AI 年度盘点与2025发展趋势展望,50+案例解析亮相AICon 了解详情
写点什么

AIGC 如何改变金融业?不是所有智能化问题都要用大模型解决

嘉宾:周建华、李涛、黄曙光

  • 2023-09-25
    北京
  • 本文字数:5172 字

    阅读完需:约 17 分钟

AIGC如何改变金融业?不是所有智能化问题都要用大模型解决

和所有新技术诞生之初一样,随着 AIGC 持续引发关注,各行各业都在寻找自身与 AIGC 结合的可能性。金融行业也不例外,丰富的场景、海量的数据、相对完善的技术实力...... 这些都是 AIGC 技术应用落地的温润土壤。


同样和所有新技术的发展一样,从技术出现到技术落地,需要跨越一定的周期,在这期间,市场会由感性的狂热慢慢转入理性的思考。AIGC 究竟适合在哪些场景应用?成本投入和效益产出如何做好平衡?商业落地的瓶颈又如何突破?


在 InfoQ《超级连麦. 数智大脑》直播中,太保寿险首席架构师周建华、富滇银行数字金融中心副主任李涛、华盛证券技术 VP 黄曙光围绕这些问题进行了探讨。大家认为,讨论 AIGC 技术应用,必须回归到业务目标和价值本身,并不是所有智能化问题都需要用到 AIGC 和大模型,很多时候,利用现有的智能化技术就能解决。


以下是分享全文(经 InfoQ 进行不改变原意的编辑整理)(点击链接可查看完整直播回放):

InfoQ:AIGC 热度高涨,大家如何看待这一技术?它在金融行业的哪些业务场景会有落地可能性?


周建华:AIGC 在落地应用方面,有很多可能性。从我的角度来看,要讨论 AIGC 的能力,需要回到技术本身,以及技术带来的变革。


具体看 AIGC,它有三个基础能力和三个发展方向:第一,大模型是它的基础,拥有广泛的知识;第二,具备超强理解力;第三,能够自我迭代,根据新的输入不断训练自身模型,无论是在金融还是其他领域,这些基础能力都可以扩展出不同的应用方向。


在应用层,我认为这三个能力可以分别体现在创造性、专业性和标准化方面。就创造性而言,AIGC 可以在营销文案编写、数据分析等领域发挥作用,甚至可以帮助开发人员实现自动化代码编写。


专业性方面,AIGC 可以在运营场景中,对业务规则进行自动化处理,减少安全漏洞的风险。此外,金融领域的技能培训也可以通过 AIGC 来提高,特别是在安全方面,AIGC 可以帮助提升整个团队的技能。


此外,AIGC 的交互能力也非常强大的。它可以作为个人助手、虚拟理财顾问,甚至可以处理客服、条款等复杂的问题。通过 AIGC,许多运营、客户服务、财富规划等工作可以实现自动化,进而提高效率。


黄曙光:我们已经在几个场景中进行了 AIGC 的应用实践。首先,由于证券行业的专业性与其他金融领域有所不同,用户在这里做投资决策时使用自己的资金,要求他们具备更丰富的金融知识,如财务报表理解等等。所以,我们将 AIGC 技术应用分为两类,一类是面向公司内部的应用,另一类是面向客户的应用。


在公司内部,我们利用 AIGC 技术提升工作效率。举例来说,内容部门需要进行诸如股票早评、午评和晚评等信息运营,通过采用 AIGC 技术,就可以大大加快内容生成速度,减少人力投入。


第二个场景针对的是技术支持和内部后勤岗位,我们需要让不同国家的员工能够理解我们的系统和文档,以更好地为客户提供服务。在这里,就可以利用 AIGC 构建辅助功能,帮助员工提升专业技能,特别是在不同语言环境下的技能培训。此外,我们还在尝试将 AIGC 应用于研发团队,以提高整体效率,特别是在一些单一逻辑或场景中,如单元测试。


从客户角度来看,我们希望通过 AIGC 降低用户交易的门槛,帮助用户更好地理解金融产品,辅导他们做出更好的投资决策。我们正在考虑引入“数字人”的概念,帮助客户解读财务报表中涉及的大量专业术语和知识积累。

InfoQ:在 AIGC 落地过程中,如何在模型训练开销与效益、效能间实现平衡?


周建华:首先提一下,关于 AIGC 和大模型的概念,我们需要将分开来讨论。AIGC 的概念在大模型出现之前就已经存在,这是需要澄清的第一点。另一方面,并不是所有智能化问题都需要借助 AIGC 和大模型来解决。很多问题实际上利用现有的智能化技术就能解决。


那么,如何平衡模型训练的开销、效益和效能,这是一个庞大的议题。首先,金融行业的大模型应用基于私有化的训练,这涉及到微调等步骤,必须在私有化环境中进行。所以,涉及两个方面的问题:第一,确保公司能够有足够持续的资源投入,包括 GPU 设备、大模型人才招募等;第二,确保有足够的数据或者能够生产足够高质量的数据进行微调。


其中,私有化模型的微调,在目前阶段不建议大规模投入,因为工程量巨大,微调不是只需要数据和 GPU,微调之后的大模型如何产生对齐的效果,如何能够符合监管合规要求都是非常大的难题。在解决效益问题方面,重要的是回到问题的原点,解决的是什么业务问题,为什么需要大模型才能解决?找到切实可行的应用点之后,然后再进行尝试性的试验。


在过去的智能化应用中,很多公司都因为未能找到业务流程上的痛点,导致创新停滞。解决这个问题并不容易,需要克服诸多门槛。所以,技术应用必须回到目标和业务价值,生产力的提升如何带来生产关系的改变。从目前来看,解决这个问题并没有简单的方法。


李涛:这个问题其实在我们准备进行 AIGC 应用以及制定 POC 时也充分进行了考虑。先谈谈关于开销和效益的问题。我们所在的金融领域正处于迅速发展的阶段,尽管在真正形成完整的应用生态方面还有很长的路要走。然而,从我们数字化转型的角度来看,实践已经逐步证明了其价值。


AIGC 引入确实为数字化转型增添了许多不确定性。我们感受到这种不确定性,是因为在过去的两年里,我们一直在发展前台、中台、后台一体化,但并未涵盖整个私有云的部署。这包括购买服务器、A100 和 V100 等显卡设备。或许在接下来的一年半里,许多银行会通过大型模型的技术超越我们。


从银行的角度来看,的确存在许多监管法规等问题,尤其是关于用户隐私。银行的技术变革往往从内部开始。因此,当我们与阿里、腾讯、华为等公司讨论 POC 时,大家对于开销的问题也并不清楚。与 OpenAI 不同,私有模型的训练不能像按照 token 收费。在国内的大型模型中,必须首先基于金融领域训练一个行业模型,然后再挂接到知识库并进行进一步的训练。这涉及到一定的成本,而且主要问题是,如何明确提示工程师的工作内容,目前并没有清晰的指导。尽管许多人认为这是一个简单的问题,但在实际技术研发中,提示工程师应该做什么还没有明确的方向。


因此,从内部研发、效能提升的角度来看,我们目前会优先使用公有云的能力。我们正在尝试将贷款制度、风控要求等挂接到库中,并进行问题检查和答案。我们的想法是,首先通过辅助人工的方式,然后逐步过渡到人工智能。与目前的规则性职能开销类似,这一过程的成本很难评估,但我们已经建立了强大的算力体系,也有了基本的硬件设施。


在富滇银行的战略中,首要任务是解释清楚。对于像我们这样的小型银行来说,人力资源非常有限,因此我们迫切需要利用远程数字银行等能力来提升服务水平,通过机器人理解客户意图。AIGC 的出现为我们指明了一个方向,并且我们也正在尝试着去实现这些目标。


在实现效益方面,很难有即时的收益。俗话说“飞猪能上天”,但对于金融领域的大型模型,我们仍然不太清楚整只猪是什么样的。这个探索的过程可能会有些疯狂,但实践将告诉我们真相,也许它会成为让我们弯道超车的一个机会。

InfoQ:技术发展与商业应用是两回事,AIGC 要在金融业实现应用落地,目前还存在哪些瓶颈?如何突破?


黄曙光:首先,政策是关键因素,因为金融行业在政策监管方面相当严格,对于新事物的尝试必然会面临不确定性。政策对于商业化落地的态度是重要的,需要不断摸索。像之前提到的,很多同行可能不得不面临私有化的问题。


其次是效果,效果决定了商业化的程度。商业化与演示之间的差异非常明显,如果在演示中成功率达到 90%,但在实际使用中失败了,这显然不行。业务部门面临巨大的业务风险,所以应用的成熟度对商业化落地有影响。


再者是成本。财务部门通常会关注投资回报率(ROI),短期内要达到一定规模才能解决一些问题,所以公司的财务决策会影响商业化的判断。


最后,人才方面的储备也是一个关键因素。


总之,AI 落地存在许多因素,这些因素相互影响,对于不同的企业来说,权衡这些因素会影响其商业化的决策。

InfoQ:智能技术的应用可以降低对人的要求,但是新技术的出现,也会衍生出新的人才技能需求。对于金融机构来说,要更好地使用 AIGC 技术,需要哪些类型的人才?如何提前布局和培养这些人才?


周建华:我个人认为,首先,算法方面的人才是必不可少的。但在基础设施建设方面,特别是数字化基础设施,例如大型模型的基建方面,金融行业自己可能并不需要过多涉足,因为门槛相当高。这不仅仅是硬件的问题,还涉及到复杂的工程化和各种问题。我认为这个领域可能只有大公司才有可能完成。


此外,还有两类人才是至关重要的:一类是智能化战略规划人才,他们能够通过对其他领域的成功案例中的借鉴,对企业自身的战略规划做出部署;另一类是智能化应用人才,他们不需要成为顶尖的算法专家,需要的是智能化应用实战能力。


最后,我认为业务方面也需要提升对 AIGC 或大型模型能力的培训,形成对数字化生产力的统一认识。从来没有一个数字化项目是仅靠技术就能成功的,这需要公司级别的战略转型,而技术只是工具之一。


李涛:目前确实很难给出一个明确的答案,即银行在 IT 领域需要什么样的人才。我之前提到了一些当前比较火的趋势,如大规模工程师等,但实际上具体的需求还不清楚。因此,我们需要通过实践来探索,只有在实践中才能了解我们需要什么样的人才。


大模型的发展现在有点类似于当初大数据发展的情况。随着时间的推移,大模型正在逐渐降低应用门槛。就像刚才提到的,我们并不一定需要高级的大模型建模人员,而可以基于现有行业模型进行产品模型的开发。然而,这需要通过探索来确定,也就是在实践过程中了解我们确切需要哪些人才。


正如刚才周老师所说,数字化转型的核心是业务价值,而当我们进入到模型阶段时,核心就变成了用户价值。然而,业务价值和用户价值之间有何区别,这是一个问题,需要深入探讨。


事实上,我最近也一直在思考业务价值驱动和用户价值驱动的问题。尽管我们一厢情愿地触及用户,但实际上我们并不清楚用户真正的需求。我目前更关心的是,如何在接触用户的过程中,真正了解他们的想法和需求。


当前银行业务相当复杂,同质性很高,因此实现数字化转型需要突破壁垒,纯粹的技术“自嗨”是行不通的,必须有业务价值的支撑。在专业人才方面,首先,我们需要明确的业务价值,然后需要既懂业务又懂技术的人才来实现。然而,这样的人才在各个机构中都很紧缺。

InfoQ:在未来三到五年的短中期内,对 AIGC 技术在银行 / 保险 / 证券的应用和发展趋势有哪些看法和预测?


黄曙光:我认为在未来的 3-5 年里,我们将迎来大规模应用的时期,我对在各个领域看到 AI 技术的应用充满信心,可能会出现一些杀手级应用,或者是具有重大影响力的应用,它们将逐渐浮出水面。


李涛:我总结两句话:第一,大模型将成为新一代决策支持系统,完整连接理解、思考和行动的链路;第二,我对明年银行的 APP 充满期待,相信它将经历改变,不再保持现有的静态外观,而是朝向一个数字人坐镇其中的状态转变,我希望我们银行能尽快推出这样的产品。


周建华:在未来的发展中,有几个方面可以比较确定:


第一,在营销素材领域,大规模应用会显而易见。金融行业都拥有庞大的线下团队,他们的诉求是需要高质量的营销素材来进行的客户拓展和持续经营。


第二,智能客服方面也会发生巨大的变革。传统的知识库和知识图谱运维成本相对较高,而利用大模型进行智能客服可以降低成本,提高用户满意度。此外,未来智能客服可以借助大模型直接回答问题,类似之前的 ChatGPT 等应用。


第三,私人助理领域也将迎来大规模的应用。这意味着各种角色将有机会通过 copilot 的方式获得个人助理服务。这三个领域的发展比较确定,其他方面可能还需要观望。


这三个领域的共同特点之一是涉及的数据并不是特别私密,不需要核心数据,这为尝试提供了机会,也不一定需要私有化部署。其次,需求非常明确,因此开发过程相对比较容易。


除此之外,还有其他领域可以考虑,比如从开发和技术的角度,一个方面是协助编写代码,金融行业存在大量外包,代码质量不一定很高。另一个方面是解决安全性问题,代码漏洞是一个头疼的问题,可以通过大模型来解决水平越权和垂直越权的问题,这也是我认为能够直接看到价值的两个方面。

活动推荐

首届FCon全球金融科技大会将于 11 月 19-20 日在上海举办。大会将围绕金融领域数字化转型挑战探索、DevOps 在金融企业落地实践、金融行业大模型应用、创新的金融科技应用、金融实时数据平台建设之路、金融安全风险管控、数据要素流通与数据合规等 10+专题进行交流。


目前大会邀请了汇丰科技中国区的代理总经理马国栋、度小满金融数据智能部总经理杨青先、蚂蚁集团副总裁 & 首席技术安全官韦韬博士、恒生聚源总经理吴震操担任大会联席主席。更多嘉宾仍在邀请中......


我们诚挚地邀请您加入我们,共同探索金融科技的未来,点击链接即可查看全部演讲专题。


目前 5 折 优惠购票,仅限前 100 人,咨询购票可联系:17310043226(微信同手机号)。

2023-09-25 14:253972

评论

发布
暂无评论
发现更多内容

程序员如何应对职业天花板

石云升

职场天花板 职场经验 11月日更

译文 | Apache Pulsar 集群如何确保消息不丢

Apache Pulsar

Java 分布式 云原生 中间件 Apache Pulsar

小谈C#异常

喵叔

11月日更

Prometheus Exporter (十)Ping Exporter

耳东@Erdong

Prometheus ping exporter 11月日更

[Pulsar] 消息生命历程(四)——Broker的消息处理

Zike Yang

Apache Pulsar 11月日更

搞定大厂算法面试之leetcode精讲6.深度优先&广度优先

全栈潇晨

算法面试 Leet Code

Apache APISIX request_uri 变量控制不当,存在路径穿透风险公告(CVE-2021-43557)

API7.ai 技术团队

Apache 云原生 漏洞修复 Apache APISIX ingress-controller

如何使用find和locate 命令在Linux 中查找文件和目录?

Ethereal

Linux find locate

复杂业务系统高扩展架构设计与实践

鲸品堂

构架

vue3 学习笔记 (三)——vue3 自定义指令

码仔

Vue3 自定义指令

JSRE中的多任务与多线程

编程江湖

html5 大前端

深入理解 volatile 关键字

编程江湖

volatile JAVA开发

架构原则

卢卡多多

架构 11月日更

风口上的低代码:我们看到了这些变化与趋势

脑极体

linux 上查找包含特定文本的所有文件

入门小站

Linux

博文推荐 | 基于 Pulsar 事务实现 Exactly-Once 语义

Apache Pulsar

Java 架构 云原生 中间件 Apache Pulsar

【高并发】浅谈AQS中的CountDownLatch、Semaphore与CyclicBarrier

冰河

Java 并发编程 多线程 高并发 异步编程

《深入理解JVM虚拟机》读书笔记:第二章 Java内存区域与内存溢出异常

Joseph295

没有人比我更会使用集合!对,是dart中的集合

程序那些事

Java flutter dart 程序那些事 11月日更

贪心算法:加油站 ⛽

空城机

算法 大前端 11月日更

架构实战营-模块六

瓜子葫芦侠

「架构实战营」

央视新闻联合百度智能云打造首个AI手语主播

百度大脑

人工智能

Hadoop 入门笔记—核心组件 YARN

编程江湖

大数据 hadoop

Java开发基础之开发环境搭建

@零度

JAVA开发

在线文本按列截取工具

入门小站

工具

Android C++系列:Linux进程间通信(二)

轻口味

c++ android jni 11月日更

云小课|打造企业数据“高内聚,低耦合”--试试GaussDB(DWS)逻辑集群,实现数据物理隔离

华为云开发者联盟

EI企业智能 数据仓库服务GaussDB(DWS) 逻辑集群

Flutter:如何在没有插件的情况下制作旋转动画

坚果

flutter 11月日更

详解阿里开源分布式事务框架Seata

博文视点Broadview

如何与 Dapr 集成打造 Apache APISIX 网关控制器

API7.ai 技术团队

云原生 网关 dapr Apache APISIX ingress-controller

docker vs docker-compose 解密

liuzhen007

11月日更

AIGC如何改变金融业?不是所有智能化问题都要用大模型解决_银行_InfoQ精选文章