AI金融助手

看点：2016年，中国爆出8家独角兽，总估值964亿美元位冠全球；2017年，毕马威全球百佳金融科技企业前三甲，蚂蚁金服、众安保险、趣店，皆来自中国；过往两年，中国成立的金融科技创企达1753家。 金融科技已经成为仅次于互联网软件与服务的最热门创投领域（CB Insights：1128宗VC投资，166亿美元），一个能够获得监管支持、多机构分担风险的新风口。 随着新兴技术的崛起，金融科技从互联网技术转向了智能技术，并被写入《中国金融业信息技术“十三五”发展规划》、《新一代人工智能发展规划》和《促进新一代人工智能产业发展三年行动计划(2018-2020年)》等重要文件。 本期的智能内参，我们推荐来自中国信息通信研究院的中国金融科技产业生态和前沿技术研报，结合埃森哲的智能金融行研，从人工智能、区块链、云计算、大数据四大新兴技术出发扒一扒智能金融的老底。如果想收藏本文的报告全文（信通院-中国金融科技产业生态+中国金融科技前沿技术发展趋势及应用场景研究 & 埃森哲-与AI共进 智胜未来），可以在智东西（公众号：zhidxcom）回复关键词“nc224”下载。 以下为智能内参整理呈现的干货： 什么是智能金融 ▲金融行业科技应用的三大发展阶段（电子化/电子金融→互联网+/线上金融→智能金融） ▲科技与金融的融合历程 ▲智能金融的三个阶段 金融已经经历了电子化到互联网化的转变，现在又因其与数据的高度相关性，已成为最先与人工智能相融合的行业之一。相比于互联网金融/线上金融，智能金融具有以下四点特征： 1、自我学习的智能技术。 人工智能将实现自我学习的实时正循环，云端将无缝融合，介入式芯片等新的硬件形式将催生人机共融。 2、数据闭环的生态合作。 智能金融企业的战略重点从互联网时代的业务闭环转向实现数据闭环，合作企业间数据结果回传将可持续满足用户需求的能力的提升。 3、技术驱动的商业创新。 在金融领域，移动互联网时代更多体现的是“渠道”迁移；人工智能时代则使得技术在金融的核心，即风险定价上发挥更大的想象力。 4、单客专享的产品服务。 “个性化”不再仅限于客群层面，而是针对“某个”实时客户，实现产品服务的终极个性化。 ▲金融新阶段四大特征 ▲智能金融拓展了金融服务的广度和深度 由上可知，智能金融将重塑产业链、供应链和价值链，拓宽金融服务的边界，推动金融服务朝着“随人”、“随需”、“随时”、“随地”的标准不断进步。 目前，智能金融已经全面覆盖客服、风控、营销、投顾和授信等各大金融业务核心流程，衍生出互联网银行、直销银行、互联网保险、互联网证券、消费金融、小额信贷、网上征信、第三方支付等一系列新兴金融业务领域。 ▲支持金融技术创新的政策 因此，智能金融融入各国顶层设计。我国2017年7月印发的《新一代人工智能发展规划》提出：将建立金融大数据系统，提升金融多媒体数据处理与理解能力；创新智能金融产品和服务，发展金融新业态；鼓励金融行业应用智能客服、智能监控等技术和装备；建立金融风险智能预警与防控系统。 埃森哲指出，2018年将是消费金融的分水岭，也会成为消费金融的风控元年。 ABCD技术解读 ▲智能金融四大关键技术 ▲人工智能、区块链、云计算和大数据重构金融基础设施的建设标准和运行逻辑 智能金融依赖“ABCD四大技术”，即人工智能（Artificial Intelligence）、区块链（Blockchain）、云计算（Cloud Computing）和大数据（Data）。 其中，人工智能能够替代人类重复性工作，提升工作效率与用户体验，并拓展销售与服务能力，广泛运用于客服、智能投顾等方面。 区块链技术能够有效节约金融机构间清算成本，提升交易处理效率，增强数据安全性。 云计算技术能够为金融机构提供统一平台，有效整合金融结构的多个信息系统，消除信息孤岛，在充分考虑信息安全、监管合规、数据隔离和中立性等要求的情况下，为机构处理突发业务需求、部署业务快速上线，实现业务创新改革提供有力支持。 大数据技术为金融业带来大量数据种类和格式丰富、不同领域的大量数据，而基于大数据的分析能够从中提取有价值的信息，为精确评估、预测以及产品和模式创新、提高经营效率提供了新手段。 A：提高效率 助力惠普 在金融领域应用中，人工智能主要包括五个关键技术：机器学习、生物识别、自然语言处理、语音技术以及知识图谱。目前，人工智能技术在金融领域应用的范围主要集中在智能客服、智能投顾、智能风控、智能投研、智能营销等方面。 ▲人工智能在金融领域应用的关键技术 其中，机器学习是海量金融数据的解决方案：虽然大数据技术的出现对此有所改善，但在数据的有效处理与分析挖掘上仍面临较大挑战。详细来看，有以下四种途径： 1、监督学习可以用于对历史数据进行分析与挖掘，寻找数据集的规律，对未来趋势进行预测； 2、无监督学习用于尝试解析数据的结构，并确定其背后的主要规则（聚类分析可将金融数据集基于某些相似性概念将其进行分组，因子分析旨在识别金融数据中的主要内在规律或确定数据的最佳表示方法）；...

1. 金融机构的监管与数据安全问题限制了AI在金融领域的广泛应用。2. AI需要具备抗攻击能力，RealAI通过发布新品强化数据和算法安全。3. 企业需创新方法，确保数据隐私安全并最大限度利用数据价值以推进AI至第三代。

来源｜零壹智库作者｜金融APP评测中心国务院《新一代人工智能发展规划》指出，到2025年中国人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元。目前人工智能赋能行业众多，尤其在金融行业应用最为广泛，几乎覆盖所有金融业务场景。新基建浪潮下，金融智能化势必迎来更大的发展机遇。为金融行业提供人工智能服务的公司，既有包括BAT在内的头部互联网公司，也有像商汤、云从、同花顺等在各自擅长领域表现出色的独角兽公司。一些头部人工智能厂商备受资本青睐，科大讯飞、同花顺等已在A股上市，依图、旷视等已获得多轮投资。此外招商银行、浦发银行、华夏基金等多家传统金融机构也都推出了各自的智能投顾产品。零壹财经对商汤科技、旷视科技、云从科技、依图科技、巨量引擎、TalkingData、索信达、科大讯飞等10家头部人工智能厂商，以及摩羯智投、AI投等8款人工智能金融产品进行了整理分析，供业界参考。一、人工智能在金融行业的应用人工智能作为“新基建”的核心板块之一，产业链包括基础支撑层、技术应用层和方案集成层。在金融行业方面，目前人工智能可以应用在包括身份识别、智能风控、智能投顾、智能客服等在内的几乎所有的金融业务场景中。表 1：金融行业人工智能相关标准数据来源：公开信息、零壹智库整理而目前，金融领域人工智能相关标准体系仍在建设探索中，尚无法完整覆盖人工智能产业生态的各个环节，补齐相关标准规范并提升监管力度，能够改善市场秩序混乱和低质量应用丛生的不良现象。二、10家头部人工智能厂商、8款人工智能金融产品汇总作为综合的人工智能服务厂商，BAT在金融行业的人工智能产品包括智能营销、智能风控、智能语音、智能识别等，应用场景覆盖几乎所有金融场景。在身份识别、智能营销等细分场景又有哪些人工智能厂商和人工智能金融产品呢？零壹财经对商汤科技、旷视科技、云从科技、依图科技、巨量引擎、TalkingData、索信达、科大讯飞等10家头部人工智能厂商以及摩羯智投、AI投等8款人工智能金融产品进行了整理分析，供业界参考。1、身份识别厂商：AI识别“四小龙“获知名投资机构多轮融资智能身份识别（即生物识别技术）目前主要使用指纹和人脸识别技术，已经大规模使用。其他生物特征还包括DNA，掌纹，虹膜，视网膜，气味，键盘敲击，步态，声音……身份识别从三个角度赋能金融：反金融欺诈、拓展服务半径优化服务体验、增加线下场景数据维度。云从、依图、旷视、商汤，并称为AI识别领域的“四小龙”。在人工智能的技术应用中，身份识别是中国AI市场的最大组成部分，也是最具商业化价值的赛道，四家公司分别获得了众多知名投资机构的多轮投资。商汤科技经过8轮融资，目前估值为75亿美元，主要股东包括软银、保利资本、中银等。旷视估值40亿美元，阿里巴巴、中银、工银资管等。云从科技目前估值250亿人民币，主要股东包括中国互联网投资基金、长三角产业创新基金等。依图科技目前估值为150亿人民币，主要股东包括工银国际、浦银国际、高成资本、高瓴资本等。表2：4家智能身份识别厂商数据来源：公开信息，零壹智库整理另一方面人脸数据是“活体数据”，一旦被泄露、非法提供或者滥用，不仅会侵犯用户的个人隐私甚至可能被不法分子用于诈骗等犯罪活动。如何保障用户个人信息安全，是身份识别技术应用与推广无法绕开的话题。2、智能营销厂商：字节系、软银系纷纷入局智能营销主要通过人工智能等新技术的使用，对于收集的客户交易、消费、网络浏览等行为数据利用深度学习相关算法进行模型构建，帮助金融机构与渠道、人员、产品、客户等环节相联通，从而可以覆盖更多的用户群体，为消费者提供千人千面、个性化与精准化的营销服务。目前服务金融行业的头部智能营销厂商有：字节跳动所属的巨量引擎、软银投资的TalkingData、港股上市企业索信达等。巨量引擎主要服务的金融客户有光大银行、国美金融、51信用卡等。TalkingData金融客户有陆金所、微众银行等。索信达为港股上市公司，金融客户有中国银行、建设银行、招商银行等。表3：3家智能营销厂商数据来源：公开信息，零壹智库整理3、智能客服厂商：科大讯飞、同花顺A股上市，云知声、依图分别获得多轮融资智能客服的本质是客服，在多渠道采用语义理解、语音识别和语音合成等人工智能技术来替代人工客服进行与客户的服务交互。智能客服具有多渠道、智能性和标准化的特性。对于金融行业而言，智能客服赋能传统客服使用户及时得到满意的答复，提升自身服务质量和用户的满意度，更可以减少人工服务，降低企业的运营成本，同时还能收集和分析问题，为智能营销提供相应的大数据分析。目前服务金融行业的头部智能客服厂商有，科大讯飞、云知声、同花顺、依图科技等，其中科大讯飞、同花顺为A股上市企业，云知声、依图可以分别获得D轮及战略投资。表4：4家智能客服厂商数据来源：公开信息，零壹智库整理4、智能风控厂商：天云大数据、邦盛科技获得多轮融资运用大数据和人工智能，可以在线上构建贯穿反欺诈与客户识别认证、授权审批和定价分析、贷后管理与逾期催收的全流程风控模式，除大数据外，智能风控的还包括机器学习算法构建模型等。目前与金融机构建立紧密合作的智能风控厂商有慧安金科、天云大数据、邦盛科技等。表5：3家智能风控厂商数据来源：公开信息、零壹智库整理5、智能投顾产品：银行、基金、券商等传统持牌金融机构智能投顾产品丰富运用人工智能算法，根据风险偏好，财务状况，收益目标等，结合投资组合理论，为客户提供资产配置的建议，而且持续跟踪并动态调整。智能投顾产品有三类，一是智能投顾服务初创公司，二是互联网公司，三是传统金融机构。前两类公司适用相对简单、标准化的投资产品，满足客户同质化的理财需求；传统金融机构适用“线上+线下”的智能投顾产品，充分利用网点优势，目前银行、券商、基金、信托都推出了各自的智能投顾产品。目前较为成熟的智能投顾产品有银行系的摩羯智投、财智机器人、AI投等，基金系的查理智投、嘉贝智投、智投宝。证券系的贝塔牛，信托系的伽利略等。表6：8款智能投顾产品数据来源：公开信息、零壹智库整理三、总结基于10家头部人工智能厂商、8款人工智能金融产品我们发现：1、传统持牌金融机构与人工智能厂商在身份识别、智能客服、智能营销、智能风控等业务场景均有广泛合作。2、头部人工智能厂商获资本青睐，科大讯飞、同花顺等已在A股上市，商汤旷视等已获得多轮投资。3、银行、基金、证券等传统金融机构智能投顾产品较为丰富。若您有人工智能案例推荐需求，请联系作者，微信：daodao0312End.

1月24日，由清华大学经济管理学院、度小满、《麻省理工科技评论》中国、清华大学经济管理学院动态竞争与创新战略研究中心联合编写的《2024年金融业生成式人工智能应用报告》正式发布。 该报告研究关注了国内外170余家银行、保险、资管等金融机构，系统性揭示了金融业生成式AI的创新能力、商业价值和政策期望，为国内金融机构应用生成式AI技术提供了指引。 《报告》认为，生成式AI重新定义客户体验，正在形成新服务。生成式AI可以充当有价值的助手，提出实时响应建议并满足客户多样需求。 例如，应用生成式AI的聊天机器人能够在对话中理解上下文语境的复杂性，可能消除传统语音机器人不准确的响应缺陷，从而增强客户的参与度和信任度。 数字开物了解到，金融行业大模型应用相对比较广泛。金融行业沉淀了海量数据，例如金融交易数据、客户信息、市场分析、风控数据等，其中包含大量非结构化数据（如客户的证件扫描等）。 这既占用了大量的存储资源，又无法将数据标准化进行分析利用，造成了极大的资源浪费，还存在大量复杂数据处理任务。这催生了金融业对大模型这种能高效、准确处理数据的技术的强烈需求。 金融业同时又是科技驱动型行业，其中介属性天然对新技术特别敏感，应用落地效率极高。 许多新技术如区块链技术、云计算、大数据等，都率先在金融行业应用落地，并为金融行业创造了巨大的价值，也深刻改变着金融业。 大模型在模型性能及能力上的跨越式提升，更好的满足了众多金融场景，如智能投顾、 智能投研、智能风控、智能交互等，对人工智能技术的需求，加快了金融行业的技术升级进程。 例如，2023年5月，星环科技推出第一款面向金融量化领域的生成式大语言模型“无涯Infinity”，度小满开源国内首个千亿参数金融大模型“轩辕”；6月，恒生电子发布金融行业大模型LightGPT，将于9月底开放试用接口。马上消费研发了全国首个零售金融领域“天镜”大模型。 此外，包括蚂蚁金服、马上消费、海通证券等金融机构，及九章云极、第四范式等科技企业均有金融大模型的行业布局或者案例。 生成式AI还可以通过与RPA（机器人流程自动化）等其他技术协同创新，带来新制造。例如，大模型可以分析来自各种来源的大量文本数据，为优化供应链管理提供可操作的建议；通过分析客户反馈、市场趋势和竞争对手数据来加强产品开发。 同时，我国银行业正在积极拥抱大模型。财报信息显示，已经有6家上市银行公开发布大模型技术开发与应用的信息。 工商银行在国内同业率先实现百亿级基础大模型在知识运营助手、金融市场投研助手等多个场景应用；农业银行发布的ChatABC重点着眼于大模型在金融领域的知识理解能力、内容生成能力以及安全问答能力；平安银行探索自研BankGPT平台，研究构建大模型在个性化营销内容创作、交互式数据分析、非结构化数据洞察等场景中的应用落地。 “2023年是基础大模型智能涌现的一年，2024年生成式AI将从模型层走向应用层。开拓落地应用场景，不断提高客户采用率和大模型的利用率，更好发挥大模型的潜在价值，将会是2024年生成式AI突破发展的重要内容。”清华大学经济管理学院副院长李纪珍表示。 | 文章来源：数字开物 • END•  【专栏】精品在读（点击进入） 行业大模型是伪命题吗？大模型是制造业数字化的必然选择吗？大模型与行业相结合，为数字产业化带来哪些想象空间？深度｜中国工业大模型正面临哪些挑战？重磅｜国家数据局首个数据要素文件正式发布！3年半，76万台机器人走了50多个国家地区速腾聚创港股IPO，ADAS激光雷达并非最大收入来源

点击蓝字 ╱ 关注我们 BBT FINTECH 迎着技术风口，2024年将是AI大模型应用的浪潮年。业界认为，大模型将对金融业产生长远的、深刻的影响。1月28日，针对大模型在各业务场景的应用成效、对大模型算力的开发和提升，多机构向北京商报记者透露了自研大模型的最新进展。 与此同时，一些问题近期在业界引发热议：大模型在训练过程中，哪些壁垒亟需突破？训练一个更专业的金融业垂直大模型与普通大模型相比有何不同？想要加速大模型在金融领域的落地，又有哪些难点与挑战？针对这些问题，多家在大模型中有不少探索经验的金融机构向北京商报记者给出了相似的答案。 01大模型业务端应用最新披露 在过去的2023年，百灵、轩辕、天镜等多款大模型如雨后春笋般涌现。到如今，不同大模型助力对应业务开展已取得显著成效。北京商报记者注意到，大模型在客服与电销方面的应用尤其广泛。 2023年5月，度小满开源了国内首个千亿级金融大模型“轩辕”，并获得了上百家金融机构申请试用。目前，大模型技术已经应用在度小满各个业务场景，从营销、客服、风控、办公再到研发，已经初见成效。在代码助手方面，用大模型辅助生成的代码，采纳率能够达到 42%，帮助公司整体研发效率提升了20%；在客服领域，大模型推动服务效率提升了25%。在智能办公领域，大模型目前的意图识别准确率已达到97%。 壹图网 奇富科技则透露，通过AIGC的强大赋能，在电销系统中，语义分析和线索挖掘帮助提升电销线索识别准确率高达98%，同时将转化率提高超过5%。在智能营销环节，大约70%的图片素材由AIGC生成，并计划通过大模型对素材进行标注和多维度评级，以实现广告投放的优化。在通话质检环节，大模型自动化质检实现了100%覆盖，将检出率提高了15%。在语音机器人话术生成场景，生成话术优质率已达70%。 具体到金融领域，数据显示，大模型在获客、放贷、催收方面发挥重要作用，还助力业务和企业经营的智能化决策。 北京商报记者了解到，2023年三季度，乐信持续加大对数据挖掘和模型建设的投入。引入更多数据源，构建以人民银行征信系统为核心的识别系统，完善了从获客、风险及运营整个生命周期的模型框架，模型的排序性和稳定性比此前有10%—20%的提升。对新客模型和策略进行重大升级，取得较为显著的成效，信息流获客效能比一季度提升38.5%。新客的通过率、交易用户数、促成借款额都比对照组有20%以上的提升；早期入催指标有近20%的下降。 乐信提出，其自研大模型LexinGPT目前已经在电销、客服、催收等主要业务流程中全面落地。以电销场景为例，应用AI大模型后，当日授信转化率相对外采技术提高70%、当日下单转化率提升10%；客服业务机器人场景下，机器人参与客服的比例和效率稳步提升，无需人工干预的机器人解决率达到91.5%。 大模型对金融业务的提质增效作用，许多机构都有亲身体验。1月24日，由清华大学经济管理学院、度小满、《麻省理工科技评论》中国、清华大学经济管理学院动态竞争与创新战略研究中心联合编写的《2024年金融业生成式人工智能应用报告》（以下简称《报告》）正式发布。《报告》提出，生成式AI正在席卷金融业，释放新的生产力，以前所未有的方式重塑全球金融业的格局，有望给金融业带来3万亿规模的增量商业价值，并可能将彻底改变交易的进行、投资的管理和风险的评估方式。 “短期看，大模型是数智化的延伸，为企业降低成本提升效率；长期看，大模型将演进为超级智能体，重构企业业务流程。”度小满CTO许冬亮表示。 02打破大模型训练“三堵墙” 要生产一个成熟好用的大模型，就如同发酵酒一样，需要经历重重步骤，且每一步环环相扣。在大模型领域，训练就是至关重要的一步，是一个把冰冷的数据、参数，变成有“思维”的工具关键一环。只有打好了技术的基础底座，才能让大模型拥有更成熟和精准的服务。 业界常说，大模型训练有“三堵墙”：算力、内存、通信。通俗来讲，完成一个千亿参数级别的大模型例如GPT-3，用一张卡训练一个模型要耗时32年，所以业界引入了分布式训练的方法。所谓“内存”墙，则说的是千亿级参数完全加载到显存大概需要几个TB，单显卡的显存已经无法加载千亿级参数。此外，大模型并行切分到集群后，模型切片间会产生大量通信，从软、硬件来说，这些问题都亟待解决。 为了突破这三堵墙，业界一直在努力。北京商报记者获悉，多家机构均有对大模型训练和算力的新进展。例如，蚂蚁集团宣布开源大模型分布式训练加速扩展库ATorch。ATorch可针对不同模型和硬件资源，实现深度学习自动资源动态优化和分布式训练稳定性提升，帮助提升深度学习的智能性。据了解，在大模型训练中，ATorch千亿模型千卡级别训练的算力利用率可达60%。 蚂蚁集团表示，随着生成式大模型的爆发，模型训练的数据集和参数规模成指数级增长，要带动如此庞然大物，并且满足模型的快速迭代，分布式训练就成为了解题之道。ATorch可以算是其中之一，它的优势在于可实现最少化用户代码侵入，为千亿参数大模型千卡级训练提供易用的高性能方案。 腾讯云则着眼于“内存墙”与“通信墙”的突破。在年初，腾讯云推出了面向大模型训练的“高性能计算集群HCC”，可以大幅提升集群训练效率。 “最新一代的GPU算力就像法拉利，想要充分发挥跑车的性能，道路和轮胎都要追求极致。把GPU算力用好用足，除了卡之外，还需要存储、网络做好配合。否则，其中短板会导致计算节点等待，拖垮集群效率。”腾讯云副总裁胡利明解释道。网络方面，腾讯自研的星脉网络把HCC集群内部服务器之间的羊肠小道变成了高速公路，让GPU计算节点互相通信畅通无阻。而腾讯云HCC的计算、网络、存储，形成毫无短板的“铁三角”，让大模型训练大幅提速。 奇富科技对北京商报记者表示，与普通大模型相比，奇富金融大模型在训练过程中的特殊之处在于“软硬结合”的金融科技探索与实践方向。“软”在于对金融业务层面的深入理解，“硬”则在于技术、数据、算力方面的积累。 值得注意的是，在对大模型的训练问题上，有一原则需要遵循——模型参数并非越大越好。一资深从业人士表示，模型参数规模越大，意味着神经网络的复杂度越高，学到的特征表达能力更强，拟合能力更好。但在实际应用中，大模型的利用效率并不高，过于庞大的模型可能难以在有限的计算设备上部署和训练，从而限制了其应用场景。大规模参数的模型在训练数据上表现优秀，但在新任务和未知数据上表现不佳，无法很好地泛化。 对此，胡利明指出，要立足场景和高质量数据，追求效率和成本的最优解。 03通用大模型不能完全胜任金融领域任务 通过大模型赋予的强大算力，生成式AI正加速定义形成新的客户服务、新的制造方式以及新的经济业态，成为数字经济时代的新质生产力。生成式AI重塑金融业，这已然成为了业界共识。 对大模型的训练，背后是技术的不断演进。那么，想要加速大模型在金融领域的落地，又有哪些难点与挑战？训练一个合格的金融大模型与普通大模型相比有何不同？ 首先应明确的是，基于金融业的专业性与复杂性，通用大模型并不能完全胜任金融领域任务。金融领域产生的数据量庞大且多样化，包括交易数据、市场数据、客户数据等；涉及多个市场参与者、复杂的金融产品和交易机制以及受到多种因素的影响，如经济状况、政策调整等。这种复杂性导致金融领域往往面临较高的不确定性，难以准确预测和评估风险。通用大模型专业金融知识有所欠缺、能力不满足金融任务要求，同时，面临着训练和应用成本高的挑战。 “普通通用型大模型和金融行业垂直大模型在落地速度上有着明显差异，”乐信对北京商报记者表示，一个重要的原因在于预训练的参数大小差异。普通通用型大模型通常需要千亿参数、万亿参数去做预训练模型，相比较来说，金融行业垂直大模型的预训练参数则小很多。 业界由此提出，大模型在金融领域的应用呈现出三层金字塔结构：底层是通用的基础大模型底座，中间层是金融行业级大模型，顶层是各家金融机构的任务级大模型。呼唤具备更多专业知识的金融机构形成适配特定领域的专业化应用。 奇富科技进一步指出，对于现阶段的金融大模型来说，业界常提到的技术挑战固然重要，但更为核心的问题在于机器幻觉和合规风险。 机器幻觉是指大模型在学习海量数据后，可能会根据对前文内容的理解“编造”出一些“无中生有”的内容。在容错率较低的金融领域，这种幻觉会直接影响金融分析结果的可信度，尤其在与用户直接沟通时，可能会给用户体验带来负面影响。因此，需要努力提升大模型的稳定性和准确性，以确保其生成的金融分析内容真实可靠。 同时，合规风险也是训练金融大模型时必须面对的重要问题。金融机构和监管机构面临着合规和监管的复杂性、多变性、适时性，需要投入大量的人力和资源。为此，奇富科技的经验是，采取多重审核机制，包括在源头上进行合规把控、素材生成后的合规校验与效果评估，以及最后的人工审核。 “在我们看来，现阶段金融大模型就是一个效率工具，必须依托具体的业务场景才能释放能效。某种程度上来说，我们现在做的，就是要用大模型把过去大数据所做的事情再重新做一遍。”奇富科技强调，金融行业大模型的落地要从最外围的获客、运营开始做起，逐步提升运营效率。 展望未来，《2024年金融业生成式人工智能应用报告》中则提到，生成式AI技术在金融业中的应用尚处于技术探索和试点应用的并行期，预计1-2年内，首批大模型增强的金融机构会进入成熟应用期，3年后将会带动金融业生成式AI的规模化应用。“2024年生成式AI将从模型层走向应用层。开拓落地应用场景，不断提高客户采用率和大模型的利用率，更好发挥大模型的潜在价值，将会是2024年生成式AI突破发展的重要内容”，清华大学经济管理学院副院长李纪珍说道。 文 / 北京商报记者 岳品瑜 董晗萱往期精彩回顾 收单市场暗流涌动：支付机构忙整改，外包商忙推销套现 现金贷海外淘金记 蚂蚁腾讯百亿罚单背后，...

国内外金融行业已广泛应用大模型，主要集中在知识库建设，如RAG方案构建但数据来源多样、格式复杂，需单独处理。农业银行推出ChatABC，工商银行利用AI智能客服显著提升客服效率，摩根士丹利通过私有数据提供准确问答。大模型在风险评估、催收、反欺诈、投资顾问和研发辅助等多个场景发挥作用，通过分析数据以优化决策和提高运营效率。同时，部分公司尝试通过合成数据增强模型识别能力。

大模型的兴起，打开了产业通向数据驱动、智能决策时代的大门。过去一年，基础大模型、产业大模型和产业大模型应用如雨后春笋般涌现，面向产业的探索亟待深入。在制造、能源、医疗健康、物流、交通、金融、IT服务、文娱等行业都已经出现了产业大模型以及产业大模型应用。相比之下，中国在基础大模型的研发上与当前全球最先进水平还存在一定差距，在内容生成、办公等产业场景的应用深度上也需探索进一步突破。但是，随着基础大模型的业务格局走向稳定，越来越多的企业开始在更多具体的产业场景中寻找商业机会，从制造到医疗、从政务到金融，中国在产业大模型的应用广度、规模效应和灵活度上正在展现出一定的竞争优势。本文将从以下几个方面介绍大模型在国内金融领域的应用情况。                     金融专业大模型                   1.反欺诈场景应用：利用大模型技术赋能银行的对私客户反欺诈场景，提供对私客户欺诈定位、填补缺失信息、欺诈主要特征筛选、输出评估指标等功能，对于交易中的个体欺诈具有一定的识别能力。2.银行员工辅助应用：基于大模型技术赋能银行业务，为银行提供会议纪要、电销客户意向判断、销客服辅助、客服催收辅助等功能。通过大模型技术，提高银行文档编写的效率和准确性，减轻工作人员的工作负担，提升合规文档以及会议纪要的质量；实现对客户意向的智能判断和分析，提高电销客户意向判断的准确性和效率，以及客户满意度和销售效率。总体上提高系统告警的准确性和及时性。3.研报分析处理：利用大模型具备多语言处理的能力，可以支持对不同语言的研报进行分析和处理，为用户提供文档问答、数据问答、文档总结等服务，可以辅助进行数据质量评估和校验，提高研报解析处理的工作效率。还可以根据投资者的需求和偏好，个性化地推荐相关研报和分析结果，提供定制化的投资建议和服务。4.数据分析应用：利用大模型分析客户的数据，提供自动化客户服务，降低金融机构的运营成本。风险管理与舆情分析，帮助金融机构了解公众对于特定金 融产品或事件的情感和观点，更好地保护自身和客户的利益。

The PDF document provides a comprehensive analysis on the practical application and development of intelligent systems, highlighting key practices and suggestions. The focus is on enhancing efficiency through cost-saving measures, without resorting to amusing or non-essential applications. The article delves into eight case studies to illustrate...

杭州音视贝科技以“扫一扫”为入口，提供全面的解决方案。他们的重心在于投资决策与风险管理，确保稳定市场预测的同时，也重视客户服务，致力于通过创新技术为客户创造价值。

面对新型诈骗手段如AI换脸和高科技骗局，老年人需警惕金融诈骗。政府已发布意见打击涉老诈骗，并呼吁子女关注老人财务，普及防诈知识，以提高防范能力。中消协公开案例显示，不法分子常用高回报诱惑诱骗投资，而“免费送礼”也是常见手段。遇到此类情况，消费者应保持警惕并及时报警。