基层央行 | 人工智能在银行业智能化发展中的应用前景思考
文 / 中国人民银行大同市分行 张龙龙 田晓宏 温云霞
银行业落实《金融科技发展规划（2022—2025年）》积极探索人工智能技术在金融领域的多场景、多业务条线的应用，刷脸支付、智能投顾、智能客服等服务应运而生。ChatGPT为人工智能在银行业的应用注入了新的活力，为银行业的智能化发展带来了新的机遇和模式。
ChatGPT模型技术应用开展情况
1.ChatGPT技术逻辑。ChatGPT采用了Transformer模型，使用了“人类反馈强化学习”（RLHF）技术，通过学习大量的文本数据，可以进行文本生成、自然语言理解、对话生成、问答等多种任务。其本身是一个已经预训练好的模型，而且已经在大量数据集上进行了训练，因此在不涉及重新训练的情况下，无法自动更新学习。但是，可以通过更新模型的参数或微调模型来使ChatGPT更好地适应特定的应用场景。
2.国内外ChatGPT模型技术应用布局情况。目前，微软已正式推出由GPT模型支持的Bing搜索引擎和Edge浏览器、Copilot等应用，谷歌宣布实验性AI服务Bard。国内阿里巴巴发布类ChatGPT产品，百度已推出类ChatGPT应用——自然语言处理大模型新项目“文心一言”。复旦大学自然语言处理实验室也发布了类ChatGPT模型MOSS。
国内各商业银行也纷纷将目光投向ChatGPT技术，多家银行已选择接入百度“文心一言”项目，加强合作，深入人工智能探索，集成AI核心能力，在银行业开展类ChatGPT技术应用试点，将AI技术能力与应用场景进行深度融合开发，进一步提升智能化创新应用效率，拓展金融业务发展空间。
ChatGPT模型技术在
银行业中的应用路径探索
1.与现有金融服务整合，提升金融服务用户体验。ChatGPT是一种能够提供文本对话的AI技术，功能强大，可以提供符合人类思维的对话交流，能以对话的形式提供问题反馈。将ChatGPT模型技术整合到各银行现有平台、系统及服务中，优化用户交互功能和性能，提升服务的易用性和可用性。通过现有服务与该技术的合并及迭代演进，提升对不同大小、格式的结构化和非结构化数据的处理能力，使业务流程不再孤立且不可预测，提高业务处理效率，提升服务质量。良好的用户体验，将不断延伸金融服务触角，拓展金融服务覆盖的深度和广度。
2.智能辅助支撑，提升金融业务质效。一方面通过ChatGPT模型在特定金融数据集上的训练微调，适应定制需求，在不同场景下，针对不同需求给出预测答案，为银行提供有力的决策支撑。例如用于执行银行自身财务分析和预测，通过分析财务数据和不同领域市场趋势，为其提供有关投资决策的建议；用于执行信用评估，通过分析客户的信用历史和收入水平，为银行提供快速准确的信用评估和决策支持，从而能够高效便捷地为客户提供所需的金融服务；用于执行风险管理，帮助银行评估潜在风险，并制定相应的风险管理策略，降低风险损失。另一方面应用ChatGPT技术，取代程序化、流程化的人工工作，缩短流程处理时间，提升业务处理效率，降低人工成本。各银行可以将更多的人力、物力、财力配置在核心事务上，提升金融服务效能。
3.创新服务形式，提供全方位金融服务解决方案。ChatGPT模型技术可以进行自然语言处理和语义理解，其生成式人工智能技术具有强大的内容生成能力。通过ChatGPT模型对金融业务数据的学习、统计、分析，可以生成针对不同客户、不同业务类型、不同业务场景中金融服务需求的金融解决方案。各银行之间以及银行与第三方科技企业之间可合作共建“金融解决方案服务平台”，打造“端到端”金融服务流程，在任何时点，为客户提供最合适的解决方案。
在银行业中应用ChatGPT模型技术
存在的问题
1.不同规模银行之间智能化发展不平衡引起马太效应。大数据、云计算、人工智能、物联网等新兴技术为银行业金融机构的智能化发展和金融服务的创新提供了有力的支撑，但是这些技术的应用往往并不是相互独立的。一个智能系统的构建需要多种技术的融合，任何一种技术应用短板都将一定程度上影响一个完整系统的智能化发展程度。随着金融科技的不断发展，各银行在IT基础设施建设、数字资源管理应用、新技术应用等方面不断探索发展，数字化、智能化水平不断提升。但规模不同的银行之间发展存在不平衡，一般国有商业银行的金融科技发展水平较高，中小型银行相对来说金融科技发展较缓。因受地域、资金、人员等方面的影响，多数中小型银行金融科技建设自身基础能力薄弱。规模较小的农商行、城商行和村镇银行对于业务的发展需求，多依靠于第三方托管机构“SaaS”形式的服务实现。对于数据的存储及管理也大部分托管于第三方托管机构，并没有直接参与数据的管理及应用。这些现状一定程度上制约了中小型银行对ChatGPT模型技术应用的深度和广度，与大型商业银行智能化的差距将会逐渐拉大。
2.数据对中小型银行智能化发展的制约将逐步凸显。“算力+数据+模型”是人工智能发展的三大要素，其中大数据是人工智能的重要基础，人工智能想要完成最终的学习和决策，必须依托数据的支撑。ChatGPT模型是一种预训练模型，为了更好地满足一些金融服务的特定需求，需要通过在特定的金融数据集上进行训练微调。而中小型银行尤其是城商行、农商行和村镇银行在数据的管理及应用中存在短板。一方面因其多采用第三方托管方式，往往对数据没有直接的、主动的管理，对数据管理的各个环节没有一个全面的掌握，且数据的使用、应用一定程度上受制于第三方托管机构。另一方面，没有对数据进行有效的处理和优化，数据的质量不高，降低了对ChatGPT模型的适应性，从而影响应用效果。
3.ChatGPT模型应用训练数据集选取粒度暗藏风险。ChatGPT模型是一种能够不断迭代、增量式的深度学习模型，通过新的训练数据集以及与人的交互不断地获取信息，将会生成更加准确、有用、全面的内容。金融数据中含有大量对安全性保护有较高要求的敏感数据。当选取数据集的粒度太粗或选取的两个粒度的数据集之间存在交集时，利用ChatGPT模型在这些数据集上进行任务训练时，加之人为的参与，可能会生成一些敏感信息，从而造成数据泄露的风险。
进一步发挥人工智能赋能银行业
智能化发展的对策建议
1.搭建API合作平台，加强银行间纵向合作，打造银行业人工智能应用生态圈。通常大型银行自身有较强的金融科技开展基础能力，其自身或与第三方科技企业合作应用ChatGPT模型技术时更容易产生金融服务创新，而各类型银行所开展的业务类型、服务的客户类型、人工智能应用的场景等方面都存在一些相同之处，积累的金融数据有一部分具有共同特征。可以在通用业务领域搭建ChatGPT模型应用API平台，与自身金融科技基础薄弱的中小型银行共享服务API，缩小银行间智能化发展差距，同时提升ChatGPT技术应用的便捷性和可扩展性。
2.建立数据协同共建机制，释放数据要素效能。对于采取第三方托管方式的中小型银行，可建立数据协同共建机制，明确银行和第三方托管机构在数据全生命周期管理中的责任，控好数据应用风险。中小型银行是金融数据的管理主体，应建立覆盖金融数据收集、处理、应用的全流程管理制度，明确金融数据管理范围、管理职责及应用流程，结合客户实际需求和服务应用场景，制定“数据+人工智能”应用需求规划。第三方托管机构侧重对金融数据的安全性管理、优化和应用，结合中小型银行数据管理制度和数据应用要求，规范、合理地应用人工智能技术，充分发掘金融数据蕴含价值。
3.制定金融数据应用规范，筑牢人工智能应用基础。根据金融数据自身特点，从数据应用的场景、业务类型及业务功能要求等角度，依据最小够用、最小必要原则，制定金融数据应用规范，合理规划金融数据应用范围，明确金融数据应用安全性要求，明确金融数据应用中各方参与者的作用及职责，保障金融数据应用的合规性、安全性，从而提升金融数据的应用效率。
4.建立和完善人工智能应用安全风险管理体系，提升人工智能应用的风险防控水平。人工智能与金融的融合发展有力推动了金融机构的数字化转型和金融服务创新，但也带来了复杂多样的伦理问题、算法安全问题、数据安全问题等。近两年来，人民银行相继出台了《人工智能算法金融应用评价规范》《金融数据安全数据生命周期安全规范》和《金融领域科技伦理指引》等规范和指引，从多个方面指导和推动金融机构规范、安全地开展人工智能技术应用。银行机构可依照这些规范、指引，构建包含数据、算法、伦理安全等方面的金融领域人工智能应用安全风险管理整体框架，建立和完善覆盖人工智能应用全流程的安全管理制度，建立人工智能应用风险应急预案，加强人工智能在金融领域应用的规范性和安全性，提升风险防控水平。
