讲座回顾 |数智银行：解锁人工智能在银行业的无限潜能

AI in Banking

11月2日，牛国林博士为我们带来了一场关于生成式AI在银行业中应用的生动的讲座，揭开了Banking Data Scientist的神秘面纱，同时解析了在人工智能背景下这项技术在银行业务中的作用及未来发展趋势。

相关阅读：【讲座报名】数智银行：解锁人工智能在银行业的无限潜能

01

概览/Introduction

银行业中的数据科学家的工作有哪些？

银行数据科学家（Banking Data Scientist）主要分为业务端及IT端两大类。牛国林博士作为对公业务端的数据科学家，日常工作大约三成的时间在做分析、建模型，剩下更多的时间则是与业务同事们沟通协作、及了解业务中痛点、共同探讨相应的数据分析解决方案。同时，她为我们简单地介绍了银行工作的两大板块：业务板块及风险板块。她建议同学们如果对在银行工作感兴趣，可以多找到几家自己感兴趣的银行，去到它们的招聘信息页，以此对银行的业务分类、范围、及职位划分进行了解。多对比就能够对整个银行业有更全面的了解。

银行业务三道防线

02

GenAI vs 传统AI

图片来源：https://www.bcg.com/publications/2023/a-genai-roadmap-for-fis

AI的发展到现如今，有两个主流的类别，分别是传统AI及生成式的AI。波士顿咨询在其2023年的报告中，生动地用一幅图片及描述对传统AI及生成式的AI做了进一步的对比和说明。传统AI就像是我们的左脑，擅长结构化的数据处理以及一些特定的任务；生成式人工智能则更像是我们的右脑，可以通过算法及学习去生成一些图片、文字，甚至可以生成音乐和时长较短的视频。传统AI更侧重于深度数据及机器学习方面，生成式的AI则更为‘拟人’。它能够通过机器学习，去‘模仿’我们在现实场景下处理问题的方法，可能它能给到的结果不够完美，但却能够更迅速高效地交付结果。最具有代表性的就是现在的Chat-GPT、豆包等。

03

AI与银行业

1

传统AI在银行业中的应用

识别重要新闻对业务的影响

在处理业务中，我们可以利用传统AI去搜集与业务相关的新闻，去标记不同群组对历史新闻所持的正面及负面情绪，综合预判目前出现新闻对某些业务的风险。为什么是不同群组呢？比如下雨对大部分人来说是一个负面情绪类的新闻，但如果是售卖雨具的商铺，可能对该项新闻的态度会有所不同。

产品营销方面AI也是好帮手

通过收集用户授权的后台数据，AI会根据算法，识别出和该客户类似的群体，以自己为例，可能AI会在后台先给到她比如“母亲”、“港漂”的标签，类比在这些标签下，和她类似人群购买理财产品及风险的偏好，再推荐给到她类似人群中匹配度较高的产品，以此助力客户经理等前线员工建立他们对客户的画像、更好地服务客户。网飞（Netflix）也有类似的模型，通过收到对某类用户所喜欢观影的类别去推荐给其类似用户影片。

网飞（Netflix）模型示例。

图片来源：

https://yellow.systems/blog/recommender-systemsfor-banking-and-financial-services

如何利用AI建立用户评级？

AI在评判用户信用等风险把控领域亦有广泛应用。通过收集中小企业的交易类及非交易类数据的样本，交易类数据例如企业现金流，如果是进出口公司也可以调取海运的物流信息等，非交易类数据例如，是否有专利、用户量、用户活跃度等。待收集好样本，结合例如贷款及还款等历史的数据，建立模型得出行业评价的基准并进行预测。这时候，在大量数据的‘投喂下’AI就可以协助员工，根据客户综合的情况得出一个信用分。但同时，AI也具有局限性：比如，如果是在一个经济下行的周期，那么可能订单量及一些流动性指标会远差于经济上行的周期。那么，当大环境与收集样本的时间区间不一样的时候，所建立的模型就并不能完全适用。因此，AI在应用上还是需要更多人为的干预与把控。

应用AI完成信用评级的示例。

图片来源：https://www.hkma.gov.hk/media/eng/doc/key-functions/financial-infrastructure/alternative_credit_scoring.pdf

检测潜在风险

违规的回圈交易，又称为回转交易，是银行业中需要重点风险防范的违规交易之一。最常见的违规回圈交易有：某个客户在银行做了一笔贷款，后将其通过其他渠道转到他行，并通过后续多次分批及汇集的转账行为以掩盖该笔资金的来源，并最终转回到自己的同名或同集团账户，从而牟取私利。 现在可以通过图数据库（Graph Database）监测到贷款资金流向，发现回圈交易，降低风险。还有利用机器人流程自动化（Robotic Process Automation）这类型的自动化工具协助提取信息。

2

GenAI的使用

Gen AI行业具有巨大的市场潜力，各行各业都在争相投资、探索实际的应用。而在银行业，Gen AI又会对行业带了什么样的助力和变化呢？牛博士打趣着说到，现在银行内部大家都有一种FOMO情绪，即Fearing of Missing Out （害怕错过）。简单的来说，大家都对AI能承担的任务及角色有着一种担心，而这样的担心其实不无道理。生成式AI在算法、算力及数据处理方面相较传统AI上了不止一个层次，对数据处理的能力可以达到千亿量级。但同时，已经成型或者外部开发的AI并不能直接被用于处理银行用户数据等敏感信息，还需要加入内部语料及数据进行处理。

即使Gen AI具有如此强大的数据处理能力，在实际应用中依然不能做到直接面对客户。目前银行业主流的趋势中，Gen AI仍是更多的为银行员工提供帮助，从更大、更全面的数据库中筛选用户信息、分析用户行为，以反馈给像是客户经理一类面对客户的员工，再由员工进行人为的判断后再来对客。

除了应用上的逻辑，牛博士还为同学们分享了一些有趣的案例，如兴业银行提出的用于赋能反洗钱的生成式大模型，以及Gen AI未来发展的方向，并对大家在这个领域内的就业提供了一些思路。

3

银行业中的AI监管

在讲座的最后一个部分，牛博士介绍了AI在银行业中应用的监管问题。她提到，在银行业中，每一个做好的AI模型在投产前都是需要经过银行内部监管团队的审批，各方面符合条件以后才会允许投产。其中需要考虑的因素包括，权威人士的背书、公平性、数据隐私保护及透明性、可靠性等等。如果引入第三方的模型，同样需要全方位去考虑其资质。总的来说，AI的使用是需要层层审查及监管的。牛博士指出，如果一个投入使用的AI模型在运行中出现了差错，必须有人工介入的机制以满足风险缓释的需求。

AI监管中考虑的各项因素。

图片来源：https://www.hkma.gov.hk/media/eng/doc/key-information/guidelines-and-circular/2024/GenAI_research_paper.pdf

AI in Banking

两个多小时干货满满的讲座过后是自由提问环节。面对同学们的提问，牛博士一一耐心解答。将自己工作中遇到的事例及积攒的经验进行分享的同时，也解答了同学们关于赴港就业的疑问。