从作坊走向工业化 AI大模型赋能银行
本报记者张漫游北京报道
在ChatGPT大火之际，其背后的大模型技术在各行各业掀起了巨浪。在银行业，大模型之风已经从大型银行刮向了中小银行，更多区域性银行开始了实践，使得传统AI作坊式定制模型研发升级为工厂模式。
近日，江苏银行披露称，经过训练，基于该行“智慧小苏”的智能客服应答准确率由93%提升至96.7%，单笔工单处理时间缩减了近60%。
《中国经营报》记者注意到，更多大银行已经在智能客服、智慧办公、运营管理、营销创造、智能研发等领域深入研究大模型在银行业务间的应用。同时，银行也正关注到大模型背后存在的问题，比如答非所问和科技伦理风险等问题已经得到了重视。
解决一线员工痛点问题
大模型是指具有大量参数和复杂结构的机器学习模型。
据了解，江苏银行推出的“智慧小苏”大模型平台已实现了客服、代码生成、图像处理等多场景的应用。目前，“智慧小苏”可根据用户需求生成高分辨率的创意图片，将代码补全功能应用到项目研发中，日均调用1500多次，需求开发由1天缩减至1小时，项目交付更加敏捷。基于“智慧小苏”的智能客服应答准确率由93%提升至96.7%，单笔工单处理时间缩减了近60%，服务效率大幅度提升。
“大模型服务平台有效解决了智能化建设中‘一个需求，一次定制’的痛点，从传统AI作坊式定制模型研发升级为工厂模式，可高效率、低成本地提供智能服务，提升金融服务质效。”江苏银行信息科技部相关负责人表示。
记者梳理发现，在此前公布的上市银行2023年半年报中，有多家银行披露了对大模型的关注，更多国有银行、股份制银行对大模型的研究和落地亦是十分积极。
今年7月，交通银行与华为、科大讯飞等共建了联合创新实验室。交行方面介绍称，与华为联合创新实验室将聚焦大模型在金融领域的应用及创新，基于全栈自主创新的算力集群，联手打造高效灵活的人工智能大模型平台，提升大模型场景落地效率和金融业务智能化水平；与科大讯飞联合创新实验室将围绕金融领域的大型语言模型，重点研究认知大模型在金融领域的应用，基于人工智能技术推进线上线下服务一体化，深度挖掘业务价值信息，实现个性化的客户服务。
谈及大模型目前在银行中的应用，新金融联盟学术理事、工商银行首席技术官吕仲涛在新金融联盟举办的“金融机构数智化转型与大模型技术应用”内部研讨会中介绍道，大模型作为一种新型的人工智能技术，工商银行积极探索应用，提升智能客服、智慧办公、运营管理、营销创造、智能研发等业务领域的智能化水平，真正解决一线员工的痛点问题。
在智能客服领域，存在大量信用卡、存贷款等业务办理规定，传统模式中座席人员在服务客户时，需要和系统多次进行交互查询，整个处理流程需要一定时间，客户等待时间长。通过大模型的文档理解分析和生成能力，自动从大量银行业务办理规定中，总结提炼全面、专业、精准的应答话术，给座席人员提供参考，提升应答效率和客户满意度。
在运营管理领域，网点员工日常工作中存在制度规范检索难、复杂业务办理难、专业术语解释难等业务痛点问题，通过摘要生成、信息提取等大模型能力，让大量“静态”文档转换为场景化、流程化的“活”指引，提升网点员工业务应变和沟通能力，打造高质量服务。
在智慧办公领域，通过大模型AIGC（人工智能生成内容）能力，助力编写会议摘要、写汇报初稿、润色文档、制作海报等，提升办公效率。比如会议纪要生成，根据会议对话内容，大模型快速生成会议纪要初稿，降低人工记录会议纪要的成本。同时，利用大模型代码生成、代码补全等能力，可提升一线开发人员编码效率和质量。
生成式人工智能（GenAI）主要依赖于大模型技术进行训练和预测，麦肯锡全球董事合伙人韩峰总结道，银行业GenAI应用的价值潜力主要来自“4C”：编程加速（Coding）、内容提炼/虚拟专家（Concision）、客户互动（Customerengagement）以及内容生成（Contentgeneration）。
比如，在编程加速方面，GenAI能够解读并生成代码（从遗留系统大规模迁移主机资料、自动化测试开发、文档与格式化），使银行的代码编写效率提升55%。在虚拟专家方面，通过虚拟专家，银行一线人员能从非结构化数据中归纳提取洞见、解读文本，快速访问所有相关信息，例如产品指南和政策，以即时满足客户请求，工作效率能提升60%。在客户互动方面，使用聊天机器人完成客户触达和数据收集，未来5～10年80%以上的客户互动可被自动化；在内容生成方面，GenAI的用例包括生成文本、图像等内容。在具体职能方面，GenAI用例对银行业一线分销、客户运营、技术以及法律、风险、合规和欺诈部门的价值潜力最大，占整体价值池的70%。
解决数据、算力、算法、应用等诸多挑战
日前，麦肯锡发布的报告预测称，GenAI将为银行业带来2000亿至3400亿美元的价值，相当于行业年收入的2.8%～4.7%。此外，生成式人工智能工具还可帮助各银行增强客户满意度，改善决策和员工体验，并能更好地监控欺诈和风险，从而有效降低风险。他们认为，GenAI可通过以下方式为银行业创造价值：作为虚拟客服，降本增效；加速代码生成，更快交付软件；大规模制作个性化内容。
不过，对于金融机构而言，应用大模型的前提是合法合规。
吕仲涛分析称，大模型本质是一个海量参数的深度学习算法，受制于当前模型黑盒、计算复杂度高等因素，存在答非所问、科技伦理风险等方面问题。比如，ChatGPT生成大量看起来合乎逻辑，但内容可能并非真实甚至是捏造的事实，存在非法利用、造谣等安全隐患。
“通过工商银行的前期实践，我们认为大模型在文本、图像等领域的AIGC能力优势明显，但当前阶段并不成熟，仍存在科技伦理风险等问题。因此，短期内不建议直接对客使用，应优先面向金融文本和金融图像分析理解创作的智力密集型场景，以助手形式，人机协同提升业务人员工作质效。”吕仲涛表示。
在讨论银行在使用GenAI过程中面临的局限时，韩峰指出了一些关键问题。他认为，银行作为一个传统行业，受到严格的监管，因此在真正规模化部署GenAI之前，必须考虑自身是否已经建立了相对安全的环境和有效的风险管理机制。与此同时，GenAI在传统行业应用方面的相关法律法规也需要逐步完善。
今年7月，我国发布了《生成式人工智能服务管理暂行办法》并自2023年8月15日起施行，旨在促进生成式人工智能健康发展和规范应用，维护国家安全和社会公共利益，保护公民、法人和其他组织的合法权益。
麦肯锡蓝跃领导人方浩翔亦提示道，训练这些模型时通常需要使用一些外部数据，或者将外部数据与内部数据结合起来进行训练。因此，银行需要采取措施，以确保在模型训练过程中不会发生数据泄露，从而避免给客户带来问题。
麦肯锡全球董事合伙人方溪源补充道：“我们认为在金融机构的应用中，人机结合是必要的。然而，人和机器结合的界面目前仍然存在挑战。我们还需要确定在每个操作环节和服务环节中，人和机器之间如何有效配合。目前，这个领域仍然不够成熟。”
“国家高度重视大模型应用安全，国家网信办明确‘利用人工智能生成的内容应当体现社会主义核心价值观’，并要求谨慎对客，同时对客场景需要统一报批。”吕仲涛认为，虽然大模型有各类安全风险，但同样给银行业数字化转型带来新机遇，在这个过程中，我们需要解决数据、算力、算法、应用等诸多挑战。
“在数据方面，通过数据驱动，释放数据要素价值，加速金融行业和企业大模型建设，加速推进银行业数字化转型；在算力方面，当前国内外算力市场面临着算力供给短缺、多厂商异构算力融合、国产AI生态不足、机房和网络建设缓慢等复杂情况，金融机构需要深化与产界各方的合作，共同推动解决大规模算力部署和应用挑战。”吕仲涛说。
同时，吕仲涛指出，大模型需要大合作，银行业要加快探索引入业界通用的大模型技术的策略和实践，通过推进大模型算法在银行业的应用实践，加快大模型能力增强，从而提升大模型服务金融行业能力；大模型需要大创新，大模型要想在银行深化应用，就需要探索形成一套面向银行业的高标准、低门槛的银行业金融大模型应用模式，快速推进人工智能在金融领域的深化应用。