数字人与大模型在风控领域的融合创新应用

  • A+
所属分类:heygen ai百科

设置星标 抢“鲜”浏览精彩内容

数字人是数字社会中的新型产物,以数字形式存在于数字空间中,数字人包括有虚拟形象的和无特定形象的。在可控性、可编程性、规模成本等方面具有优势,虽然在银行场景的覆盖面较大,但其参与程度不是很深。伴随着银行业数字化转型步入深水区,其应用的广度和深度将不断拓展。


随着技术的不断发展,特别AI技术的发展,逐步推动了数字人的智能化升级。北银金融科技有限责任公司(以下简称“北银金科”)探索研究大模型技术+传统数字人的创新应用,赋能智能风控、智能客服、智能营销、智能运营等业务领域持续升级。本文重点探讨数字人与大模型在风控领域的融合创新应用,阐述商业银行如何通过数字人与大模型的融合,合规有效地进行企业风险分析,实现降本增效,加速推进银行数字化转型。


银行业数字人运用现状及挑战




行领域的数字人分为有形象和无特定形象的,有形象的虚拟数字人就像银行前台服务人员,客户可以看到并可与之交流,如智能客服领域的数字人。无特定形象的数字人更像后台人员,虽然不可见却做了大量的工作,例如,在智能风控领域,数字人利用机器学习、大数据和自然语言处理技术,实时监测和评估客户交易和行为,自动识别潜在的欺诈或异常交易,能够为客户提供风险提示,增强银行的风险防范能力,提升客户的服务体验。然而,当前银行应用数字人在数据智能方面仍面临不少挑战。


数据整合挑战大。大多数银行的系统均独立且分散,无法集中管理,导致客户数据散落于不同系统或业务部门,生态内外的数据孤岛”问题日渐凸显。另外,数据质量方面也存在数据缺失、数据重复、数据错误和数据格式不统一等多种问题。数据质量不高不仅会影响数字人技术的应用效果,还会给业务带来一定的风险。


智能交互门槛高。传统的数字人主要基于预设的脚本和固定逻辑进行响应,只能按照预设知识库输出答案,可能无法处理复杂或非标准的查询和任务,难以做到对交互式场景的有效替代。此外,随着银行业务和合规要求的不断变化,数字人的知识库和逻辑也要及时更新,这就需要耗费大量的时间和资源定期进行人工更新和维护,将产生高昂的维护成本。

“大模型+数字人”的主要应用领域




数字人的关键是交互,而交互的关键是拟人化,大模型相比传统AI模型更具智慧性,银行业数字人对接大模型已然成为趋势。


大模型是具有巨大参数数量的深度学习模型,通常用于处理复杂的任务,如自然语言处理、图像识别等,通过大量的数据进行训练以捕获细微的模式和关联。因此,可以利用大模型能力解决数字人训练中存在的数据质量问题,进行自动数据清洗、数据增强与语义识别优化。另外,大模型和数字人都具有AI基因,两者的融合不仅是两项技术的结合,更能发挥一加一大于二的作用,可以更好地理解用户的需求、回应查询并模仿人类的交往模式,为用户提供更加丰富和满意的体验。在银行领域,大模型+数字人的主要应用场景如图1所示。


数字人与大模型在风控领域的融合创新应用


智能风控领域。数字人通过与大型模型结合,利用深度学习模型对大量历史数据进行训练,从而识别和预测潜在的风险因素。大模型+数字人的结合可促进企业及时采取相应的措施进行风险防范和应对,大幅度降低企业的风险事件发生率,提高整体安全性。


智能客服领域。利用大模型可以实时反馈在线回答业务问题,无论是有关银行产品的常见问题,还是特定的账户查询,数字人都可以随时为客户提供答案,结合大模型,数字人可以根据客户的反馈和行为模式进行学习,以提供更加准确和个性化的服务。


智能营销领域。数字人可为潜在客户提供产品的详细信息、答疑解惑,并根据客户的需求,使用大模型为其推荐合适的金融产品。在个性化营销策略方面,利用大模型分析客户的交易和行为数据,数字人可以发送个性化的推广消息和优惠,从而提高转化率。


智能运营领域。数字人可以自动处理某些标准化的后台操作流程,如数据录入、审批等,而大模型则可以持续优化这些流程,确保其高效和准确性。

“大模型+数字人”在企业风险分析方面的实践




当前,信贷业务依然是银行业主要的营收来源,如何控制信贷投放风险,如何更准确高效地进行企业风险分析一直是困扰银行业的难题,为此商业银行在企业风险分析中投入了大量的资源和人力。利用大模型与数字人技术结合的方式进行企业风险分析,既替代了大量人工投入,又可以极大地提升效率和准确度,这对面临严峻经营形势的当前银行业来说显得尤为重要。


北银金科自主研发的财报专精大模型+数字人”——财报助手,旨在为银行的信贷决策提供更加全面、客观的深刻洞察。聚焦贷前、贷中、贷后企业经营状况场景,从企业基本信息、宏观经济、产业链、企业运营情况、企业财务情况等多个维度,全方位扫描相关企业,分析企业的经营状况和盈利能力,并自动识别出潜在的风险因素,同时,结合市场主流的分析维度和特色指标进行深度分析,并通过自然逼真的交互体验、简单易懂的表达方式为用户提供诊断结论,助力商业银行做出更准确和可靠的信贷决策。


技术方案


财报助手是一个融合多种数据源的智能系统,通过检索和图谱融合方案提高准确性和时效性,不断迭代和优化提示工程,提升大模型的行为可控性,为用户提供精准可靠的多模态内容生成能力。财报助手的建设包含三大中心(见图2)。

数字人与大模型在风控领域的融合创新应用


源材料中心——企业级知识库。企业级知识库以知识服务为目标,将数据采集、底层模型、知识校验以及知识存储等知识组织过程,有条不紊地串联打通,形成可持续迭代和成长的知识整合中心。知识库通过处理包括各类非结构化文本语料,如财经新闻、上市公司年报、行业分析报告、区域经济报告等信息,对非结构化数据进行结构化处理,同时结合金融领域文本数据特色进行知识抽取,构建高质量的企业级知识库。


效率中心——模型工厂。模型工厂定位为训推一体化工具和平台,构建模型训练、模型管理、模型应用、提示工程和算法安全等模块,把垂直大模型的数据处理、预训练、精调的复杂过程流水线化、标准化,支撑专精模型的训练和部署交付。模型训练包含四个阶段,即从模型底座、通用模型、指令微调模型到专精大模型,知识库对前三个模型阶段向外输出通用知识和金融知识,同时专精大模型对知识库进行向上反哺。基于高质量企业级知识库,模型工厂通过增量训练将知识库数据不断注入大模型,实现知识库扩充与模型自动增量训练效果提升的动态闭环(见图3)。


图3 大预言模型训练过程

服务中心——大模型服务平台(MaaS)。构建自助式大模型服务平台,平台具有自动化部署、自动机器学习、可解释性 AI 等特性,一方面,能够使用户快速构建专属大模型应用,并保证生成内容的准确性和效率,另一方面,还能够让用户通过平台上传领域知识文档,精心编辑提示词模板以完成特定任务。同时,平台提供持续优化和监控服务,帮助商业银行快速建立数据驱动的决策系统,降低模型运维成本,提升模型性能(见图4)。

数字人与大模型在风控领域的融合创新应用

平台利用金融行业的典型场景和丰富的数据积累,在原有的AI工程化平台基础上,进行大规模的模型调优和训练,最终形成了符合金融业务需求的系列专精大模型。不仅能提供成熟的基础模型,还能提供完整的大语言模型运维(LLMOps)闭环。用户可以通过简单的拖拽方式去完成模型的部署和测试,并统一管理提示词及调度流程。此外,平台集成了金融领域大规模的数据集,用户可以基于自己的数据进行快速的模型微调和生成。


应用价值


通过财报助手,借贷企业风险分析效率和准确率能实现显著提升。实时获取借贷企业财务状况、经营状况、行业前景、管理水平等信息后,通过大模型技术实现企业的信用评级实时调整,通过数字人技术对风险信息进行实时反馈及跟踪处理。对于信用状况持续改善的企业,银行可上调其信用等级,给予更优惠的信贷政策。而对于信用不断恶化的企业,银行则下调其信用评级,实施更严格的审查与控制措施,以控制风险敞口。


此外,财报助手在贷前、贷中、贷后环节均能发挥重要价值。在贷前阶段,深入分析企业的经营模式、技术革新能力、市场前景等,审慎评估其违约风险与抵押物价值变化风险;在贷中阶段,定期监测企业运营状况与技术发展动态,分析经营波动风险,以便在必要时采取包括调整信贷策略、优化产品配置、提高风险防控能力等行动,确保资产安全;在贷后阶段,准确披露企业的风险处置与控制情况,让监管机构全面了解银行的风险管理水平。


可以预见,财报助手将逐步从分析员角色成长为辅助决策的专家顾问角色,实现透视全局经营情况,预测发展趋势,辅助经营和管理决策(见图5)。

数字人与大模型在风控领域的融合创新应用


总结和未来展望




大模型赋予了数字人更加智慧的大脑,让数字人的智能化程度得到跨越式的提升。数字人与大模型在风控领域的融合创新,可帮助银行建立起企业级知识库并进行有效的企业风险评估,提升信贷业务质量,实现成本下降和效率提升,助推商业银行高质量发展。


展望未来,伴随AI的飞速发展,由大模型驱动的数字人将全面迈入智人时代,进而拥有全新的应用场景和商业空间。在大模型和数字人创新融合的助力下,商业银行将实现人机协同智能化、经营决策智能化、业务流程智能化的提升,加快实现数字化转型,更高效地赋能实体经济和人民美好生活。


作者系北银金融科技有限责任公司

党委书记、副总经理

责任编辑:董 治

[email protected]

文章刊发于《银行家》杂志2023年第12期「金融科技」栏目


END

分享、在看点赞,全都想要拥有!

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: