贷用例 [...]4法：1433-1框架，4个模式，3阶段、3路径、3抓手 1、取势：金融“五篇大文章”之科技金融 生产力：科技金融支持“科技+产业+金融”的良性循环：✓直接融资：资本市场+风投✓间接融资：信贷，投贷联动 生产关系与全要素生产率实现“跃升”相匹配 1、取势：金融“五篇大文章”之数字金融 中国金融行业整体处于“四期叠加”：信息化末期、移动化成熟期、开放化成长期、智能化探索期 1、取势：AI时代+数智化 AI时代，日新秒异，AI一天，人间一年： ✓上半场：卷大模型，下半场：卷基于大模型的AI原生应用；高估未来两年的成果，低估了五年的进展？✓数字化转型更多发力于个金ToC业务，而百花齐放的AI智能体将更深刻，更彻底地改变复杂业务的ToB领域？ 工业革命是生产力的变革，带来生产关系、社会结构的演进：✓农业：19世纪后半叶，80%的劳动力从事农业；现在约为3%；✓工业：20世纪中期，工业工人占比约为50%，现在约为19%，多数人转向了服务业；✓知识工作者：央媒报道游戏公司用AI节省了50%美术成本；麦肯锡预计在2045年前后，AI将取代50%的职业… AI已经成为我们身边的同事 取代我们的不是AI，而是善于与AI智能协同的人 双智协同时代已来…… 2、明道：对公信贷，从管控走向赋能，修通“最后一公里” 人才难组织难 2、明道：生成式AI，将重塑银行信贷业务 7类可复用生成式AI服务，可满足如下业务需求 A.辅助银行专员回答问题：利用对话界面或聊天机器人满足客户请求（如查询交易状态等）B.销售话术生成：结合通用信息和客户个人信息生成话术C.正式报告生成：生成材料，作为信贷申请资料或交易后文件D.便捷访问其他类似信贷/交易产品(信息数据库)：为决策提供信息和对标数据E.智能搜索引擎：解析分散在各文件和数据源（如基金招募说明书、法务/人力资源聊天机器人）中的数据F.外部数据发现：从半公开数据库等外部数据源中发现数据G.信息整合和洞察：为用户智能化提取相关信息 端到端转型成效最高的4大高优先级价值链（包括预测式AI） 1.信贷流程支持2.跨部门客户服务3.金融市场交易4.ESG监测与报告 2、明道：数据中台→AI中台将重塑信贷业务 3、信贷数智化架构：基于“场景+数据“的架构蓝图 AI原生应用：自然语言交互，多模态交互，AI智能体 3.1营销助手–业务需要既懂信贷，又懂财务，还懂产业，再懂风险融资？ 1、某民营银行：”基于大模型，提高模型预测企业贷款意向的精准度“，助力挖掘潜在信贷商机2、金融大模型+企业专属知识库=城商行：联合实验室，自研-检索增强生成RAG 知识图谱：✓在微调或RAG中使用，增强AI的可靠性、有效性和透明度 上下文，降低技术和监管风险，避免幻觉/偏见。数据抽取：结构化、半结构化、非结构化信息提取-知识融合（消解-消歧）-知识加工-知识图谱三元组：实体|关系|实体，实体|属性|属性值 向量数据库，性能更好，相似性、更隐式的相关结果；某城商行： ✓组建由业务、科技、研究院等，开展数据采集和标注工作。✓基于开源技术路线，自主建设语义向量库、多路召回搜索引擎。 关系型数据库，某国有行的三点经验： ✓准确性：通过叠加专业知识库，避免“幻觉”✓知识库更新：定期全量更新知识库✓权限管控：对接行内文档权限控制系统 3.2财报与尽调助手–企业财报、现金流分析，偿债能力智能分析 对公信贷业务流程长，其间需要客户经理撰写大量文档，耗占大量生产力：✓文档：营业执照、财务报表、税务记录、征信报告等，形成KYC客户尽调报告、贷前信贷备忘录、信贷合同、贷后风险评估报告等； ✓在传统NLP方案基础上，借用大模型内容生成、推理能力与提示工程，自动生成报告，实现从co-polit模式到agent模式的提升；✓综合解决方案：结合传统自动化技术的结构化刚性，生成式AI的探索性流动性，服务于业务场景创新。 尽调助手：基于生成式AI的解决方案，江苏某城商落地 传统尽调报告：上一代NLP技术 集成LLM、OCR、规则引擎、指标分析引擎等技术，利用大模型开发平台构建Agent体系，财报数据准确率达95%以上，报告生成可接受率达85%以上，特别在财务比率自动化分析，行业基准值对标，偿债能力分析等，助RM提效60%以上。 大数据公司生成的尽调报告、信贷报告等，仅含公开信息，未能公、私域数据融合，难以迭代需求 3.3定价助手–NL2SQL技术，业务流程x数据驱动=利润提升 ✓某城商行使用提示词工程+LangChain组件搭建NL2SQL的数据查询助手，利用元数据和查询模板训练，实现自然语言交互的取数✓数据治理与数据质量是基础：某城商行实现“看得清、看得全、看的透”，构建了x用户标签、x项经营指标，x实时数据指标和标签 3.4会议助手+知识助手–实现一户一册，“事事有着落”抓风控 ✓在审结阶段，通过自动收集业务审批结论、流程中意见和审贷会会议纪要，通过大模型组织生成信贷审批书初稿；✓并支持用户通过提示语调整风格，用户只需简单修改即可作为最终审批书下发，大幅减轻审批书编写工作量；✓自动生成有关会议讨论的跟进事项，生成跟进任务，指派责任人跟进，并跟踪是否落实等。 3.5风控助手–小模型+大模型，科技金融做精做深，向专业行 经济下行，息差收窄，信贷质量质量面临压力。信贷管理的核心是风控：✓数智化风控：专家经验判断+模型算法、机器学习+迭代大模型逻辑推理能力，更全面风控 ✓某民营银行申请专利：普惠金融125个行业，补充上下游信息，完善产业链关系图谱，基于大模型开展客户画像工作，提效5倍。✓某互联网民营银行：利用大模型构建9条产业链图谱，识别超2100万家潜客，客户画像提效10倍，提升信贷覆盖率和满足度。✓双智协同：“幻觉”不可避免，大模型绘制的产业链图谱会向风控系统提供客户识别、经营评分和画像，最终仍由风控系统多维度交叉验证后，仍由人做决策。 4.1择法：4种组织运营模式 4.2择法：落地实施的“三个阶段” AIGC是一个新的“大航海时代”，挑战重重：缺人才，缺场景，成本高，风险高-有幻觉，我应该封闭等待，还是积极拥抱未知？ 落地实施的三个阶段：✓AI筹备期，缓坡地貌：每天的日常，公有模型+公有数据辅助处理；右图的左下角象限，办公场景，生产力工具，嵌入式协同如代码生成 ✓AI的探索期，小径地貌：从0到1，尝试从低成本、高回报的业务用例出发，探索私有化部署，或有失败；进入前中台业务场景，流程重构✓规模化实施期，陡壁地貌：从1到N构建多场景、多应用，创新重塑业务；成熟期后，面向客户服务，甚至成为核心业务能力的一部分 4.3择法：有关大模型选择的“三个路径” 场景垂类专用大模型L2 通用基础大模型 L0 L1 •专业单模态大模型：单模态通用大模型–语义、语音、视觉、策略等•行业大模型部署：借力大型商业银行，发挥行业大模型优势，实现银行在理财、计量等专业场景的建设，同时降低重复训练算力资源投入。值得注意的是，通用大模型+知识库≠行业大模型。•借力：大型商业银行，金融科技公司输出 •模型：通用大模型，支持多模态，底座•部署：通用大模型+企业知识库，即完成企业自身大模型开发与工具链建设，包括企业向量知识库建设，在此基础上基于开源（甚至是多模态大模型）等通用大模型完成通用场景建设。•借力：大模型公司 •模型特点：按需快速引入满足特定业务场景、流程的端对端成熟解决方案，实现快速的业务价值。如行业内引入的开发大模型、测试案例大模型等。 •借力：借力行业解决方案提供商，或自研 路径之争的非共识：业数科融合MVPv.s.平台整体规划？开源与闭源？外购v.s.产学研用模式？ 4.4择法：科技团队的“三个技术抓手” ✓抓手一检索增强生成RAG：利用嵌入(embedding)，使大模型能基于给定的数据库来生成答案。系统首先到向量数据库检索出相关信息片段,之后再将问题和搜索到的信息片段传送给大模型,由大模型整合形成最终的对话式答案。 ✓抓手三微调：修改模型的参数，使得模型在有限提示词下，一次性生成答案的质量更高。精调模型需要更多的数据和一定的算力资源（需高算力芯片）。需关注轻量级fine-tune的模型的发展：LoRA, P-Tuning等 RAG，每个环节都有难点 ✓抓手二提示工程：利用强有力的提示词设计，使模型给出契合专业性要求的准确答案。利用LangChain把问题解决的长线逻辑和相关例子全部融入进去，使大模型能按照预设的步骤、思维链、回答格式来产生答案。 4.3择法：AIGC落地实施的RoI论证 部署生成式AI的成本估算模型：✓固定成本：上图蓝色，大模型成本，算力成本，应用开发成本等✓变异成本：上图粉色，数据，数据标注，并发用户，token长短，推理，持续优化的成本 实施原则：垂直应用为先，以私有化部署为主；与现有系统松耦合，由点及面分步实施；大模型、小模型、AI原生应用协同发展 4.4择法：AI-Ready的组织，人才是起点，高价值场景是突破点 痛点即突破点，难以找到适合的业务用例：✓52%的AI项目依然无法从原型验证转化为生产✓AI方案平均需要超过8个月才能从原型转化为生产 最大障碍：✓53%-缺少业务与技术领域的AI人才✓30%-尚未找到匹配的业务用例与价值✓14%-难于选择合适的大模型与培训 4.4择法：ALLIN AI？好奇→恐惧→尝试→接受 2023年3月启动AIGC技术调研2023年6月上科管会，科技牵头立项2023年7月第一次开源大模型部署2023年9月完成初次算力采购与部署2023年Q4客服、电销、贷后场景2024年5月多个AI助手应用上线 某民营银行近一年的AI历程 在2023年二季度开了三次合伙人会议，形成了共识即“大模型很重要”。10月份各部门骨开会讨论2024年的商用用例。花了整整半年的时间，团队自上而下、自下而上的在“要做大模型”上逐步达成了一致。“知道要做”和“动身去做”是两回事。 某咨询公司全员学AI 与人类大脑处理语言极其相似：1800-2000亿个神经元，GPT3.5: 2千亿参数；通过预测编码来处理语言，学习与适应等，多模态 Generative生成式:模型学习如何通过上下文预测句子中被Mask的单词；扩大语言模型的规模，可以显著提高零样本与小样本学习的能力. Pre-Trained预训练基础大模型预训练：万亿级低质量互联网数据＋非监督学习算力：预训练，耗占了总体算力资源的98%微调：质量数据－全参微调SFT＋人类标注RLHF Transformer模型Google-《Attention is All You Need》Transformer:向量的解码器与编码器算法族谱：BERT / GLM / GPT 预训练模型:是一个未加控制的“怪物”（图：修格斯怪物H.P. Lovecraft），训练数据来源于对互联网，其中可能包括点击诱导、错误信息、政治煽动、阴谋论或针对特定人群的攻击等内容 ➢沿革：深度学习，特定模型，模式识别→海量数据训练大模型，泛化能力，多模态NLP+CV+ASR+TTS+ML+DL+RL+GAN；➢行业：提前10年-尚不完美，足够强大；Gartner：处于膨胀期望的峰值，2-5年将被市场主流采用；启明创投：类似互联网的97-98年➢全球：麦肯锡-每年贡献“一个英国的GDP”-2.6-4.4万亿美元；2030-2060年间50%的知识工作者的工作将逐步被AI替代➢中国：大模型-282个；人才-41%@大学，清华领先；商业：+AI, AI+;市场规模：亿欧咨询预计到2030年，万亿规模 宏观： 是另一个区块链，元宇宙？还是第四次工业革命？ 微观：对于银行，业务部门，个人生产力的意义与价值，拥抱AIGC 个人生产力常用:ChatGLM/gamma/讯飞