數(shù)字人與大模型在風控領(lǐng)域的融合創(chuàng)新應用

趙瑞蘭

數(shù)字人是數(shù)字社會中的新型產(chǎn)物，以數(shù)字形式存在于數(shù)字空間中，數(shù)字人包括有虛擬形象的和無特定形象的。在可控性、可編程性、規(guī)模成本等方面具有優(yōu)勢，雖然在銀行場景的覆蓋面較大，但其參與程度不是很深。伴隨著銀行業(yè)數(shù)字化轉(zhuǎn)型步入深水區(qū)，其應用的廣度和深度將不斷拓展。

隨著技術(shù)的不斷發(fā)展，特別AI技術(shù)的發(fā)展，逐步推動了數(shù)字人的智能化升級。北銀金融科技有限責任公司（以下簡稱“北銀金科”）探索研究大模型技術(shù)+傳統(tǒng)數(shù)字人的創(chuàng)新應用，賦能智能風控、智能客服、智能營銷、智能運營等業(yè)務領(lǐng)域持續(xù)升級。本文重點探討數(shù)字人與大模型在風控領(lǐng)域的融合創(chuàng)新應用，闡述商業(yè)銀行如何通過數(shù)字人與大模型的融合，合規(guī)有效地進行企業(yè)風險分析，實現(xiàn)降本增效，加速推進銀行數(shù)字化轉(zhuǎn)型。

銀行業(yè)數(shù)字人運用現(xiàn)狀及挑戰(zhàn)

銀行領(lǐng)域的數(shù)字人分為有形象和無特定形象的，有形象的虛擬數(shù)字人就像銀行前臺服務人員，客戶可以看到并可與之交流，如智能客服領(lǐng)域的數(shù)字人。無特定形象的數(shù)字人更像后臺人員，雖然不可見卻做了大量的工作，例如，在智能風控領(lǐng)域，數(shù)字人利用機器學習、大數(shù)據(jù)和自然語言處理技術(shù)，實時監(jiān)測和評估客戶交易和行為，自動識別潛在的欺詐或異常交易，能夠為客戶提供風險提示，增強銀行的風險防范能力，提升客戶的服務體驗。然而，當前銀行應用數(shù)字人在數(shù)據(jù)智能方面仍面臨不少挑戰(zhàn)。

數(shù)據(jù)整合挑戰(zhàn)大。大多數(shù)銀行的系統(tǒng)均獨立且分散，無法集中管理，導致客戶數(shù)據(jù)散落于不同系統(tǒng)或業(yè)務部門，生態(tài)內(nèi)外的“數(shù)據(jù)孤島”問題日漸凸顯。另外，數(shù)據(jù)質(zhì)量方面也存在數(shù)據(jù)缺失、數(shù)據(jù)重復、數(shù)據(jù)錯誤和數(shù)據(jù)格式不統(tǒng)一等多種問題。數(shù)據(jù)質(zhì)量不高不僅會影響數(shù)字人技術(shù)的應用效果，還會給業(yè)務帶來一定的風險。

智能交互門檻高。傳統(tǒng)的數(shù)字人主要基于預設的腳本和固定邏輯進行響應，只能按照預設知識庫輸出答案，可能無法處理復雜或非標準的查詢和任務，難以做到對交互式場景的有效替代。此外，隨著銀行業(yè)務和合規(guī)要求的不斷變化，數(shù)字人的知識庫和邏輯也要及時更新，這就需要耗費大量的時間和資源定期進行人工更新和維護，將產(chǎn)生高昂的維護成本。

“大模型+數(shù)字人”的主要應用領(lǐng)域

數(shù)字人的關(guān)鍵是交互，而交互的關(guān)鍵是擬人化，大模型相比傳統(tǒng)AI模型更具智慧性，銀行業(yè)數(shù)字人對接大模型已然成為趨勢。

大模型是具有巨大參數(shù)數(shù)量的深度學習模型，通常用于處理復雜的任務，如自然語言處理、圖像識別等，通過大量的數(shù)據(jù)進行訓練以捕獲細微的模式和關(guān)聯(lián)。因此，可以利用大模型能力解決數(shù)字人訓練中存在的數(shù)據(jù)質(zhì)量問題，進行自動數(shù)據(jù)清洗、數(shù)據(jù)增強與語義識別優(yōu)化。另外，大模型和數(shù)字人都具有AI基因，兩者的融合不僅是兩項技術(shù)的結(jié)合，更能發(fā)揮“一加一大于二”的作用，可以更好地理解用戶的需求、回應查詢并模仿人類的交往模式，為用戶提供更加豐富和滿意的體驗。在銀行領(lǐng)域，“大模型+數(shù)字人”的主要應用場景如圖1所示。

圖1 “大模型+數(shù)字人”的應用領(lǐng)域

智能風控領(lǐng)域。數(shù)字人通過與大型模型結(jié)合，利用深度學習模型對大量歷史數(shù)據(jù)進行訓練，從而識別和預測潛在的風險因素?！按竽Ｐ?數(shù)字人”的結(jié)合可促進企業(yè)及時采取相應的措施進行風險防范和應對，大幅度降低企業(yè)的風險事件發(fā)生率，提高整體安全性。

智能客服領(lǐng)域。利用大模型可以實時反饋在線回答業(yè)務問題，無論是有關(guān)銀行產(chǎn)品的常見問題，還是特定的賬戶查詢，數(shù)字人都可以隨時為客戶提供答案，結(jié)合大模型，數(shù)字人可以根據(jù)客戶的反饋和行為模式進行學習，以提供更加準確和個性化的服務。

智能營銷領(lǐng)域。數(shù)字人可為潛在客戶提供產(chǎn)品的詳細信息、答疑解惑，并根據(jù)客戶的需求，使用大模型為其推薦合適的金融產(chǎn)品。在個性化營銷策略方面，利用大模型分析客戶的交易和行為數(shù)據(jù)，數(shù)字人可以發(fā)送個性化的推廣消息和優(yōu)惠，從而提高轉(zhuǎn)化率。

智能運營領(lǐng)域。數(shù)字人可以自動處理某些標準化的后臺操作流程，如數(shù)據(jù)錄入、審批等，而大模型則可以持續(xù)優(yōu)化這些流程，確保其高效和準確性。

“大模型+數(shù)字人”在企業(yè)風險分析方面的實踐

當前，信貸業(yè)務依然是銀行業(yè)主要的營收來源，如何控制信貸投放風險，如何更準確高效地進行企業(yè)風險分析一直是困擾銀行業(yè)的難題，為此商業(yè)銀行在企業(yè)風險分析中投入了大量的資源和人力。利用大模型與數(shù)字人技術(shù)結(jié)合的方式進行企業(yè)風險分析，既替代了大量人工投入，又可以極大地提升效率和準確度，這對面臨嚴峻經(jīng)營形勢的當前銀行業(yè)來說顯得尤為重要。

北銀金科自主研發(fā)的“財報專精大模型+數(shù)字人”——財報助手，旨在為銀行的信貸決策提供更加全面、客觀的深刻洞察。聚焦貸前、貸中、貸后企業(yè)經(jīng)營狀況場景，從企業(yè)基本信息、宏觀經(jīng)濟、產(chǎn)業(yè)鏈、企業(yè)運營情況、企業(yè)財務情況等多個維度，全方位掃描相關(guān)企業(yè)，分析企業(yè)的經(jīng)營狀況和盈利能力，并自動識別出潛在的風險因素，同時，結(jié)合市場主流的分析維度和特色指標進行深度分析，并通過自然逼真的交互體驗、簡單易懂的表達方式為用戶提供診斷結(jié)論，助力商業(yè)銀行做出更準確和可靠的信貸決策。

技術(shù)方案

財報助手是一個融合多種數(shù)據(jù)源的智能系統(tǒng)，通過檢索和圖譜融合方案提高準確性和時效性，不斷迭代和優(yōu)化提示工程，提升大模型的行為可控性，為用戶提供精準可靠的多模態(tài)內(nèi)容生成能力。財報助手的建設包含三大中心（見圖2）。

圖2 財報助手整體規(guī)劃圖

源材料中心——企業(yè)級知識庫。企業(yè)級知識庫以知識服務為目標，將數(shù)據(jù)采集、底層模型、知識校驗以及知識存儲等知識組織過程，有條不紊地串聯(lián)打通，形成可持續(xù)迭代和成長的知識整合中心。知識庫通過處理包括各類非結(jié)構(gòu)化文本語料，如財經(jīng)新聞、上市公司年報、行業(yè)分析報告、區(qū)域經(jīng)濟報告等信息，對非結(jié)構(gòu)化數(shù)據(jù)進行結(jié)構(gòu)化處理，同時結(jié)合金融領(lǐng)域文本數(shù)據(jù)特色進行知識抽取，構(gòu)建高質(zhì)量的企業(yè)級知識庫。

效率中心——模型工廠。模型工廠定位為“訓推一體化工具和平臺”，構(gòu)建模型訓練、模型管理、模型應用、提示工程和算法安全等模塊，把垂直大模型的數(shù)據(jù)處理、預訓練、精調(diào)的復雜過程流水線化、標準化，支撐專精模型的訓練和部署交付。模型訓練包含四個階段，即從模型底座、通用模型、指令微調(diào)模型到專精大模型，知識庫對前三個模型階段向外輸出通用知識和金融知識，同時專精大模型對知識庫進行向上反哺。基于高質(zhì)量企業(yè)級知識庫，模型工廠通過增量訓練將知識庫數(shù)據(jù)不斷注入大模型，實現(xiàn)知識庫擴充與模型自動增量訓練效果提升的動態(tài)閉環(huán)（見圖3）。

圖3 大語言模型訓練過程

服務中心——大模型服務平臺（MaaS）。構(gòu)建自助式大模型服務平臺，平臺具有自動化部署、自動機器學習、可解釋性 AI等特性，一方面，能夠使用戶快速構(gòu)建專屬大模型應用，并保證生成內(nèi)容的準確性和效率，另一方面，還能夠讓用戶通過平臺上傳領(lǐng)域知識文檔，精心編輯提示詞模板以完成特定任務。同時，平臺提供持續(xù)優(yōu)化和監(jiān)控服務，幫助商業(yè)銀行快速建立數(shù)據(jù)驅(qū)動的決策系統(tǒng)，降低模型運維成本，提升模型性能（見圖4）。

圖4 大模型應用服務提示詞管理

平臺利用金融行業(yè)的典型場景和豐富的數(shù)據(jù)積累，在原有的AI工程化平臺基礎(chǔ)上，進行大規(guī)模的模型調(diào)優(yōu)和訓練，最終形成了符合金融業(yè)務需求的系列專精大模型。不僅能提供成熟的基礎(chǔ)模型，還能提供完整的大語言模型運維（LLMOps）閉環(huán)。用戶可以通過簡單的拖拽方式去完成模型的部署和測試，并統(tǒng)一管理提示詞及調(diào)度流程。此外，平臺集成了金融領(lǐng)域大規(guī)模的數(shù)據(jù)集，用戶可以基于自己的數(shù)據(jù)進行快速的模型微調(diào)和生成。

應用價值

通過財報助手，借貸企業(yè)風險分析效率和準確率能實現(xiàn)顯著提升。實時獲取借貸企業(yè)財務狀況、經(jīng)營狀況、行業(yè)前景、管理水平等信息后，通過大模型技術(shù)實現(xiàn)企業(yè)的信用評級實時調(diào)整，通過數(shù)字人技術(shù)對風險信息進行實時反饋及跟蹤處理。對于信用狀況持續(xù)改善的企業(yè),銀行可上調(diào)其信用等級,給予更優(yōu)惠的信貸政策。而對于信用不斷惡化的企業(yè),銀行則下調(diào)其信用評級,實施更嚴格的審查與控制措施,以控制風險敞口。

此外，財報助手在貸前、貸中、貸后環(huán)節(jié)均能發(fā)揮重要價值。在貸前階段，深入分析企業(yè)的經(jīng)營模式、技術(shù)革新能力、市場前景等,審慎評估其違約風險與抵押物價值變化風險；在貸中階段，定期監(jiān)測企業(yè)運營狀況與技術(shù)發(fā)展動態(tài),分析經(jīng)營波動風險,以便在必要時采取包括調(diào)整信貸策略、優(yōu)化產(chǎn)品配置、提高風險防控能力等行動,確保資產(chǎn)安全；在貸后階段,準確披露企業(yè)的風險處置與控制情況,讓監(jiān)管機構(gòu)全面了解銀行的風險管理水平。

可以預見，財報助手將逐步從分析員角色成長為輔助決策的專家顧問角色，實現(xiàn)透視全局經(jīng)營情況，預測發(fā)展趨勢，輔助經(jīng)營和管理決策（見圖5）。

圖5 財報助手能力層級體系

總結(jié)和未來展望

大模型賦予了數(shù)字人更加智慧的大腦，讓數(shù)字人的智能化程度得到跨越式的提升。數(shù)字人與大模型在風控領(lǐng)域的融合創(chuàng)新，可幫助銀行建立起企業(yè)級知識庫并進行有效的企業(yè)風險評估，提升信貸業(yè)務質(zhì)量，實現(xiàn)成本下降和效率提升，助推商業(yè)銀行高質(zhì)量發(fā)展。

展望未來，伴隨AI的飛速發(fā)展，由大模型驅(qū)動的數(shù)字人將全面邁入“智人”時代，進而擁有全新的應用場景和商業(yè)空間。在大模型和數(shù)字人創(chuàng)新融合的助力下，商業(yè)銀行將實現(xiàn)人機協(xié)同智能化、經(jīng)營決策智能化、業(yè)務流程智能化的提升，加快實現(xiàn)數(shù)字化轉(zhuǎn)型，更高效地賦能實體經(jīng)濟和人民美好生活。