大模型在金融行业的落地探索.pdf

-----------------------------------------◆-----------------------------------------大模型在金融行业的落地探索祝世虎CONTENTS目录数字化转型助力大模型055金融机构眼中的大模型技术04大合作、大创新、大共存02大数据、大模型、大风控01关注问题：后发劣势、可解释性、社会智能等03数据信托助理大模型06大模型治理07CONTENTS01大数据、大模型、大风控数据概念辨析01数据标签特征信息数据加工用途加工人脑1.概念辨析：数据、标签、特征、信息2.信息的贡献度：数据>>模型3.数据与大数据的辨析：直接数据与间接数据3.1大数据、大模型、大风控01大模型定义•《自然-机器智能》将大模型定义为网络参数规模达到亿级以上的“预训练深度学习算法”•大模型通过海量数据的训练学习，具备了强大的语言理解和表达、思维链推理等能力，在文本图像理解、内容生成等AI任务表现出显著优势和巨大潜力大模型的“智能类型”•大模型通过文本语言等训练的模型，是一种感知智能，不是决策智能，更不是计算智能•感知智能：基于Bayes公式•决策智能：基于先验概率•计算智能：基于计算公式大模型是一种生产力的提升“电力——智力”•我们必须跟随时代潮流，逆潮流必然被淘汰•敌对的人：不屑——坚决——限制——迷茫•友好的人：好奇——尝试——学习——使用大模型与传统模型的未来趋势：由共存到超越•先共存：受制于计算复杂度高、可解释性差等问题，大模型会与传统模型会共存；•共存方式：大模型为中控，可解释性模型为外围•后超越：随着大模型复杂度降低、可解释性增强，大模型将逐步替代传统模型3.1大数据、大模型、大风控011要点2要点3要点智能风控：•能够精准计量风控•风险、利润、客户的最优化管理是一个体系，是为银行战略服务•客户主标尺•风险主标尺智能风控大风控不是传统的“全面风险管理”不仅仅是体系化：•风险传播体系•数据模型体系技术实现（下一代）：传播的刻画I传统风控传统风控•认为风险就是不确定性•用流程管控风险•用资本抵补来管理风险•模型、压力测试等均为工具“场景之外”风险“场景本身”风险“场景之内”风险客户本身风险客户信用风险客户欺诈风险场景级别风险场景经营风险场景欺诈风险场景交易风险场景客群偏差风险场景特定风险宏观级别风险场景集中度风险场景“逆周期”风险场景“灰犀牛”风险场景“战略违约”风险传导机制：还款意愿小尺度风险大尺度风险系统性：大尺度和小尺度之间存在关系复杂性：由小尺度数据特征的动态非线性和随机关联可解释性：传播因子（阻碍因子）、传播路径《SCIembAI—跨尺度系统智能》介尺度的多模态建模方法CONTENTS02大合作、大创新、大共存大合作02金融业的AI公司银行与AI公司合作开发适合自己的大模型头部AI公司基础大模型金融业/银行业大模型任务大模型大数据整合：•银行内部大数据的整合•银行外部大数据的补充大算力合作：•非核心竞争力的专业能力一定要外包•云上大模型实现垂直领域的精调模型•迁移大模型能力•结合行内大数据与知识库•以银行的小规模算力打造轻量级推理模型（精调模型）大合作大创新02智能风控、反欺诈、反洗钱智能OA智能写文稿智能运营其他垂直领域的金融应用弱化人类情感投资分析与预测责任客服VS非责任客户保险公司的产品推荐提升客户粘性智能客服机器人标注样本写代码写算法环境感知大共存02大共存由共存到超越共存：大模型随通用能力增强，将逐步超越传统模型的能力，但受制于计算复杂度高、可解释性差等问题，短期内，大模型和传统模型会共存。共存方式：大模型可作为中控，将传统模型作为技能进行调用。超越：随着若大模型计算复杂度降低、可解释性增强，综合性价比来看，大模型将逐步替代传统模型CONTENTS03关注问题：1.后发劣势2.可解释性3.社会智能4.“类征信”避免“后发劣势陷阱”03数据基础要“俯首甘为孺子牛”，做大量的、耗时间的的数据工作，以实现对模型的效能的提升要“横眉冷对千夫指”，要做革命性的、基础性的科技改造来实现业务全流程的互联互通，进而实现对业务的敏捷支持科技整合要“甘做无名英雄”，逐...