数字人与大模型在风控领域的融合创新应用

☝设置星标★ 抢“鲜”浏览精彩内容

银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。

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。

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。

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）。

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）。

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）。

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）。

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

文章刊发于《银行家》杂志2023年第12期「金融科技」栏目