2024大模型在金融行业应用.docx

大模型在金融行业应用

2024

◆

01

01

02

03

目录

CONTENTS

0

4

0

5

06

07

大数据、大模型、大风控大合作、大创新、大共存

关注问题：后发劣势、可解释性、社会智能等金融机构眼中的大模型技术

数字化转型助力大模型

数据信托助理大模型大模型治理

01

01

CONTENTS

大数据、大模型、大风控

01数据概念辨析

01

数据标签特征数据加工 用途加工

数据

标签

特征

概念辨析：数据、标签、特征、信息

概念辨析：数据、标签、特征、信息

信息的贡献度：数据模型

数据与大数据的辨析：直接数据与间接数据

人脑

信息

013.1大数据、大模型、大风控

01

大模型定义《自然-机器智能》将大模型定义为网络参数规模达到亿级以上的“预训练深度学习算法”大模型通过海量数据的训练学习，具备了强大的语言

大模型定义

《自然-机器智能》将大模型定义为网络参数规模达到亿级以上的“预训练深度学习算法”

大模型通过海量数据的训练学习，具备了强大的语言理解和表达、思维链推理等能力，在文本图像理解、内容生成等AI任务表现出显著优势和巨大潜力

大模型的“智能类型”

大模型通过文本语言等训练的模型，是一种感知智能，不是决策智能，更不是计算智能

感知智能：基于Bayes公式

决策智能：基于先验概率

计算智能：基于计算公式

大模型是一种生产力的提升“电力——智力”

我们必须跟随时代潮流，逆潮流必然被淘汰

敌对的人：不屑——坚决——限制——迷茫

友好的人：好奇——尝试——学习——使用

大模型与传统模型的未来趋势：由共存到超越

先共存：受制于计算复杂度高、可解释性差等问题，大模型会与传统模型会共存；

共存方式：大模型为中控，可解释性模型为外围

后超越：随着大模型复杂度降低、可解释性增强，大模型将逐步替代传统模型

01大数据、大模型、大风控

01

系统性：大尺度和小尺度之间存在关系

传统风控1要点?

传统风控

1

要点?

传统风控

?

?

?

?

认为风险就是不确定性用流程管控风险

用资本抵补来管理风险

模型、压力测试等均为工具

可解释性：传播因子（阻碍因子）、传播路径

法小尺度风险客户本身风险客户信用风险“场景之内”客户欺诈风险风险

法

小尺度风险

客户本身风险

客户信用风险

“场景之内”

客户欺诈风险

风险

大尺度风险

场景级别风险

场景经营风险

场景欺诈风险

场景交易风险

场景客群偏差风险

场景特定风险

“场景本身”风险

宏观级别风险

场景集中度风险

场景“逆周期”风险

场景“灰犀牛”风险

场景“战略违约”风险

“场景之外”风险

传导机制

还款意愿

：

?智能风控

?

智能风控

2要点

?

智能风控：

能够精准计量风控

风险、利润、客户的最优化管理是一个体系，是为银行战略服务

客户主标尺

风险主标尺

大风控

3

要点?

?

不是传统的“全面风险管理”

不仅仅是体系化：

风险传播体系

数据模型体系

技术实现（下一代）：传播的刻画I

02

02

CONTENTS

大合作、大创新、大共存

02大合作

02

银行与AI公司合作开发

银行与AI公司合作开发适合自己的大模型

任务

大模型

金融业的AI公司

金融业/银行业

大模型

头部AI公司

基础大模型

大 ? 银行内部大数据的整合

合 ? 银行外部大数据的补充

作

大算力合作：

非核心竞争力的专业能力一定要外包

云上大模型

实现垂直领域的精调模型

迁移大模型能力

结合行内大数据与知识库

以银行的小规模算力打造轻量级推理模型

（精调模型）

02大创新

02

智能客服机器人 投资分析与预测

责任客服VS非责任客户保险公司的产品推荐

提升客户粘性

弱化人类情感

智能风控、反欺诈、反洗钱 其他垂直领域的金融应用

标注样本

写代码写算法环境感知

智能OA智能写文稿智能运营

02大共存

02

由共存到超越

共存：大模型随通用能力增强，将逐步超越传统模型的能力，但受制于计算复杂度高、可解

大 释性差等问题，短期内，大模型和传统模型会共存。

共

存 ? 共存方式：大模型可作为中控，将传统模型作为技能进行调用。

超越：随着若大模型计算复杂度降低、可解释性增强，综合性价比来看，大模型将逐步替代传统模型

03

03

CONTENTS

关注问题：

后发劣势

可解释性

社会智能

“类征信”

03避免“后发劣势陷阱”

03

“后发劣势陷阱”缺乏业务的实践经验

“后发劣势陷阱”

缺乏业务的实践经验

对智能风控体系建设的要点理解并不充分

选择性模仿表面、容易实现和出成果的部分

数据基础

要“俯首甘为孺子牛”，做大量的、耗时间的的数据工作，以实现对模型的效能的提升

科技整合

要“横眉冷对千夫指”，要做革命性的、基础性的科技改造来实现业务全流程的互联互通，进而实现对业务的敏捷支持