每个和我共事过的财务团队,看任何一份报告时都会问同一个问题:这个数字是从哪来的?
![]()
AI进来之后,这个问题变得更难回答,而不是更容易。语言模型能写出一份流畅的月末总结,但如果里面的数字也是它生成的,那就没人说得清这些数字的出处。在财务场景里,一个无法追溯的数字,就是一个不能用的数字。
所以我们在做 OfinTech Desk 时,从一条规则出发:每一个数字都必须有来源。这套规则反过来决定了整个架构长什么样。
在 OfinTech Desk 里,点开任何一个数字,都能看到它背后的链条:产生它的那次计算、喂给这次计算的账目行、原始文档,以及文档里的具体页码。一个数字如果拿不出这条链,它就不会出现在界面上。
关键的设计决定是把工作拆成三层,并且严格规定每一层能做什么、不能做什么。
第一层:确定性代码负责算数
所有算术都发生在普通、确定性的代码里:报表、月末结账、KPI、增值税申报数字。同样的输入,永远得到同样的答案。没有采样,没有温度参数,也没有“通常是对的”这种说法。
这也让系统可以用常规方式测试。一个KPI就是一个函数,而函数是可以写单元测试的。
第二层:分类器做封闭决策
有些步骤不是算术,而是判断,比如把一条银行流水匹配到某个支付服务商的打款。这类属于封闭决策:答案来自一个固定的选项集合。
这部分我们用一个小的训练好的分类器,叫 Ofin 模型。它返回一个选择,同时给出一个经过测量的概率,系统因此能区分“有把握的匹配”和“存疑的匹配”,人也可以设定一个阈值,超过阈值就自动接受匹配。它会从团队自己的接受和拒绝决定中学习,所以第二个月会比第一个月更准。
第三层:大模型只负责解释
语言模型站在整条流水线的末端。它读取数字和它们的来源,用阿拉伯语或英语把这些数字讲清楚。它从不发明数字。
正因为模型不被信任去做数学,选哪家供应商就变得没那么重要。你可以用任何大模型供应商、一个本地模型,甚至完全不用模型,每一个数字都保持不变。
这套东西不需要GPU。我们希望它能跑在财务数据本来就在的地方,往往是公司内部一台配置普通的服务器,所以分类器被刻意做得很小。在2核CPU上,它给一条银行流水打标签大约需要0.03毫秒;一份500页的银行对账单处理完不到1秒;用团队自己的决策重新训练大约需要0.3秒。全程没有GPU。
OfinTech Desk 不替代你的会计系统。它以只读方式连接 QuickBooks Online、Xero、Zoho Books 和 Odoo,或者从 Excel、CSV 导入总账,然后待在你已经在用的系统旁边。
只读是特性,不是限制。一个不能往你的账本里写东西、也不能挪钱的助手,才是风控负责人真正敢批的助手。所有东西都跑在你自己的服务器上,数据不会离开你的网络。
回头看,最有用的设计决定是一个限制,而不是一个能力:先想清楚模型不被允许做什么。可测量的置信度胜过流畅的置信度——一个能设阈值的概率,比一段写得漂亮的文字更值钱。小模型也能走很远:对于封闭决策,一个微小的CPU模型比大模型更快、更便宜,也更容易审计。
核心部分以 Apache-2.0 协议免费开源,另有一个付费档做支付结算对账,用来养活这个项目。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.