如何防范银行数据泄露风险？业内：通过加密技术等手段，可实现数据在DeepSeek的训练中“可用不可见”

DeepSeek对银行信贷等业务生态的变革日益显现。

记者多方了解到，近日多家银行在接入DeepSeek并完成本地化部署后，正在测试DeepSeek在银行信贷业务场景的应用成效。

一位国内金融科技平台负责人向记者透露：“以往，对公业务客户经理只能在网站四处搜索获取企业舆情信息，难免出现漏查状况，贷款企业舆情风险分析准确度不高；在接入DeepSeek后，通过后者的强推理能力，其生成的企业尽职调查报告舆情风险分析准确度超过90%；此外，DeepSeek的强推理能力，可以让企业某些信息自动准确地“匹配”企业风险报告相关内容输入要求，令报告自动填充率明显提高。”

他直言：“目前，我们与多家合作银行内测均发现，DeepSeek在企业风险报告、尽职调查报告的自动填充率与舆情风险分析准确性等方面，均不亚于其他大模型。”

苏商银行高级研究员孙扬表示，苏商银行已应用DeepSeek VL2多模态模型处理非标材料，如表格、影像资料、文档图片等识别，将提升信贷材料综合识别准确率至97%。此外，苏商银行将DeepSeek的蒸馏技术应用于信贷风控、反欺诈等20多个场景，使尽调报告生成效率提升40%，欺诈风险标签准确率提升35%。

随着DeepSeek在信贷场景的应用日益普及，互联网助贷平台也在积极接入DeepSeek提升普惠信贷智能化水准。

近日，数禾科技完成了DeepSeek-R1-32B与DeepSeek-R1-671B（满血版）的本地化部署，进一步提升在线普惠信贷风控及服务的智能化水准。

数禾科技CTO章积伟向《每日经济新闻》记者透露：“在互联网普惠信贷场景，金融机构需综合评估贷款人征信报告、职业、收入状况、以往还款记录等众多数据信息，再做出相对科学的信贷决策。以往，对这些用户数据信息的梳理评估，金融机构主要依靠基于专家经验的AI风控引擎。在接入DeepSeek后，金融机构可以借助DeepSeek强大推理能力所形成的信贷风控建议，成为金融机构完善信贷风控体系的新辅助工具。”

此外，如何妥善解决DeepSeek所带来的“幻觉”挑战，仍是金融机构在信贷场景用好DeepSeek的一大挑战。上述金融科技平台负责人告诉记者，在与银行开展测试过程，他们偶尔会遇到DeepSeek强大推理能力所带来的“反作用”。比如，DeepSeek偶然会“自说自话地”地虚构企业某些业务状况，影响银行的信贷决策准确性。

值得注意的是，随着DeepSeek在金融机构信贷场景的应用日益广泛，它是否会取代其他大模型，正成为业界关注热点。章积伟告诉记者，DeepSeek系列大模型将与现有其他大模型形成多元互补格局，进一步提升数禾科技在智能信贷服务领域的质效。

他表示，由于大模型性能不同，金融机构要让大模型在信贷场景充分发挥降本增效作用，就需要根据不同大模型性能与优势进行融合使用。目前，DeepSeek的一大特点，是助力企业在多种智能化场景复杂推理任务处理方面实现质的提升。

DeepSeek的强推理能力，将提升信贷风险预警准确度

随着大模型在金融场景的应用日益增多，越来越多银行与助贷机构都致力于通过大模型提升信贷业务智能化操作水准。

尤其在信贷业务风险管理方面，银行希望大模型技术能带来更精准的风险评估与风险预警能力。

以往，银行在进行信贷审批时，如何综合评估用户的信用记录、收入情况、负债水平等因素，从而更全面精准地研判违约风险，主要依赖基于专家经验的传统风险评估模型，但这容易引起“人为误判”。

在大模型技术在信贷场景得到应用后，银行通过大模型技术，对海量用户数据信息和非结构化数据（比如用户部分金融行为等）进行分析，挖掘传统风险评估模型难以发现的风险因素与潜在风险信号。

前述金融科技平台负责人告诉记者：“通过对用户社交媒体数据、新闻报道等非结构化数据的全面分析，DeepSeek能捕捉到企业、个人的负面舆情信息，包括企业经营纠纷、个人不良信用传闻等，并将这些信息纳入银行的信贷风险评估体系，令信贷风险评估更全面准确。”

在信贷风险预警方面，DeepSeek正发挥新的作用，比如它能实时监测市场动态与客户行为变化，及时发现潜在的信贷风险事件。尤其是当利率波动、行业状况出现异动、客户金融交易行为出现异常时，DeepSeek能根据预设的风险模型与阈值，快速向银行发出预警信号，银行能够提前采取相应的风险应对措施。

“DeepSeek的强推理能力，结合相应的数据训练，能帮助银行捕捉到企业个人某些异常行为所带来的潜在信贷风险隐患，有效降低潜在的不良率。”这位金融科技平台负责人向记者指出。据评估，基于DeepSeek的信贷风险管理系统帮助银行对潜在风险事件的预警准确率提升约20%，这也是当前DeepSeek相比其他大模型，在信贷场景应用领域所呈现的独特价值。

章积伟向记者透露，在接入DeepSeek后，普惠信贷业务智能化水准提升还体现在三大方面。一是智能决策中枢得到强化，因为DeepSeek有效提升数据处理速度与准确性，对信贷逾期率、不良率等指标的趋势预测提供更科学的分析支持；二是风险管理系统开发效能得到提速增效，因为DeepSeek提供更精准的代码补全和错误监测，风险管理系统开发效率提升的同时，开发成本也相应降低；三是DeepSeek本地化部署后，可以覆盖文档处理、跨团队协作的全栈式AI解决方案，令企业能更快响应用户在信贷申请等环节所提出的各种疑惑，有效提升用户信贷体验。

此外，他强调说：“面对AI换脸、AI拟声等深度合成技术被滥用所出现的新型欺诈行为，DeepSeek的强推理能力与深度学习算法，再结合历史数据的训练，可以构建更强的智能模型，进而更精准地识别上述新型欺诈行为，进一步减少金融机构的业务损失。”

章积伟向记者表示，DeepSeek将推动数禾科技进一步构筑企业级AI中台，进而重构信贷审批数字化链路，为普惠金融业务流程数智化转型提供有力支撑。

通过加密技术等手段，可实现银行数据在DeepSeek的训练中“可用不可见”

上述金融科技平台负责人向记者透露，尽管DeepSeek在信贷场景的应用成效相当不错，但在实际操作环节，银行仍需借助数据参数更大的大模型，先对用户海量信息数据进行处理，再借助DeepSeek的强推理能力，令AI生成的企业信贷报告准确性与全面性进一步提升。

为了更好地发挥DeepSeek在信贷场景的应用成效，银行正着手对数据处理与数据分析架构进行升级。

这位金融科技平台负责人告诉记者，以往银行的数据处理架构主要以关系型数据库为主，侧重针对结构化数据的存储处理，难以满足DeepSeek对海量非结构性数据的处理需求，如此DeepSeek的强推理能力的充分发挥，容易遭遇某种制约，而企业个人信贷报告的舆情事件风险分析准确度也难以得到进一步提升。

“我们正与合作银行沟通，引入新的大数据平台与分布式数据存储技术，实现对用户海量结构化数据、半结构化数据与非结构化数据的统一存储管理。”他告诉记者。

此举目前最大的挑战，不在于分布式数据存储技术的引入，而是银行在存储管理上述数据时，如何持续增强数据质量管理——比如通过数据清洗、去重与标准化格式化操作，提升数据质量与准确性，从而给DeepSeek在信贷场景发挥强推理能力提供更好的数据基础。此外，当银行使用DeepSeek处理涉足多个信贷系统的复杂业务场景时，如何保证数据的一致性与完整性，又是一大挑战。

一位银行对公业务部门人士向记者透露，当前他们在测试DeepSeek的信贷场景应用成效时，还发现如何让DeepSeek与银行现有数据安全技术适配，也是亟须解决的挑战。

具体而言，银行在使用DeepSeek时，基于对用户数据隐私安全保护的要求，需采取加密技术、访问控制技术和数据脱敏技术等措施，确保敏感数据在传输、处理过程的安全性，其中包括先对客户身份证号码、银行卡号等敏感信息进行加密处理，在数据输入DeepSeek前还得做好脱敏操作等。

但在实际操作过程，“投喂”给DeepSeek的数据来源相当广泛。其中包括银行内部数据、外部合作伙伴与第三方数据，且数据质量参差不齐，容易存在数据缺失、错误与重复等状况，既影响DeepSeek模型的训练效果与预测准确性，又容易不小心出现数据泄露风险。

“针对DeepSeek在信贷场景的数据训练使用要求，我们一方面增强对数据清洗、验证与修复，先确保训练数据的准确性与完整度，另一方面也采取加密技术、联邦学习等隐私计算技术，实现数据在DeepSeek等大模型训练方面的‘可用不可见’。”他告诉记者。

在他看来，随着大模型技术在信贷等场景的应用日益普及，金融场景的多个大模型并行应用时代已经悄然来临。

他告诉记者，通过初步测试，他们发现将DeepSeek与其他大模型并行使用，所生成的企业信贷报告与个人信贷风险评估报告更加精准。究其原因，是DeepSeek的强推理能力，提升了用户舆情事件的风险分析准确度，而其他大模型对用户海量结构性数据与非结构性数据的处理，令信贷报告的整体质量较以往客户经理人工操作更好。

近日，腾讯理财通在接入DeepSeek-R1模型满血版同时，继续支持混元大模型应用。

记者获悉，不同大模型在腾讯理财通的金融场景应用侧重有所不同，比如依托混元大模型的庞大金融数据参数，腾讯理财通可以结合全市场基金及股票实时行情，以及A股、港股、美股深度研报及财报，为用户提供准确、实时大盘分析与市场走势解读；借助DeepSeek深度分析推理能力与腾讯理财通专业投研分析，用户可以获得热门投资行业分析、基金筛选、基金诊断、资产配置分析、智能客服等个性化投资理财与陪伴服务。此外，在接入DeepSeek后，腾讯理财通还将进一步整合专业金融信息数据、微信公众号文章等资源，提供专业性更强、时效性更高的金融服务。

前述金融科技平台负责人向记者指出，随着财富管理、信贷等金融场景的多个大模型并行时代来临，银行等金融机构正根据大模型性能特点进行“分工”，令他们“各司其职”。其中一个比较明显的趋势是，部分银行将自研的金融大模型用于数据清洗去重与标准化处理，将DeepSeek用于数据分析推理。甚至还有银行正尝试将DeepSeek开源大模型融入自研的金融大模型，一站式地提升信贷风控精准性与财富管理服务智能化水准。

记者注意到，银行在多个大模型并行应用的布局进展相当迅速。

近日，中原银行采用本地化方式，部署DeepSeek R1满血模型、R1蒸馏模型与JanusPro多模态模型，支持与银行内部应用高效集成对接，根据实际应用进行持续调优，满足各类金融场景应用需求。未来，中原银行计划充分发挥DeepSeek大模型在深度思考推理等方面的特点，在智能信贷、知识问答、产业图谱、智能客服、智能研发等场景探索创新应用，全面提升金融服务质效。