金融业生成式AI应用报告：银行可能的部署场景包括这些
来源：银行科技研究社 2024-02-18 18:00 北京
《报告》的主要内容分为5部分，包括“生成式AI是新质生产力”“生成式AI重塑全球金融业”“一些金融业生成式AI应用的成功案例”“我国金融业生成式AI应用迎来政策红利期”“金融业集成生成式AI需遵循的八项原则”。
《报告》提到，生成式AI有望给金融业带来3万亿规模的增量商业价值。而依据Gartner新兴技术成熟曲线，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年后带动金融业生成式AI的规模化应用。
《报告》显示，我国42家上市银行中，已有6家公开发布大模型技术开发与应用的信息，包括工商银行、农业银行、平安银行、兴业银行、北京银行、长沙银行。
另外，建设银行、交通银行、中国银行、招商银行、中信银行等正搭建各自的新一代人工智能创新平台/中心，探索大模型落地应用场景。
银行可能的部署场景
《报告》列出了13个银行可能的部署场景。
一是智慧办公。可用于会议纪要的实时生成、录音视频资料等非文本格式的文本内容翻译及摘要生成、审计资料的内容提取及要点生成。
二是内部研发。利用ChatGPT的代码生成功能，提高代码生成和测试的效率，加快原型产品开发。
三是自动化支付。网上银行中的日常任务不再需要手动完成，ChatGPT可处理。从账户余额查询到账单支付再到转账请求，银行可利用ChatGPT减少员工的工作量。
四是查询服务。银行可将ChatGPT集成到客户服务系统中，以提供实时答案。银行通常会遇到大量查询，ChatGPT可减少查询量，并为人工服务代理留出更多时间来回答更复杂的查询。
五是金融欺诈检测。ChatGPT拥有较强的分析能力，可帮助银行的专业分析师通过其海量神经网络数据检测欺诈行为。ChatGPT还可对用户进行身份验证、验证信息并监控活动。
六是文件对比。ChatGPT可帮助自动化贷款和其他需要批准的文件的承保流程，验证客户信息以计算资格并评估风险。
七是个性化客户服务。ChatGPT可帮助银行为其客户提供个性化服务，分析客户数据并提供财务和产品建议。
八是市场调查。ChatGPT可进行调查和问卷来收集见解，然后分析该数据以生成有用的反馈，帮助银行进行决策。
九是电子营销。通过分析数据，ChatGPT可根据客户行为和已知偏好生成个性化电子邮件活动。无论是邮件/公众号主题行优化、内容分段、A/B测试还是正文，ChatGPT都能生成相关信息，简化写作过程。
十是AI助理角色扮演（数字员工）。由于其语言处理能力，ChatGPT还能模拟一些情景，扮演数字代理角色，改变数字营销与客户互动交谈的方式。
十一是财富管理。客户委托银行用他们的财富作出明智的决定。银行必须能够识别潜在风险和市场趋势，ChatGPT可帮助提供投顾服务、进行财富管理。
十二是社交媒体管理。ChatGPT能根据受众行为、偏好和高峰使用时间来优化社交媒体帖子进行调度。在广告方面，ChatGPT可分析数据并为银行的活动推荐最佳的广告格式和创意元素，并提供有关客户行为、偏好和趋势的见解，为制定更强有力的策略提供可操作的见解。
十三是信贷支持。ChatGPT可对大量信用和生产生活数据进行分析后，自主生成信用贷款支持方案建议，为信贷部门人员提供更多的决策时间和信息求真的时间，提高信贷质量，减少贷款收益损失。
金融业集成生成式AI的潜在挑战
《报告》提到，虽然生成式AI在金融业应用的前景广阔，但也存在一些挑战。
最重要的是数据隐私和安全。除了大模型开发中的数据训练带来的数据隐私和安全问题，大模型使用中也存在潜在的数据隐私安全风险。
第二是大模型幻觉和准确性问题。目前，银行和其他金融机构非常关注的是如何解决大模型“一本正经地胡说八道”以及“知道自己不知道”这两个问题，这也是影响银行业采用生成式AI工具的重要堵点。
第三是道德和伦理的遵守，发现和减轻偏见应该是防止歧视性结果的首要任务，解决方案是增加训练数据的多样性。
第四是监管的不确定性。生成式AI工程发展领先于基础理论研究，面临智能涌现基础理论机理不明、计算成本高昂、生成内容安全性有待提高、自动评价困难等共性挑战，这会造成监管的不确定性。此外，基础大模型数据库的金融政策时效性会影响输出内容的准确性。
最后是大模型开发和使用的高成本。高性能GPU一片难求、大模型参数带动的高耗电、大模型人才匮乏、数据安全下的本地化部署是推动当前金融业生成式AI应用的高成本的主要来源。
金融业集成生成式AI需遵循的原则
《报告》提到，对于金融机构来说，目前的挑战在于如何以最大的影响和最小的风险进行大模型应用。《报告》提出国内金融机构在2024年采用生成式AI时需要遵循的8项原则建议。
一是正确认识生成式AI的作用域。生成式AI应用广泛，但并非全能。金融机构在制定相关行动时，要正确认识这项技术的作用域，在全面客观地评估机构内部业务创新属性以及任务类型的基础上，将生成式AI工具更多地嵌入重复搜索和数据量大的任务中，并保持生成式AI与传统决策式AI工具的结合，不要追求通过生成式AI带来百分百的自动化。
二是模型参数并非越大越好。在实际应用中，大模型的利用效率并不高；过于庞大的大模型可能难以在有限的计算设备上部署和训练；参数众多，导致大模型内部结构复杂，解释性较差等。金融机构需要根据自身数字成熟度、资源可用性和终端生成式AI应用程序的复杂性来选择规模适当的大模型。
三是技术先进性和业务可持续性是选择合作伙伴的2个关键标准。技术先进性包括大模型的算法、训练数据、模型调优等多个方面，重点关注安全与合规、准确性和质量、定制化、定价和部署、提示词限制等关键指标。业务可持续性包括合作伙伴的业务模式、服务范围、客户支持、生态建设等。
四是生成式AI技术的开发者实际上也是重要的监管者。金融业的一大核心功能就是风险防控和管理，因此金融行业大模型的开发者实际上肩负着重要的监管职责。
五是着眼于端到端解决方案，而不是让它成为一个点解决方案。端到端解决方案是指通过整合各个部门或环节的业务流程，消除信息孤岛和部门墙。相较于仅在部门内部提供使能的点解决方案，端到端的解决方案能提高企业内部效率并满足客户需求，从而实现企业效益最大化和整体效能的提升。
六是根据实际情况确认应用的优先级顺序。依据自身业务需求，金融机构可用生成式AI作为内容创作者，可以用它来获得更好的资源管理，可以用它作为后台解决方案。重要的是，在各项任务场景中，金融机构需要确定生成式AI的优先级。
七是把大模型带到数据中心环境中运行，而不是把数据带到大模型所在的地方。将大模型带到数据中心环境中运行，进行本地化部署是金融业落地应用大模型技术的通用路径。金融机构的数据中心通常具备更强大的计算和存储资源，可更好地支持大模型的运行和计算需求。且数据中心通常具备严格的安全措施，可有效保障数据的安全性和隐私性。此外，数据中心通常具备更好的网络连接和数据传输能力，可确保大模型在运行过程中能快速、稳定地访问和处理数据。
八是由首席执行官直接牵头指导负责任的人工智能治理框架。当负责任的人工智能治理计划由首席执行官直接驱动时，这些计划在组织内产生的影响大约会增加60%，因为战略内容更清晰、战略执行更有力、跨部门协同更快速。
文章来源： 银行科技研究社
