來源：銀行家雜志

　　習近平總書記指出，“人工智能是新一輪科技革命和產業(yè)變革的重要驅動力量，將對全球經濟社會發(fā)展和人類文明進步產生深遠影響?！碑斍?，國內銀行業(yè)圍繞做好數(shù)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(fā)掘數(shù)據(jù)要素價值，推進商業(yè)銀行“數(shù)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(fā)展。

　　過去幾年，農業(yè)銀行搭建了數(shù)字化轉型的基本框架。在初步實現(xiàn)數(shù)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(yè)銀行以業(yè)務目標為驅動，以科技創(chuàng)新為支撐，體系化布局場景、流程、組織、數(shù)據(jù)、模型和技術等人工智能應用的核心要素，探索建立商業(yè)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(yōu)化調整銀行經營的勞動組合、流程制度、管理體制等，構建數(shù)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(shù)字化轉型的新挑戰(zhàn)

　　數(shù)字化轉型是智能化改造的前提基礎，銀行業(yè)作為數(shù)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(shù)據(jù)基礎、業(yè)務模式等變化帶來的新挑戰(zhàn)，轉型仍在路上。

　　智慧銀行依賴IT架構變革。隨著AI的蓬勃發(fā)展，深化人工智能應用已成為數(shù)字化時代下銀行業(yè)創(chuàng)新和發(fā)展的關鍵驅動力。無論是傳統(tǒng)的決策式AI還是新興的生成式AI，本質上都依賴數(shù)據(jù)、算法和算力的深度與高效融合，這使銀行規(guī)?；瘶嫿ê褪褂萌斯ぶ悄苊媾R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(shù)據(jù)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(tài)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(yè)務邏輯、流程功能的研發(fā)模式，轉變?yōu)闃嫿ā按a+數(shù)據(jù)+模型”相融合的持續(xù)交付能力，并面向數(shù)據(jù)閉環(huán)、模型閉環(huán)設計應用系統(tǒng)架構。

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

　　智慧銀行依賴業(yè)務模式調整適配。隨著數(shù)字化轉型的推進，商業(yè)銀行通過“數(shù)據(jù)+算法”驅動業(yè)務數(shù)字化進程，人工智能技術也很早就介入到相應的業(yè)務中，典型模式是將線下流程直接搬到線上，或部分環(huán)節(jié)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(tǒng)作業(yè)模式并非簡單的替換關系。對此，銀行的業(yè)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(xié)同”，重新審視業(yè)務規(guī)則和組織機制，將人工智能應用逐步滲透進業(yè)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(yè)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(lián)起業(yè)務間的聯(lián)系，在數(shù)據(jù)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(yè)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(tǒng)計分析得到的商業(yè)智能應用，到對已有數(shù)據(jù)“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(yè)銀行不斷利用人工智能技術推進業(yè)務創(chuàng)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(fā)展具有高成長性特點，合理布局商業(yè)銀行人工智能應用、關注人工智能安全、強化人機協(xié)同是未來商業(yè)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(yè)銀行的應用。當前，商業(yè)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(yè)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(xù)迭代，應用場景仍在逐步探索，實施路徑仍待持續(xù)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(xié)同，合力實現(xiàn)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(xù)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(guī)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(zhàn)；對于金融對客服務，商業(yè)銀行應用人工智能還需要面對數(shù)據(jù)安全與生產運行等多方面的挑戰(zhàn)。銀行是經營風險的行業(yè)，確保安全可控是人工智能規(guī)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(shù)據(jù)安全。金融數(shù)據(jù)的敏感性、私密性要求銀行必須實現(xiàn)對數(shù)據(jù)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(shù)據(jù)不出行、模型不聯(lián)網”，確保數(shù)據(jù)使用安全合規(guī)。三是強化運營安全。建立人工智能運行的安全監(jiān)控體系，準確及時開展模型性能監(jiān)控、異常檢測和攻擊識別，及時發(fā)現(xiàn)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(xù)運行。

　　人機協(xié)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(xié)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(fā)展階段，雖然利用人工智能技術處理銀行業(yè)務的精準度已經很高了，但如果要求機器精度都達到100%，現(xiàn)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(xiàn)“人機協(xié)同”模式，并不需要對既有業(yè)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(yè)即標注、作業(yè)即提示”的流程設計理念，實現(xiàn)業(yè)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(tǒng)一數(shù)據(jù)加工、標注和增強規(guī)范與工具，快速沉淀高質量數(shù)據(jù)集，以滿足從0到1啟動模型的數(shù)據(jù)準備要求。另一方面，做到“熱循環(huán)”，將數(shù)據(jù)采集和標注、提示詞、知識庫更新等嵌入日常作業(yè)流程中，隨用戶行為與業(yè)務流程實時化、自動化完成數(shù)據(jù)采集、更新、反饋，滿足模型持續(xù)迭代的數(shù)據(jù)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(shù)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(shù)據(jù)、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(yè)務準備，建立“AI+”的業(yè)務基礎。人工智能應用的核心目標是提升業(yè)務價值，統(tǒng)一“AI+”應用的業(yè)務框架，聚焦場景準入、流程再造、持續(xù)運營等方面，完成業(yè)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(guī)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(xiàn)多、快、好、省、準的金融服務。二是加快推動勞動組合、作業(yè)模式與業(yè)務流程的適應性調整。主動適應AI等新技術應用對業(yè)務流程帶來的變化，強化“機器處理+人工輔助”的業(yè)務與信息流閉環(huán)，將數(shù)據(jù)采集、標注、更新、回收等工作嵌入日常作業(yè)中。三是完善AI應用持續(xù)運營機制。建立高效穩(wěn)定的業(yè)務運營團隊，形成業(yè)務自運營閉環(huán)，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(tài)評估。

　　做好數(shù)據(jù)準備，建立全生命周期數(shù)據(jù)閉環(huán)。數(shù)據(jù)是人工智能應用的基礎，沒有高質量數(shù)據(jù)，就沒有高質量模型。要統(tǒng)一“AI+”應用的數(shù)據(jù)與知識框架，面向“AI+”應用開展全領域、深層次、多維度的數(shù)據(jù)整合、經驗提煉和知識萃取。一是實施數(shù)據(jù)工程，積累高質量數(shù)據(jù)。一方面，“量”上要進一步豐富數(shù)據(jù)規(guī)模。不僅要有財務數(shù)據(jù)、交易數(shù)據(jù)等，更要有廣泛的行為數(shù)據(jù)、溝通數(shù)據(jù)等多模態(tài)數(shù)據(jù)，通過全流程埋點完成全鏈路數(shù)據(jù)的自動化采集，加強多渠道數(shù)據(jù)整合。另一方面，“質”上要統(tǒng)一“用數(shù)”的標準、結構與規(guī)范。從源頭完善數(shù)據(jù)采集、錄入、傳輸?shù)拳h(huán)節(jié)的校驗規(guī)則，建立以數(shù)據(jù)寬表為核心的“用數(shù)”體系，提供比“原材料”更加規(guī)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(tǒng)規(guī)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(yè)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(huán)。形成知識持續(xù)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(tǒng)和工作流中，在新產品及其系統(tǒng)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(wěn)定的AI技術體系是人工智能應用的支撐，要統(tǒng)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(shù)據(jù)+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(fā)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(yè)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(tài)，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(shù)據(jù)+模型”驅動的IT架構。一方面，系統(tǒng)架構要支撐數(shù)據(jù)閉環(huán)。基于DataOps體系，圍繞“采、建、用、管”數(shù)據(jù)閉環(huán)，支持應用系統(tǒng)對模型和數(shù)據(jù)的持續(xù)迭代，形成飛輪機制。另一方面，系統(tǒng)架構要支撐模型閉環(huán)。參照MLOps理念，構建模型訓練、管理、部署、運行、應用閉環(huán)體系，提升AI研發(fā)運營效能。

　　做好模型管理，建立模型全生命周期管理體系。統(tǒng)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(fā)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(guī)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(wěn)健性。在建模中，要保留過程文件和數(shù)據(jù)，確保模型可解釋、可審計。二是加強模型多策略部署及持續(xù)運營。根據(jù)模型業(yè)務領域特點及模型變更程度，靈活選擇敏捷、常規(guī)等部署方式，對迭代速度要求高的模型實現(xiàn)零停機部署。同時，模型部署要同步上線模型監(jiān)控能力，用量化指標監(jiān)控模型執(zhí)行過程和業(yè)務效果，及時發(fā)現(xiàn)數(shù)據(jù)漂移、模型衰退等問題，第一時間更新或完善模型，降低對業(yè)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(yè)銀行落地好“AI+”項目，一方面，要建立業(yè)務、數(shù)據(jù)、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(shù)據(jù)標注、模型訓練、知識管理等新工作需求，可立足現(xiàn)有人員崗位，由業(yè)務專家和運營人員承擔數(shù)據(jù)標注、知識管理職責，由數(shù)據(jù)分析師和研發(fā)人員承擔模型訓練職責，通過配套隊伍建設與人員培養(yǎng)實現(xiàn)能力補齊。

　　結語

　　面向數(shù)字時代，農業(yè)銀行將堅持科技是第一生產力，堅持創(chuàng)新驅動發(fā)展，做好數(shù)字金融大文章，在風險管控、客戶營銷、產品創(chuàng)新、管理決策等領域發(fā)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(shù)字化時代下的智慧銀行建設。通過建立“數(shù)據(jù)+算法”驅動的業(yè)務經營管理新模式，實現(xiàn)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(yè)務高質量發(fā)展奠定堅實的數(shù)字化與智能化基礎。