AI for Process直播日｜“干货”分享，金融领域AI数据应用洞察与突围

6月26日，作为「数云原力®2025」大会重要组成，首场「AI for Process」系列活动圆满结束。围绕“金融领域AI数据应用洞察与突围”来自行业4位资深金融科技专家，包括：神州信息金融产品部数据研发中心总经理李庆刚、神州信息数据资产交付部总经理张琨、神州信息金融产品部数据产品经理王淑慧和金融科技专家原微软中国公司CTO黎江结合银行落地案例和行业技术趋势，展开深入交流。

圆桌现场

国内外AI数据应用的差异性？

金融科技专家黎江：从国内外AI数据应用趋势看，存在较大差异性。首先，侧重点不同。国内银行更注重AIGC在降本增效领域的应用。而国外更为重视在数据价值深度的挖掘，通过对业务规则的探索，实现业务边界和模式的突破。其次，合作模式不同。国内更为倾向以自研或者自己主导为主，国外机构更为青睐外部合作。最后，从技术部署上，国内外存在一定差异，国外机构更为青睐和云服务厂商在数据分析等领域合作。而国内银行由于监管要求，更为强调本地部署，侧重内部管理或者内部员工使用，面对业务场景的较少。尤其在数据基础能力建设及平台化方面存在一定差距。

神州信息李庆刚：从数据架构架构的角度看，一般的数据决策过程会涉及到：数据平台系统、数据分析和智能平台 analytics and business intelligence (ABI) 、数据科学和机器学习平台 data science and machine learning (DSML) platforms以及特定的应用系统。决策过程漫长，数据准备时间长、不能适应业务快速变化。如何解决决策过程漫长，数据准备时间长、不能适应业务快速变化等问题。决策智能平台(DIP)是一个很好的方案，该平台有几个特点：一是平台可从多源异构数据中实现采集、聚合与标准化处理以及数据清洗，提升数据高质量；而本体模型包括底层数据集、也包括决策模型（规则、AI模型等），使之处于数字资产的顶层，成为对外暴露出来的操作层；二是运用多种技术，实现知识建模。支持多种技术，如业务规则、优化算法、机器学习、自然语言处理（NLP）和知识图谱，用以建模决策知识。三是将决策场景和数据结合。通过人机交互的方式，通过可视化方式实现决策流程。我们观察到一些银行，利用大模型的能力，由业务人员根据客群情况，通过自然语言的方式与系统交互，利用底层的基础数据，获得营销用例的客户清单，并基于营销客户清单开展营销活动。这已经是决策智能的雏形了。

AIGC在金融合规领域的挑战？

神州信息王淑慧：知识库建立是大模型应用基础。大模型预训练中用到的都是公共知识，它的参数里存储了通用知识，这些知识远远不足让它在银行内部发挥作用。所以我们需要把银行内部的私有数据转化为“知识库”，供大模型调用。银行制度是一种重要的银行知识传统知识库的构建是将制度切块，然后向量化存储，用于各种应用场景，比如合规问答机器人，外规内化，产品营销等。在前期的项目经验中，这种知识库，对于跨制度的回答，效果不够理想。这时需要借助知识图谱结构化的构建知识库。

神州信息张琨：首先，AIGC生成的内容复杂多样，针对不同类型的内容制定合适的合规标准和规则难度极大。其次，监管法规不断变化，跨国业务还需适应不同国家和地区的法律法规。最后，AIGC可能涉及数据安全风险及隐私泄露问题，企业处理大量敏感数据的过程中，也会面临着非法攻击和数据泄露的风险。如何面对这些挑战？

从技术层面来看，企业应该制定数据治理“治金石”效应，已数据为核心在一套工艺下建设好高质量的数据集。同时，对AI生成内容添加水印或元数据标签，明确版权归属。从法律与行业协作的角度出发，企业应积极制定确权管理机制，明确属主owner，推动数据授权标准化流程。

金融领域AIGC在多智能体挑战？

神州信息张琨：在金融机构中，大模型的应用场景广泛，但其应用成本较高，且涉及的安全合规问题较多。首先，在应用成本方面，金融机构训练大模型需要大量算力资源。尤其是处理千亿级参数的大模型时，算力需求呈指数级增长，成本投入也相应增加。

金融客户往往通过构建一体化云原生的异构算力平台来管理和调度多元异构的AI算力资源；在数据层面，应围绕“盘、析、治、运、用”闭环流程，构建大模型训练和持续提升的数据闭环；在大模型方面，其基模可以采用第三方开源模型，包括业界主流的开源模型以及正在做共建和联创的产业大模型，各个基模之间可以无缝切换，具有灵活的适配性，而对于金融大模型平台，包括NLP、CV、多模态等大模型，主要是通过组件化（例如微调组件、RAG组件等）方法快速优化各类开源模型和商业模型，以实现各类金融场景的接入

神州信息王淑慧：首先智能体可以代替员工完成一些标准化、重复性高的工作，如银行业信贷领域尽调报告部分章节的撰写等。重点针对这样制式报告，可以预设workflow，让智能体按照既定的顺序完成指定的工作，可以调用工具去指定的第三方合作网站用API接口方式获取指定定客户的自身信息，如经营范围、财务状况、集团及关联关系等，去行内某系统查询在行内的历史合作情况，并把以上信息填写进制式报告的指定位置，帮助信贷经理完成繁琐的基础信息的查询以及填写。以上是workflow工作流，由人来规划；针对更复杂的场景，可由大模型来做决策，拆解任务，每个子任务由子Agent完成。

AIGC对金融数据研发与应用带来的变化？

金融科技专家黎江：金融科技专家黎江：首先，数据应用的核心关键在于“本体”，通过“本体”将分散的知识进行有机组织，形成整套的知识概念体系，才可以实现体系内知识和概念的交叉应用。通过完善的“本体”构建，才能支持决策判断和知识共享。其次，通过“本体”还可以将决策流程、决策场景和决策相关要素进行结合，实现“既要、又要、还要”等不同需求。最后，如何看待本体和大模型的关系。今天大模型作为工具能够帮助我们构建一套正向的反馈机制，帮各类数据应用场景进行结合，通过模型持续学习，不断提升数据的应用价值。

从个人角度看，非常期待中国银行业能够像当年面对互联网而成立了电子银行部一样，面对AIGC我们也同样需要成立专门的部门，专注人工智能技术的应用，推动智能决策的发展。

神州信息李庆刚：基于AIGC技术在国内外的对比分析，以及近年来我们在知识库建设与应用、多智能体系统以及数据研发领域的项目实践的分享，首先从技术的维度，有以下三个观察：

1.混合人工智能将成为重要方向，即通过大模型、小模型与知识图谱等技术的协同融合，显著提升数据分析能力；

2.大模型与知识库的深度结合将有效增强决策支持能力；

3.多智能体系统将成为大模型技术落地的主要载体。

值得注意的是，这些观点Gartner预测的2025年技术趋势高度吻合。其次，从大模型项目落地突破的角度，我们想提出两点建议：

1、要认识到"知易行难"。刚才分享的三个案例在实施过程中都遇到了需要突破的难点，有些领域我们仍在持续探索中，必须选择适合自身的发展路径。

2、建议充分利用生态，实现快速见效。大模型应用本身就是创新过程，企业应当善用市场上相对成熟的解决方案，借鉴最佳实践，避免重复踩坑。比如可以选择与神州信息这样的专业伙伴合作，加速项目落地。

本场圆桌对话结束，宣告首场数云原力「AI for Process」直播活动圆满结束。后续在7月1日、7月2日还将针对供应链运营、政务服务及汽车制造等核心业务流程的实战经验，直击行业痛点，解码AI助力各行业场景的破局密钥。通过生动实践延伸，以前沿洞察、技术突破与跨行业真实实践为利刃，全力推动企业数智化转型迈向更高阶的「流程智能」时代。

编辑：舒畅