來源：銀行家雜志

中國農業銀行副行長、黨委委員徐 瀚

　　習近平總書記指出，“人工智能是新一輪科技革命和產業變革的重要驅動力量，將對全球經濟社會發展和人類文明進步產生深遠影響。”當前，國內銀行業圍繞做好數字金融大文章，積極擁抱以人工智能技術為代表的新質生產力，深入發掘數據要素價值，推進商業銀行“數字化+智能化”轉型進入新階段，讓金融服務惠及廣大人民群眾，推動服務實體經濟高質量發展。

　　過去幾年，農業銀行搭建了數字化轉型的基本框架。在初步實現數字化金融服務的基礎上，要積極擁抱人工智能（AI）技術，建設人工智能與銀行領域深度融合的智慧銀行，全面提升內部運營與對客服務效率，就需要形成完備的智慧銀行建設方法論與實施路徑。對此，農業銀行以業務目標為驅動，以科技創新為支撐，體系化布局場景、流程、組織、數據、模型和技術等人工智能應用的核心要素，探索建立商業銀行全面、深度應用人工智能的能力體系與應用范式，不斷優化調整銀行經營的勞動組合、流程制度、管理體制等，構建數字時代以人工智能技術為核心驅動的智慧銀行。

　　積極應對銀行數字化轉型的新挑戰

　　數字化轉型是智能化改造的前提基礎，銀行業作為數字化轉型的先鋒，在建設智慧銀行的新階段，面臨著技術基礎、數據基礎、業務模式等變化帶來的新挑戰，轉型仍在路上。

　　智慧銀行依賴IT架構變革。隨著AI的蓬勃發展，深化人工智能應用已成為數字化時代下銀行業創新和發展的關鍵驅動力。無論是傳統的決策式AI還是新興的生成式AI，本質上都依賴數據、算法和算力的深度與高效融合，這使銀行規模化構建和使用人工智能面臨一定門檻。對此，銀行不能靠簡單引入幾款AI軟硬件產品，而應重點思考如何調整與適配自身的IT架構，從產品、技術棧、團隊、基礎設施、數據等方面進行評估與準備，體系化落地AI技術能力。在基礎設施上，需要思考如何從通用算力體系，向“通用+智能”算力相結合的基礎架構轉型，構建自主可控、動態伸縮、敏捷調度、綠色高效的新型AI算力底座；在軟件交付上，需要從面向業務邏輯、流程功能的研發模式，轉變為構建“代碼+數據+模型”相融合的持續交付能力，并面向數據閉環、模型閉環設計應用系統架構。

　　智慧銀行依賴高質量數據供給。傳統AI模型關注算法能力，隨著大模型的發展，深度應用人工智能反映出更加迫切的高質量數據需求。當前，大模型能呈現不同于傳統深度學習的“智慧涌現”，主要依賴于海量的高質量數據“投喂”，而不是算法結構上的顛覆式變革。銀行業經過多年的信息化建設，積累了大量結構化數據及相關數據處理經驗，但建設智慧銀行，在數據的“量”和“質”上還遠遠不足。一方面，數據采集類型仍需豐富。過去銀行業采集數據多以業務流程為中心，以金融交易數據為主，大量客戶與員工的行為、溝通信息、過程數據等未被充分采集，大量寶貴數據尚未得到充分利用。另一方面，數據質量仍需持續提升。當前，銀行在業務處理中的數據回流還存在較長的反饋周期，數據閉環運行還需要額外實施數據標注等處理。模型只有快速處理最新數據、實時獲取用戶反饋、在線驗證模型結果，才能快速優化迭代，保障應用效果。

　　智慧銀行依賴業務模式調整適配。隨著數字化轉型的推進，商業銀行通過“數據+算法”驅動業務數字化進程，人工智能技術也很早就介入到相應的業務中，典型模式是將線下流程直接搬到線上，或部分環節從“人工審核”直接替代為“機器判斷”。隨著人工智能應用的不斷深入，場景和技術的融合匹配問題更加突出，人工智能技術與傳統作業模式并非簡單的替換關系。對此，銀行的業務經營與對客服務模式要進行適應性調整升級，特別是深入思考并準確理解“人機協同”，重新審視業務規則和組織機制，將人工智能應用逐步滲透進業務鏈條，設計出更靈活、更高效的智慧化金融服務產品。面向智慧銀行建設，我們不能再將人工智能與業務看作是“點”上賦能關系，而是要基于人工智能的應用特點，串聯起業務間的聯系，在數據基礎、管理會計、流程機制、技術架構等領域有效應用人工智能技術，提升各基礎領域的作業效率和質量。

　　正確認識銀行人工智能的應用模式

　　從早期的通過統計分析得到的商業智能應用，到對已有數據“打標簽”助力輔助或自動化決策，再到當前火爆的生成式人工智能助手，商業銀行不斷利用人工智能技術推進業務創新。但人工智能技術具有多路線迭代、應用孵化具有高不確定性、發展具有高成長性特點，合理布局商業銀行人工智能應用、關注人工智能安全、強化人機協同是未來商業銀行需要形成的人工智能應用的關鍵認識。

　　合理布局人工智能在商業銀行的應用。當前，商業銀行要正確認識決策式與生成式AI，合理制定應用策略。一方面，決策式AI在銀行業有巨大應用空間，仍是人工智能應用的主流。如人臉識別、語音識別、OCR等技術相對成熟，應用場景豐富且試錯成本低，值得進一步推廣應用。另一方面，生成式AI技術路線仍在持續迭代，應用場景仍在逐步探索，實施路徑仍待持續完善。未來，面對復雜場景，將通過大模型與決策式AI的大小模型協同，合力實現支撐服務。人工智能的深度應用并不代表銀行要“All in AI”，要按照“坑少、本小、利大”的原則，因地制宜地選取人工智能應用的適宜場景，有效釋放價值。一是選擇“坑少”的場景，把人工智能技術最先應用于成熟的場景中，不斷積累應用經驗，推動技術成熟度持續提升。二是選擇“本小”的應用模式，為新技術應用提供試錯的空間，避免因為沉沒成本的積累，造成“船大難掉頭”的局面。三是選擇“利大”的服務效果，新技術應用的基本目的就是要提升服務的質效，要將人工智能對客戶和用戶的服務質效提升擺在首位。

　　安全合規是人工智能應用的前提。新技術的應用往往伴隨著風險，對于模型應用本身，人工智能在算法歧視、模型可解釋性方面仍存在一定挑戰；對于金融對客服務，商業銀行應用人工智能還需要面對數據安全與生產運行等多方面的挑戰。銀行是經營風險的行業，確保安全可控是人工智能規模化、深度化應用的前提基礎。一是維護好模型安全。在模型的訓練和部署過程中，應實施嚴格的安全評估，特別是要有效應對大模型“幻覺”“偏見”等新問題，模型“可解釋、可審計”是大模型能對客服務的前提，要確保始終輸出正確的內容與價值觀。二是保證好數據安全。金融數據的敏感性、私密性要求銀行必須實現對數據的全面自主可控，不僅要做好用戶關鍵敏感信息的去除或替換，還要保證“數據不出行、模型不聯網”，確保數據使用安全合規。三是強化運營安全。建立人工智能運行的安全監控體系，準確及時開展模型性能監控、異常檢測和攻擊識別，及時發現和響應異常行為。對各類模型算法，應具備多模型部署等安全可控的替代手段，保障人工智能持續運行。

　　人機協同是人工智能的應用范式。人工智能的產生不是要取代人，而是要為人類的生產生活提供輔助和便利。某種意義上，“機器人”更應從“機器+人”的模式理解，人與機器的協同將是未來很長一段時間的人工智能應用范式。我們要正確認識人工智能的發展階段，雖然利用人工智能技術處理銀行業務的精準度已經很高了，但如果要求機器精度都達到100%，現階段的技術可行性不足，實施復雜度與改造成本過高。對于人工智能的“誤差”，在技術手段之外，可通過人工輔助的方式進行彌補，將人工智能定位為助手，“機器處理+人工輔助”將是性價比最高的應用范式。在此基礎上，實現“人機協同”模式，并不需要對既有業務流程或人員崗位進行顛覆性調整，而應“化有形為無形”，基于“作業即標注、作業即提示”的流程設計理念，實現業務流程從面向用戶向面向“用戶+AI”的轉型升級。一方面，做到“冷啟動”，通過統一數據加工、標注和增強規范與工具，快速沉淀高質量數據集，以滿足從0到1啟動模型的數據準備要求。另一方面，做到“熱循環”，將數據采集和標注、提示詞、知識庫更新等嵌入日常作業流程中，隨用戶行為與業務流程實時化、自動化完成數據采集、更新、反饋，滿足模型持續迭代的數據需求。

　　做好人工智能深度應用的各項準備

　　深化人工智能應用不可能一蹴而就，智慧銀行建設也不可能畢其功于一役，打造數字化時代下的智慧銀行，要堅持應用為導向，聚焦場景、流程、組織、數據、模型和技術等核心要素完成能力準備與體系落地，體系化布局與落地人工智能全域能力。

　　做好業務準備，建立“AI+”的業務基礎。人工智能應用的核心目標是提升業務價值，統一“AI+”應用的業務框架，聚焦場景準入、流程再造、持續運營等方面，完成業務能力構建與準備。一是審慎開展“AI+”場景準入。建立場景準入的規范與標準，通過精細化度量指標與手段，準確識別AI應用的價值提升方向，提升內部運營與客戶服務效率，實現多、快、好、省、準的金融服務。二是加快推動勞動組合、作業模式與業務流程的適應性調整。主動適應AI等新技術應用對業務流程帶來的變化，強化“機器處理+人工輔助”的業務與信息流閉環，將數據采集、標注、更新、回收等工作嵌入日常作業中。三是完善AI應用持續運營機制。建立高效穩定的業務運營團隊，形成業務自運營閉環，建立清晰明確且可量化的評價體系，開展AI應用運營的動態評估。

　　做好數據準備，建立全生命周期數據閉環。數據是人工智能應用的基礎，沒有高質量數據，就沒有高質量模型。要統一“AI+”應用的數據與知識框架，面向“AI+”應用開展全領域、深層次、多維度的數據整合、經驗提煉和知識萃取。一是實施數據工程，積累高質量數據。一方面，“量”上要進一步豐富數據規模。不僅要有財務數據、交易數據等，更要有廣泛的行為數據、溝通數據等多模態數據，通過全流程埋點完成全鏈路數據的自動化采集，加強多渠道數據整合。另一方面，“質”上要統一“用數”的標準、結構與規范。從源頭完善數據采集、錄入、傳輸等環節的校驗規則，建立以數據寬表為核心的“用數”體系，提供比“原材料”更加規范、清晰、易用的“預制菜”。二是實施知識工程，構建高水平知識庫。第一，系統規劃面客知識體系，繪制知識地圖，建立完整的面客知識管理與知識共建機制，組織全業務條線共同參與領域知識建設。第二，以知識“保鮮”為核心，建立知識生成、積累、管理與更新的流程閉環。形成知識持續產生、更新和反饋機制，將知識入庫、訪問、更新和下線固化在應用系統和工作流中，在新產品及其系統上線時，同步完成配套知識庫上線。第三，建立一套全面、客觀的知識評價機制，形成暢通、高效的知識反饋體系。

　　做好技術準備，建立適配AI應用的IT架構。高效穩定的AI技術體系是人工智能應用的支撐，要統一“AI+”應用的技術架構，建立高效集約的AI算力基礎設施，實施面向“數據+模型”驅動的IT架構轉型升級。一是建設新一代AI智能算力基礎設施。順應智能化算力發展趨勢，構建適配“AI+”應用的AI算力集群和高速可靠的網絡基礎設施，不斷提升AI算力密度及效能水平。匹配業務彈性需求，形成AI算力資源測算、保障和調度機制，進一步完善AI算力生態，加快推進模型算法、平臺框架、算力芯片的多元異構與兼容適配。二是建設“數據+模型”驅動的IT架構。一方面，系統架構要支撐數據閉環。基于DataOps體系，圍繞“采、建、用、管”數據閉環，支持應用系統對模型和數據的持續迭代，形成飛輪機制。另一方面，系統架構要支撐模型閉環。參照MLOps理念，構建模型訓練、管理、部署、運行、應用閉環體系，提升AI研發運營效能。

　　做好模型管理，建立模型全生命周期管理體系。統一“AI+”應用的模型體系，完善模型全生命周期管理，推動高水平模型的開發和應用，促進模型質量和應用效率提升。一是加快模型組合升級。推進從簡單應用規則模型向機器學習、深度學習等算法的組合應用轉型，提升模型的通用性、擴展性、穩健性。在建模中，要保留過程文件和數據，確保模型可解釋、可審計。二是加強模型多策略部署及持續運營。根據模型業務領域特點及模型變更程度，靈活選擇敏捷、常規等部署方式，對迭代速度要求高的模型實現零停機部署。同時，模型部署要同步上線模型監控能力，用量化指標監控模型執行過程和業務效果，及時發現數據漂移、模型衰退等問題，第一時間更新或完善模型，降低對業務的影響。

　　做好人員準備，建設高水平的AI人才隊伍。建立與人工智能深層次、高水平應用相適配的人才隊伍。商業銀行落地好“AI+”項目，一方面，要建立業務、數據、技術共同參與的項目融合團隊，精準匹配與響應“AI+”項目實施的多樣化能力需求。另一方面，對AI深化應用帶來的數據標注、模型訓練、知識管理等新工作需求，可立足現有人員崗位，由業務專家和運營人員承擔數據標注、知識管理職責，由數據分析師和研發人員承擔模型訓練職責，通過配套隊伍建設與人員培養實現能力補齊。

　　結語

　　面向數字時代，農業銀行將堅持科技是第一生產力，堅持創新驅動發展，做好數字金融大文章，在風險管控、客戶營銷、產品創新、管理決策等領域發力做實人工智能應用，通過場景建設牽引沉淀能力體系與方法論，全面推進數字化時代下的智慧銀行建設。通過建立“數據+算法”驅動的業務經營管理新模式，實現客戶洞察更加精準、經營管理更加高效、勞動生產率大幅提高、服務水平明顯提升、客戶用戶體驗友好親切，為業務高質量發展奠定堅實的數字化與智能化基礎。

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：張文