大模型在金融行业的落地探索

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

CONTENTS

数据概念辨析

1.概念辨析:数据、标签、特征、信息

2.信息的贡献度：数据>>模型

3.数据与大数据的辨析：直接数据与间接数据

A®

3.1大数据、大模型、大风控

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•大模型通过文本语言等训练的模型，是一种感知智

亿级以上的“预训练深度学习算法"能，不是决策智能，更不是计箕智能

•大模型通过海量数据的训练学习，具备了强大的语言•感知智能：基于Eayes公式

理解和表达、思维桂推理等能力，在文本图像理解、•决策智能：基于先验概率

内容生成等AI任务表现出显著优势和巨大潜力・计算智能：基于计算公式

大横型是一种生产力的恒升“电力一一智力大模型与传统侬的未来急势：由共存到超越

•我们必须跟随时代潮流，逆眺流必然被陶汰•先共存：受制于il第五杂度高、可解理性整等问题，大

模型会与传统模型会共存；

•敌对的人：不屑——坚决一限制一迷茫

・友好的人：好奇一尝试——学习一使用•共存方式：大模型为中控，可解释性模型为外围

•后超越：随着大模型兔杂度降低、可解释性增强，大模

型将逐步替代传统模型

③

系统性：大尺度和小尺度之间存在关系

e③

复杂性：由小尺度数据特征的动态非线性和随机关联

③

传统风控可解释性：传播因子（阻碍因子）、传播路径

③

•认为风险就是不确定性《SCIembAlT尺度系统智能》介尺度的多模态建模方

•用潮呈管控风险

卜法

•用资本抵去睐管理风险传

小

・模型、压力;则试等均为工具导客户本身风险

"

尺③客户信用风险

用“爆量之内

智能风控：度③客户欺诈风险

•能够精准计量风控

风

还

・风险、利润、客户的最优化管理

险

婺

智能幽是一个体系，是为银行战・服务

目

•客户主标尺MU39M

愿人场景经营风险

八场溟欺诈风险

内场景交易风险

,不是传统的“全面风险・理”工场景客群偏差风睑

/不仅雌：大人场景特定风险

・风险传播体系尺

•数据模型体系度

,技术实现（下一代）：传播的刻色1风

*场景集中度风险

险

内场景“逆周期“风险

®场景"灰鹿牛"风险

k场景"阚幽’顾

大合作、大创新、大共存

CONTENTS

大合作

银行与AI公司合作开发

大・银行内部大数据的整合

适合自己的大模型

合

作•银行外部大数据的补充

,大算力合作：

•非核心竞争力的专业能力一定要外包

金融业的AI公司

•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

♦头部AI公司基础大模型

•以银行的小规模算力打造轻量级推理模型

（精调模型）

大创新

智能客服机器人投资分析与预测

责任客服VS非责任客户弱化人类情感

保险公司的产品推荐

提升客户粘性

智能风控、反欺诈、反洗钱其他垂直领域的金融应用

标注样本智能0A

写代码写算法智能写文稿

环境感知智能运营

大共存

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

共释性差等问题，短期内，大模型和传统模型会共存。

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

关注问题：

1.后发劣势

2.可丽性

3-社会智能

4."类征信

避免“后发劣势陷阱”

0“后室测6彳＞~EUg

电对・耽检体现点g杯充分

法gmMfl、EQMI出电R的■分

©»SWtt-------------颔礴整合-----------O-旃究--------

要“俯首甘为孺子牛“，做大量的、要“横眉冷对千夫指"，要做革命要"甘做无名英碓"，逐步建立算

耗时间的的数据工作，以实现对模性的、基础性的科技改造来实现业法研究能力，进而“随风潜入夜，

务全潮型的互联互通，进而实现对

型的效能的提升润物细无声”的实现智能血控对业

业务的敏捷支持务完美支持

覆其余回题

类征信

持牌？

可解释性平均智能

弱化可解释性中小银行备受挑战

白盒套黑盒

金融机构眼中的大模型技术

金融机构眼中的AI技术

生物特征识别知识图谱

客户身份验证、远程开户、刷对贷款信息、行业信息建立关系挖

脸支付等场景掘模型，通过机器学习进行模型训

练

计算机视觉机器学习算法

人脸识别、票据识别、场景识别深度学习、强化学习、自然语言

处理

智能语音自然语言处理

问答、咨询、理财、直询；身份识词嵌入、句子嵌入、编码-解码、

别、智能客服、智能理赔等注意力模型

金融机构眼中的大模型能力

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

生成式能力一岗多能

代码生成贯穿远程银行全条线业务工作内容，覆盖

内容生成事前运营、事中辅助和事后质检等环节

金融机构眼中的大模型技术发展历程

基于

使用编码器-解基于

基于规则和统通过学习语基于自注意Transformer

码器架构，并Transformer的

计模型的方法言中的概率力机制的神的预训练语

通过大规模预训练语型

来处理语言翻分布来预测下经网络模型言模型(无

译平行i新斗库一个单词或标签数据预

进行训练

字符训练模型

Q9QQ0

---------6——O-o

统计机器翻神经机器翻语言簿模与TransformerBERTGPT

译(SMT)译(NMT)星曾到序列模型

金融机构眼中的大模型缺陷

技术缺陷：

外面证I：

•1.在个人信息收集阶段，当用

•通过文本语言等训绮的模型，•一是，算法黑箱.由于算法

户在使用ChatGPT时，会输入系统安全与稳定性

其智能类型是受限的，可见模型的黑箱运作机制，其运行自己的个人数据，依据《个人

ChatGPT只不过是一牌・如■规律和因果逻辑并不会显而易信息保护法》强询单独授权.

帼，不是决”能,更不是计见的摆在研发者面前.•2.在个人到雁的加工使用阶段，

ChatGPT使用了RLHF的训练方

二是，算法兽棒性。算法运

•法，用户使用过程中的输入和

<«Him：STBayes^C行容易受到数据、模型、训练

交互信息可能会用于其持续迭网络安全风险

方法等因素干扰，出现非£（棒代训练，进一步被用于为其他

用户提供服务，可能构成数据

人HUMS：特征。町第会有针对性的病•

共享，这时已与用户初最初使

•智能缺陷就星「h"GPT的使糕用目的相悖，根据《个人信息

用边界.•三是，算法歧视.算法以数保护法》需要更新授权.

.训练数据的获取.

•例如，在金融机构中，据为原料，如果初始使用的是•3ChatGPT

通过抓取互联网上的信息，可技术同质性风险

ChatGP坏是决策智能，用于有偏见的数据，无形中会导致能存在合规问题.

风险决策受限；ChatGPT不是生成的内容存在偏见或岐机,•4.数据泄涌.用户在使用过程

计算皆能，用于资本计量受限；引发用户对于算法的公平性争中输入个信，息，以及企业用户

谕入的各类工作相关信息，可

ChatGPT是语言领域的感知智议.破根主■自资本89,

能导致公司敏感信息泄露.

体现为训练样本败■.

能，可以以文字助手的身份嵌•5.算法缺陷导致数据主体行权学习局限性性风险

入大部分和文本相关的工作.困难.如更改权、删除权、访

•n«±：*问权等行权困越

数字化转型助力大模型

I生产关系适应生产力的发展

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】数据

N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

技术的转型、金融科技转型、银行的三次转型

技栩a>熊加K^LLY-.接木的冲突—nMbKMAIMcM一英一生产关系的重送

人民银行科技司雌季伟:金融科技.，帕微■.，兴于技术，•TtML.Emi

银.业部的曲g知？

行•生产力充实了生产关系的事业都成功了

转

型►nmmr：nram.,MMMM*..Mraniaw

•蹴

新技术革命

•技术

•E［金的II界冲击困ms.人员分配

外•从短模导向到份

・户的JB・

因值导向、，&化•新市场：边界合理.清・

成功写失败?..k

导向•新客户：•理论上，没有任何一个业晨、

♦新业务:创原产品■务属于电子银行部；

，实健上::姆像件么聊做，

11］第一步：调整部门边界（生产关系）好放生产力但没有件么自己能调的算

・明确边界：渠道一立台一生

|2］第二步：科技范・、业务范•两个方面发展生产力态」

0[［3］第三步：生产力充实生产关系，盘定新的部门边界

数据信托助力大模型

数据驱动业务的发展的逻辑

第一阶段第二阶段第三阶段

人商圈的数据与金融圈的数据各自®支付产生了"跨界"效应③"标准码"规范支付入口

相对独立发展®支付使得商圈有了金融圈的数据因"断0［连+征信持牌"规范数据

®商圈的数据孤岛3就形成了互联网金融业务使用

为金融圈的数据孤岛®一浪：互联网平台主导③二浪：持牌金融机构主导

数据驱动模型与算法发展的逻擅

智能风控领域模型算法的发展：

专家评分卡f逻辑回归一集成学习、深度学习

第一阶段底］三个阶段

依籁专家经豁经胧与散据奥动^Msaeai

侬:优点：工多采用专斜J分卡蝇

/可解释性强/准确性高/复杂硒模型快速识别

/客户体验好

：皎点：

X维护成本高X无法判断未知风险X对系统稳定性与速度要求高

X对专业性要

求高

集成学习模型深度学习模型

陋

久多采用集成学习与深度学习模

型

数据要素化的发展逻场

断与生俱来的是：数据与众不同的是：数据与日gits的是：

具备三重属性：资源属性、技价值的特殊性：数据价值不在于数数据要素的外部性对促进数据价值

©术属性、金脓属性.据本身，数据价值来源于数据的技交换的数据要素市场化的客观帚求.

术加工，体现于数据的权益支配.

发展逻辑

雌的与生俱来、与众不同、与日俱增，共同决

定了数据形态变化必将遵循：

i.由数据记录到数据资源、

2.由雌资源到数据资产、

3.由数据资产到数据要素、

4.由数据要素到要素市场化

理解数据资产

1数据资产必须有价值2数据资产价值必须可以衡量3由特定主体合法拥有或者控制

资产的会计计・方法总结

□历史成本法:获取资产时实际付出的成本

□公允价值法：交易双方自愿交易的价格

口现金蜥现法：资产未来产生的现金流量按照一定方法折成当前价值

□按照资产当前情况，重新获取同样资产所付出的代价

□预计售卖后得到的净值

数据资产的商业模式探讨

数据交易所居银行信托

政府主导的数据交•个人数据资产采用•信托财产"双重所有权”与

易所模式涌现银行模式进行管理数据资产所有权和控制权分

离的特质具有契合性

第三方专业技术和和运营

政府资质完成监管、•实现个人数据的增•信托业务创新可以为数据资

加密等合规支持值和有序流通产创设更广阔的应用场景

•个人大数据资产的­数据的正外部性与相关性，

管理与运营综合服更多数量和维度数据的汇集

务系统会产生更有价值

©数据信托介绍

信托(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萱理、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。

当上述"财产权利"变为"数据"时，就形成了数据信托。目前对

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。

数据信托助力数据大市场

1.嘘要素化过程中的信托双层所有权架构优势2.数据确权中的数据信托制度优势

3.数据流通中的

信托风睑隔离与信任制衡优势圆

5.雌要素治理中的赎砥服务优势

大模型治理

从技术角度：万物皆模型

万物皆模型

EVERYTHING

MODELS

•人类画家的不同主要是风格

・风格即模型

・调整模型参数，可以得到这个画家一系列作品

•基于大模型的原始能力基础上二次开发

从哲学角度:

从哲学角度：AI时代中

主体与客体的关系在潜移戢化

1、潜移默化

•搜索引擎

•主动推荐断章

你诂在杯上看反I景，

2、潜移默化宥忒景的人在楼上看•你。

•我在利用AI扩展我的智能

明月装饰了你的窗子，

•AI在利用我展示他的智能

你装饰了别人的班。

大模型的治理

01里产力