圖片來源@視覺中國
傳統的人工服務已無法滿足銀行業務普及所帶來的服務空缺，以人工智慧大模型為代表的科技進步為填補這一空缺提供了機會，各大有實力的銀行紛紛開啟了對大模型在銀行各個業務環節的探索應用。其中，“數字員工”取代前臺應用較為普遍，也有不少銀行在探索利用人工智慧、、雲計算等技術建設賦能中後臺風控體系，開發風控領域的大模型應用。
數字員工為銀行減負
減費讓利背景下，降低人力成本成為銀行經營的重要一環，而數字員工對人工的替代成為降本的重要抓手。傳統人工客服服務的培訓成本和工資成本較高，在銀行業務廣泛普及的時代，人工服務已經無法滿足對十幾億使用者金融服務的全方位覆蓋，因此具有接近真人服務體驗和能力的數字員工收到銀行熱捧。銀行體系中存在大量傳統的“重複勞動”或“低效率”崗位，這些崗位都可以進行數字化替代，由數字員工承擔相應的職責可以釋放人力進行更有創造性的工作，並達到降本增效的效果。
銀行理財是銀行收入的一大板塊，在財富管理方面，現有規模的客戶經理無法滿足對存量客戶所需要的一對一精準服務，數字員工的引入可以實現使用者購前清晰認知和購後及時更新動態。人工智慧客服可以透過客戶賬面的資金情況給出目前資金管理評分和對應的投資意見，但事實上目前的“投資意見”沒有做得很完善，主要原因是資料模型和資料庫的不完善，拋開大淨值客戶，“平民”客戶所獲得的智慧客服建議都是比較單調的。
圖片來源：浦發銀行
針對銀行理財的服務需求，大多數銀行都在搶佔高敏捷開發賽道，實現語義理解、表情識別、對話平臺等多種場景的自由切換模式，對需要應用的業務場景進行快速賦能，並進行數字員工場景試點，驗證其在“替代”財富規劃師、AI培訓師、大堂經理、智慧櫃員、數字主播、數字信貸員、智慧外呼及數字稽核員等人員的可行性，從而進一步提升銀行對客服務效率和體驗。
據鈦媒體APP瞭解，浦發銀行“AI驅動的3D金融數字人”創新計劃於2019年建設並投入金融應用，透過前沿AI、RPA及數字孿生等新技術，對標真人崗位角色、業務能力，打造了數字員工“小浦”，是業內首個綜合運用3D人像實時驅動、多模態互動、、情緒識別、智慧推薦、多因素生物認證等前沿技術，連線多個金融交易系統及物聯網系統、在金融雲上執行的規模化數字人金融應用。
目前大多數銀行數字員工所具備的能力包括以下五類，一是最基礎的人工智慧能力；二是資料處理能力，從豐富的語言庫中進行識別，從而使機器人能夠很好地處理非結構化資料；三是跨渠道協同能力，人工智慧機器人能接入APP、電話、微信等多個渠道支援與使用者的“溝通”；四是人機協同能力，實現在文字、音訊、影片等多種方式下的人機協同能力，降低驗證工作的重複性和合規性問題；五是安全效能高，機器對使用者多形態核身、登入認證可以降低人工智慧網路風險。
伴隨著大模型的精準化，銀行“數字員工”也開始向“數字化勞動力”轉型。在經歷了人工智慧的“初級員工”階段後，“數字員工“開始向”高階員工“升級，經過豐富的交易、對話資料等訓練，銀行對數字員工的服務狀態、效率、差錯率等進行實時監控、評分和改進，透過對不同崗位“數字員工”的職責進行績效評價，同時與真人績效評價形成對比，從公司經營成本和持續增長的角度出發，形成數字員工和真人員工的競爭，並根據雙方的特長進行同崗位更細緻的分工，並定期調整對“數字員工”群體的評價治理體系，最終完整形成“數字員工”的組裝、出廠、最佳化、應用及治理等完整的數字員工管理體系。此外人工智慧大模型的介入使得“數字員工”對於任務的學習、識別、處理、糾錯、反饋等工作流程形成更強的自動化和智慧化的雙重合力，從而使得“員工”時代開始往“勞動力”時代過渡。
據鈦媒體APP瞭解，浦發銀行的數字化勞動力體系已經覆蓋12個數字渠道、量產十多個數字崗位角色，包括財富規劃師、數字稽核員、AI培訓師等，並在浦發銀行零售業務部、網路金融部、運營管理部等多個部門得到落地應用。銀行融合了AI、物聯網、大資料、5G、生物識別、等技術的數字員工在各業務條線全面推動金融服務的數字化、智慧化轉型，並且形成了可量化的數字化勞動力評價體系，以對標真人員工KPI的視角評估數字化勞動力帶來的價值。數字化勞動力的建設不斷迭代最佳化，釋放人類員工，實現降本增效，這也是目前國有大行和大型股份制銀行爭分奪秒正在進行的事。
大模型賦能銀行風控
風險管理體現了銀行的經營管理能力和競爭力，在“數字員工”取代前臺的同時，銀行業也開始利用人工智慧、大資料、雲計算等技術建設賦能中後臺風控體系，而當大模型時代來臨時，不少銀行也開始轉型研究風控領域的大模型應用。人工智慧大模型與舊時定義的“人工智慧”有著顯著的區別，以往的“人工智慧”通常專注於特定的任務，功能之間是相互獨立的，無法進行有效的協作或整合，而大模型是一種引數規模龐大的人工神經網路，其特點是能夠透過大量的資料訓練提升其在多個任務上的表現。
大模型賦能銀行風控體系主要體現在以下三個方面：強化風險評估能力、減少人工操作運營風險和提高監管合規風險管理水平。舊時的人工智慧需對不同業務場景進行對應的建模，且訓練所用的資料集較侷限，從而導致準確性和可靠性受限，而大模型可以更快速處理大量的結構化和非結構化金融交易資料等，透過許多自動化流程取代手工流程，同時減少人為錯誤並提高工作效率。在監管審查方面，銀行工作需要嚴格精確地審查大量資料檔案，透過分析多個變數評估公司的風險狀況，並向監管機構提交相應的審批。銀行大模型的引入可簡化並準確化這些流程，降低因為風控問題帶來的處罰成本。但由於市場處於起步階段，目前市面上通用基礎大模型較多，而實際應用於金融等領域的模型仍存在專業性欠佳、資料庫不完整、開發成本高等問題。
大資料和大模型對零售業務場景的“重塑”
在佈置了基礎的人工智慧建設基石後，銀行開始進行人工智慧大模型對零售業務的支援。上海浦發銀行總行資訊科技部大資料專家陳春寶羅列了大資料在零售業務主要應用的五個階段，這五個階段是銀行目前和未來應用大模型給予更多智慧化解決方案所面臨的必經之路。
第一個是客戶獲取階段，透過獲客引流等方式，解決客戶需求多元化的問題，第一步先解決最基礎的反欺詐、風控的需求，未來進一步建立社會關係網路。
第二階段是客戶提升，分別是精準營銷並擴寬客戶，讓客戶與銀行獲得雙贏，這也是目前大多數銀行表現最成熟的一個領域。
第三階段是客戶成熟階段，重點在於客戶維繫，其中又分為主動的客戶維繫和被動的客戶維繫，區別在於被動的客戶維繫是讓客戶持有更多的產品，提高客戶離開的機會成本，而主動的客戶維繫是做客戶細分，對客群不斷的細分，發現每個客群的需求，載入產品，提供服務。
第四階段是客戶衰退階段，面臨客戶衰退、離開的問題時的提前預判、模型測算以及應對方案。
第五階段是客戶挽留階段，透過建立客戶全生命週期管理的流程，從而更具有針對性對高價值的客戶提供更優質的服務，避免或者延緩第五階段的到來。
目前人工智慧的應用很多在於語音識別、智慧機器人等等，這已經是銀行AI服務最基礎的配置。據鈦媒體APP瞭解，浦發銀行有以下四種初步的人工智慧大模型應用服務：
第一種是浦發的信用分，類似於“支付寶”的“芝麻信用”，浦發銀行根據公司內部開發的評分演算法，對客戶打上信用分，一定程度上精準定位了受眾客戶。例如消費信貸，客戶都有提交審批的疾患，但在銀行嚴格的風控制度下，比較低質量的客戶申請通常會到了審批環節才被拒，在套用模型之後，風控環節前置到營銷階段，大模型可以提前剔除明顯評分偏低的、有信用缺陷的客戶，節省營銷資源和運營成本。根據浦發銀行統計，這款網貸產品的營銷拒貸率降為原來的一半。
從應用場景上看，市面上大部分信用分產品可應用於對應的合作機構進行免押金服務、提升借款額度、低利率借款等，如芝麻分、小白信用分、唯品信用分等，甚至少數信用分產品可應用於政府、企業合作，可以說相比較網際網路金融平臺，銀行推出這類大模型服務的時間較晚，因此其“分數”所應用覆蓋範圍僅侷限在該銀行內部體系中。
銀行信用大模型未來發展方向可能有兩種，一是會向標準化，統一化進步，銀行之間協作形成一個統一信用評級的大模型體系；二是銀行間競爭產生出最優秀的評分模型，其容錯率和實際效益最高，這樣的模型將會統一各銀行分散的評分系統。
第二種是精準營銷，大模型的引入讓它由原來的單次、大批次客戶的營銷模式逐漸演變成高頻次、每一次小批次的客戶營銷。例如浦發銀行的愛客計劃，透過模型識別客戶的潛在需求，結合內外部資料構建模型並開展營銷，對每一個數據標籤做價值評估，作為外部資料合作和採購的依據。大部分大型商業銀行其實都在做類似的大模型，他們相較於中小銀行擁有海量的客戶資料，能夠給機器學習提供更全面的資料庫。透過利用資料探勘和機器學習等技術，銀行可以分析客戶的消費行為和需求，大模型進而透過這些資訊推算出適合客戶的產品和服務。透過客戶的消費記錄和投資偏好記錄，大模型可以進行自動測算，進行服務的個性化的推薦和定製，更高效全面地滿足客戶的需求，這是人工所無法精細瞭解的。
第三種是平衡風控和營銷，目前有許多銀行都推出了“分分鐘放款”的信貸產品，根據歷史資料和經驗看，營銷響應率不足2%。浦發銀行透過營銷模型、信用模型和違約評分模型，將營銷成功率提升至接近10%，審批透過率超過50%，最終落地成功率相比傳統模式提升了20倍。“秒放貸”以前總被網際網路金融平臺包攬，近幾年逐漸向銀行平臺傾斜，浦銀點貸的競品包括中郵錢包、平安i貸、農業銀行小額貸、建行快貸、廣發e秒貸等，根據不同銀行對信用評定的側重，不同產品對最高授信、最長貸款期限、用途、貸款人年齡等條件進行不同的限制。
第四種是風險圖譜分析。市場上目前應用較多的銀行知識圖譜是一種表示和組織領域知識的結構化資料模型，該技術當前面臨語料資料標註效率低、知識抽取質量難以保證、語義理解和自然語言處理難度大等瓶頸，而透過藉助大模型的結構化資訊提取能力，知識圖譜面臨的這些瓶頸可以得到改善和補足。基於大模型框架，銀行可以從圖結構資訊、節點屬性和模型特徵中提取關鍵資訊，生成智慧風險報告，並透過基於特徵的聯動圖譜視覺化展示，使得分析更加智慧化和直觀化。浦發銀行設計了為各個業務場景做客戶畫像輔助決策的大模型，運用大資料對應大量的資料標籤，當識別到問題場景時，銀行會根據研發的特徵識別演算法計算結果，給每一個場景畫客戶的臉譜，比如三個月內哪些客戶有過存取款、半個月內誰在做跨行轉帳等等。銀行大模型圖譜分析的應用將客戶群維度的關係進行了視覺化展現，能夠分析深層次隱性關聯，進行更深為度的關係挖掘服務，未來風險圖譜的關係識別將進一步推動銀行風險推理能力的增強。
圖片來源@暢享網
銀行AI大模型技術的不足
由於銀行本身對安全係數要求高，政府對於銀行業的監管更為嚴格，對於銀行的業務、經營等活動所涉及的範圍要求更加嚴謹，因此，銀行端所使用的人工智慧大模型仍存在技術層面的侷限，這將是商業銀行使用人工智慧所要攻克的難題。
1.核心技術不成熟
目前銀行所使用的人工智慧大多是為利用語言處理技術和生成技術，實現與客戶的對話互通，其本身形式更像是透過同類詞聯想並生成答覆，本質並不意味著數字客服真正理解使用者輸入，因此所能回答的問題仍侷限於“機器人客服”階段，只能回答智庫中所記錄的問題，並不能真正承擔起“數字理財經理”、“數字小管家”等稱號。由於人工智慧大模型生成技術的訓練主要基於資料庫，類似於Chatgpt的機器人和資料庫尚無法應用在銀行的人工智慧模型中，銀行領域的AI資料也多數處於建設當中，在不具備大規模應用所需的知識儲備的背景下，可供銀行AI內容生成技術學習的資料來源非常侷限。總結來說，現階段，最常見的銀行人工智慧技術應用於客服、資料分析、風控等領域，該技術更多用於常見問題的回答工作和資料處理，主要用於提升重複工作而產生的效率問題，但仍無法做到完全取代人工工作。
2.專業性有待提升
人工智慧內容生成技術是基於對銀行基礎產品及服務的簡單理解，但並不能對複雜和專業性強的業務問題進行賦能，例如銀行經營所涉及的管理制度、工作規範等，銀行未來的戰略部署等全新領域的規劃是人工智慧內容生成技術暫時無法妥善處理的板塊。此外，人工智慧可能存在對於客戶需求的“誤解”，因此現階段人工智慧“理財經理”更多用於輔助理財經理設計投資方案，這也是目前專業性強的金融從業者仍有和人工智慧“對抗”的底氣。
3.網路、合規等風險無法妥善解決
由於人工智慧、大資料模型都基於網路和資料，對於網路和資料安全的考慮是目前第一風險點。銀行業敏感資料洩露問題日益嚴峻，因此越發增加了資訊部門對資料資訊保護的嚴格要求。此外，並不是所有銀行都有能力開發自己的系統，因此與外包技術提供方之間的技術壁壘和資訊互動可能使人工智慧內容生成技術在銀行落地的應用安全性被質疑。人工智慧內容生成技術可能會將在模型訓練中的個體邏輯、錯誤資訊引入實際的商業活動中，從而帶來潛在的風險。（本文首發於鈦媒體APP，作者｜李婧瀅，編輯｜劉洋雪）
更多宏觀研究乾貨，請關注鈦媒體國際智庫公眾號：
