2024大模型在金融行业应用

大模型定义大模型定义内容生成等AI任务表现出显著优势和巨大潜力大模型的“智能类型感知智能：基于Bayes大模型是一种生产力的提升“电力——智力 要点要点制愿要点技术实现（下一代）：传播的刻画 银行与AI公司合作开发银行与AI公司合作开发金融业的AI头部AI 智能客服机器 投资分析与预责任客服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 其他垂直领域的金融应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 由共存到超越

类征信持牌？可解释性弱化可解释性白盒套黑盒

平均智能中小银行备受挑战 生物特征识别客户身份验证、远程开户、刷脸支付等场景

知识图谱对贷款信息、行业信息建立关系挖掘模型，通过机器学习进行模型训计算机视觉人脸识别、票据识别、场景识别智能语音问答、咨询、理财、查询；身份识别、智能客服、智能理赔等

机器学习算法深度学习、强化学习、自然语言处理自然语言处理词嵌入、句子嵌入、编码-解码、注意力模型 人机交互能力覆盖审计、财务、客服、营销、承保理赔等多个保险领域业场景生成式能力代码生成内容生成

贯穿远程银行全条线业务工作内容，覆盖事前运营、事中辅助和事后质检等环节 通过大规模平行语料库进行训练的预训练语言模型无标签数据预

模

一是，算法黑箱。由于算法户在使用ChatGPT时，会输入自己的个人数据，依据《个人2ChatGPT使用了RLHF的训练方法，用户使用过程中的输入和交互信息可能会用于其持续迭代训练，进一步被用于为其他用户提供服务，可能构成数据共享，这时已与用户初最初使用目的相悖，根据《个人信息保护法》需要重新授权。通过抓取互联网上的信息，可中输入个信息，以及企业用户输入的各类工作相关信息，可困难。如更改权、删除权、访其智能类型是受限的，可见模型的黑箱运作机制，其运行ChatGPT只不过是一种感知智规律和因果逻辑并不会显而易二是，算法鲁棒性。算法运行容易受到数据、模型、训练方法等因素干扰，出现非鲁棒特征。智能缺陷就是ChatGPT的使三是，算法歧视。算法以数据为原料，如果初始使用的是ChatGPT不是决策智能，用于有偏见的数据，无形中会导致风险决策受限；ChatGPT不是生成的内容存在偏见或歧视，引发用户对于算法的公平性争ChatGPT是语言领域的感知智议。能，可以以文字助手的身份嵌 生产力与生产关系生产力决定生产关系生产关系要适应生产力的发展生产关系会反作用于生产力经济基础决定上层建筑

金融领域转型的三要素体现为：金融机构的生产资料：【1掌握先进生产力的人【2金融机构的生产力：【1】新业务【2】新科技金融机构的生产关系：【1部门边界【2】资源分配 1

技术的冲突→掌握技术的人群的冲突→资源和利益的冲突：金融科技，

3 “流程银行”转型消失匿迹：起于“效率效能”，止于“部门边界

科 数

商圈的数据与金融圈的数据各自相对独立发展商圈的数据孤岛金融圈的数据孤岛

支付产生了“跨界”效应支付使得商圈有了金融圈的数据就形成了互联网金融业务一浪：互联网平台主导

“标准码”规范支付入口“断直连+征信持牌”规范数据使用二浪：持牌金融机构主导

xx对专业性要

x

x

集成学习模型

22 1 政府主导的数据交第三方专业技术和政府主导的数据交第三方专业技术和实现个人数据的增 Trust)是指委托人基于对受托人的信任，将其财产权利委托给受托人，并由受托人针对受益人的利益或特定目的，按照委托人的意愿，对信托财产进行独立的管理、处分和风险隔离，以自己的名义管理和处分信托财产的行为。于数据信托定义的内涵和外延还在不断变化，但基本形成如下共识：数据信托是一种关于数据要素的、市场化的、制度化的、功能化的、结构化的、形成共识的数据生态框架。在数据要素市场化阶段，信托的成熟框架，叠加数据商品的金融属性增强，有助于市场化地促进数据要素的合理配置，发挥数据要素对经济社会发展的乘数效应。

算法