來源：銀行家雜志

　　習(xí)近平總書記指出，“人工智能是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力量，將對全球經(jīng)濟(jì)社會發(fā)展和人類文明進(jìn)步產(chǎn)生深遠(yuǎn)影響?！碑?dāng)前，國內(nèi)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(shù)為代表的新質(zhì)生產(chǎn)力，深入發(fā)掘數(shù)據(jù)要素價(jià)值，推進(jìn)商業(yè)銀行“數(shù)字化+智能化”轉(zhuǎn)型進(jìn)入新階段，讓金融服務(wù)惠及廣大人民群眾，推動服務(wù)實(shí)體經(jīng)濟(jì)高質(zhì)量發(fā)展。

　　過去幾年，農(nóng)業(yè)銀行搭建了數(shù)字化轉(zhuǎn)型的基本框架。在初步實(shí)現(xiàn)數(shù)字化金融服務(wù)的基礎(chǔ)上，要積極擁抱人工智能（AI）技術(shù)，建設(shè)人工智能與銀行領(lǐng)域深度融合的智慧銀行，全面提升內(nèi)部運(yùn)營與對客服務(wù)效率，就需要形成完備的智慧銀行建設(shè)方法論與實(shí)施路徑。對此，農(nóng)業(yè)銀行以業(yè)務(wù)目標(biāo)為驅(qū)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(shù)等人工智能應(yīng)用的核心要素，探索建立商業(yè)銀行全面、深度應(yīng)用人工智能的能力體系與應(yīng)用范式，不斷優(yōu)化調(diào)整銀行經(jīng)營的勞動組合、流程制度、管理體制等，構(gòu)建數(shù)字時(shí)代以人工智能技術(shù)為核心驅(qū)動的智慧銀行。

　　積極應(yīng)對銀行數(shù)字化轉(zhuǎn)型的新挑戰(zhàn)

　　數(shù)字化轉(zhuǎn)型是智能化改造的前提基礎(chǔ)，銀行業(yè)作為數(shù)字化轉(zhuǎn)型的先鋒，在建設(shè)智慧銀行的新階段，面臨著技術(shù)基礎(chǔ)、數(shù)據(jù)基礎(chǔ)、業(yè)務(wù)模式等變化帶來的新挑戰(zhàn)，轉(zhuǎn)型仍在路上。

　　智慧銀行依賴IT架構(gòu)變革。隨著AI的蓬勃發(fā)展，深化人工智能應(yīng)用已成為數(shù)字化時(shí)代下銀行業(yè)創(chuàng)新和發(fā)展的關(guān)鍵驅(qū)動力。無論是傳統(tǒng)的決策式AI還是新興的生成式AI，本質(zhì)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?gòu)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A(yù)I軟硬件產(chǎn)品，而應(yīng)重點(diǎn)思考如何調(diào)整與適配自身的IT架構(gòu)，從產(chǎn)品、技術(shù)棧、團(tuán)隊(duì)、基礎(chǔ)設(shè)施、數(shù)據(jù)等方面進(jìn)行評估與準(zhǔn)備，體系化落地AI技術(shù)能力。在基礎(chǔ)設(shè)施上，需要思考如何從通用算力體系，向“通用+智能”算力相結(jié)合的基礎(chǔ)架構(gòu)轉(zhuǎn)型，構(gòu)建自主可控、動態(tài)伸縮、敏捷調(diào)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(wù)邏輯、流程功能的研發(fā)模式，轉(zhuǎn)變?yōu)闃?gòu)建“代碼+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(shè)計(jì)應(yīng)用系統(tǒng)架構(gòu)。

　　智慧銀行依賴高質(zhì)量數(shù)據(jù)供給。傳統(tǒng)AI模型關(guān)注算法能力，隨著大模型的發(fā)展，深度應(yīng)用人工智能反映出更加迫切的高質(zhì)量數(shù)據(jù)需求。當(dāng)前，大模型能呈現(xiàn)不同于傳統(tǒng)深度學(xué)習(xí)的“智慧涌現(xiàn)”，主要依賴于海量的高質(zhì)量數(shù)據(jù)“投喂”，而不是算法結(jié)構(gòu)上的顛覆式變革。銀行業(yè)經(jīng)過多年的信息化建設(shè)，積累了大量結(jié)構(gòu)化數(shù)據(jù)及相關(guān)數(shù)據(jù)處理經(jīng)驗(yàn)，但建設(shè)智慧銀行，在數(shù)據(jù)的“量”和“質(zhì)”上還遠(yuǎn)遠(yuǎn)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(wù)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(zhì)量仍需持續(xù)提升。當(dāng)前，銀行在業(yè)務(wù)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(yùn)行還需要額外實(shí)施數(shù)據(jù)標(biāo)注等處理。模型只有快速處理最新數(shù)據(jù)、實(shí)時(shí)獲取用戶反饋、在線驗(yàn)證模型結(jié)果，才能快速優(yōu)化迭代，保障應(yīng)用效果。

　　智慧銀行依賴業(yè)務(wù)模式調(diào)整適配。隨著數(shù)字化轉(zhuǎn)型的推進(jìn)，商業(yè)銀行通過“數(shù)據(jù)+算法”驅(qū)動業(yè)務(wù)數(shù)字化進(jìn)程，人工智能技術(shù)也很早就介入到相應(yīng)的業(yè)務(wù)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(jī)器判斷”。隨著人工智能應(yīng)用的不斷深入，場景和技術(shù)的融合匹配問題更加突出，人工智能技術(shù)與傳統(tǒng)作業(yè)模式并非簡單的替換關(guān)系。對此，銀行的業(yè)務(wù)經(jīng)營與對客服務(wù)模式要進(jìn)行適應(yīng)性調(diào)整升級，特別是深入思考并準(zhǔn)確理解“人機(jī)協(xié)同”，重新審視業(yè)務(wù)規(guī)則和組織機(jī)制，將人工智能應(yīng)用逐步滲透進(jìn)業(yè)務(wù)鏈條，設(shè)計(jì)出更靈活、更高效的智慧化金融服務(wù)產(chǎn)品。面向智慧銀行建設(shè)，我們不能再將人工智能與業(yè)務(wù)看作是“點(diǎn)”上賦能關(guān)系，而是要基于人工智能的應(yīng)用特點(diǎn)，串聯(lián)起業(yè)務(wù)間的聯(lián)系，在數(shù)據(jù)基礎(chǔ)、管理會計(jì)、流程機(jī)制、技術(shù)架構(gòu)等領(lǐng)域有效應(yīng)用人工智能技術(shù)，提升各基礎(chǔ)領(lǐng)域的作業(yè)效率和質(zhì)量。

　　正確認(rèn)識銀行人工智能的應(yīng)用模式

　　從早期的通過統(tǒng)計(jì)分析得到的商業(yè)智能應(yīng)用，到對已有數(shù)據(jù)“打標(biāo)簽”助力輔助或自動化決策，再到當(dāng)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(shù)推進(jìn)業(yè)務(wù)創(chuàng)新。但人工智能技術(shù)具有多路線迭代、應(yīng)用孵化具有高不確定性、發(fā)展具有高成長性特點(diǎn)，合理布局商業(yè)銀行人工智能應(yīng)用、關(guān)注人工智能安全、強(qiáng)化人機(jī)協(xié)同是未來商業(yè)銀行需要形成的人工智能應(yīng)用的關(guān)鍵認(rèn)識。

　　合理布局人工智能在商業(yè)銀行的應(yīng)用。當(dāng)前，商業(yè)銀行要正確認(rèn)識決策式與生成式AI，合理制定應(yīng)用策略。一方面，決策式AI在銀行業(yè)有巨大應(yīng)用空間，仍是人工智能應(yīng)用的主流。如人臉識別、語音識別、OCR等技術(shù)相對成熟，應(yīng)用場景豐富且試錯成本低，值得進(jìn)一步推廣應(yīng)用。另一方面，生成式AI技術(shù)路線仍在持續(xù)迭代，應(yīng)用場景仍在逐步探索，實(shí)施路徑仍待持續(xù)完善。未來，面對復(fù)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(shí)現(xiàn)支撐服務(wù)。人工智能的深度應(yīng)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(yīng)用的適宜場景，有效釋放價(jià)值。一是選擇“坑少”的場景，把人工智能技術(shù)最先應(yīng)用于成熟的場景中，不斷積累應(yīng)用經(jīng)驗(yàn)，推動技術(shù)成熟度持續(xù)提升。二是選擇“本小”的應(yīng)用模式，為新技術(shù)應(yīng)用提供試錯的空間，避免因?yàn)槌翛]成本的積累，造成“船大難掉頭”的局面。三是選擇“利大”的服務(wù)效果，新技術(shù)應(yīng)用的基本目的就是要提升服務(wù)的質(zhì)效，要將人工智能對客戶和用戶的服務(wù)質(zhì)效提升擺在首位。

　　安全合規(guī)是人工智能應(yīng)用的前提。新技術(shù)的應(yīng)用往往伴隨著風(fēng)險(xiǎn)，對于模型應(yīng)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(wù)，商業(yè)銀行應(yīng)用人工智能還需要面對數(shù)據(jù)安全與生產(chǎn)運(yùn)行等多方面的挑戰(zhàn)。銀行是經(jīng)營風(fēng)險(xiǎn)的行業(yè)，確保安全可控是人工智能規(guī)模化、深度化應(yīng)用的前提基礎(chǔ)。一是維護(hù)好模型安全。在模型的訓(xùn)練和部署過程中，應(yīng)實(shí)施嚴(yán)格的安全評估，特別是要有效應(yīng)對大模型“幻覺”“偏見”等新問題，模型“可解釋、可審計(jì)”是大模型能對客服務(wù)的前提，要確保始終輸出正確的內(nèi)容與價(jià)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(shí)現(xiàn)對數(shù)據(jù)的全面自主可控，不僅要做好用戶關(guān)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(wǎng)”，確保數(shù)據(jù)使用安全合規(guī)。三是強(qiáng)化運(yùn)營安全。建立人工智能運(yùn)行的安全監(jiān)控體系，準(zhǔn)確及時(shí)開展模型性能監(jiān)控、異常檢測和攻擊識別，及時(shí)發(fā)現(xiàn)和響應(yīng)異常行為。對各類模型算法，應(yīng)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(yùn)行。

　　人機(jī)協(xié)同是人工智能的應(yīng)用范式。人工智能的產(chǎn)生不是要取代人，而是要為人類的生產(chǎn)生活提供輔助和便利。某種意義上，“機(jī)器人”更應(yīng)從“機(jī)器+人”的模式理解，人與機(jī)器的協(xié)同將是未來很長一段時(shí)間的人工智能應(yīng)用范式。我們要正確認(rèn)識人工智能的發(fā)展階段，雖然利用人工智能技術(shù)處理銀行業(yè)務(wù)的精準(zhǔn)度已經(jīng)很高了，但如果要求機(jī)器精度都達(dá)到100%，現(xiàn)階段的技術(shù)可行性不足，實(shí)施復(fù)雜度與改造成本過高。對于人工智能的“誤差”，在技術(shù)手段之外，可通過人工輔助的方式進(jìn)行彌補(bǔ)，將人工智能定位為助手，“機(jī)器處理+人工輔助”將是性價(jià)比最高的應(yīng)用范式。在此基礎(chǔ)上，實(shí)現(xiàn)“人機(jī)協(xié)同”模式，并不需要對既有業(yè)務(wù)流程或人員崗位進(jìn)行顛覆性調(diào)整，而應(yīng)“化有形為無形”，基于“作業(yè)即標(biāo)注、作業(yè)即提示”的流程設(shè)計(jì)理念，實(shí)現(xiàn)業(yè)務(wù)流程從面向用戶向面向“用戶+AI”的轉(zhuǎn)型升級。一方面，做到“冷啟動”，通過統(tǒng)一數(shù)據(jù)加工、標(biāo)注和增強(qiáng)規(guī)范與工具，快速沉淀高質(zhì)量數(shù)據(jù)集，以滿足從0到1啟動模型的數(shù)據(jù)準(zhǔn)備要求。另一方面，做到“熱循環(huán)”，將數(shù)據(jù)采集和標(biāo)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(wù)流程實(shí)時(shí)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(yīng)用的各項(xiàng)準(zhǔn)備

　　深化人工智能應(yīng)用不可能一蹴而就，智慧銀行建設(shè)也不可能畢其功于一役，打造數(shù)字化時(shí)代下的智慧銀行，要堅(jiān)持應(yīng)用為導(dǎo)向，聚焦場景、流程、組織、數(shù)據(jù)、模型和技術(shù)等核心要素完成能力準(zhǔn)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(wù)準(zhǔn)備，建立“AI+”的業(yè)務(wù)基礎(chǔ)。人工智能應(yīng)用的核心目標(biāo)是提升業(yè)務(wù)價(jià)值，統(tǒng)一“AI+”應(yīng)用的業(yè)務(wù)框架，聚焦場景準(zhǔn)入、流程再造、持續(xù)運(yùn)營等方面，完成業(yè)務(wù)能力構(gòu)建與準(zhǔn)備。一是審慎開展“AI+”場景準(zhǔn)入。建立場景準(zhǔn)入的規(guī)范與標(biāo)準(zhǔn)，通過精細(xì)化度量指標(biāo)與手段，準(zhǔn)確識別AI應(yīng)用的價(jià)值提升方向，提升內(nèi)部運(yùn)營與客戶服務(wù)效率，實(shí)現(xiàn)多、快、好、省、準(zhǔn)的金融服務(wù)。二是加快推動勞動組合、作業(yè)模式與業(yè)務(wù)流程的適應(yīng)性調(diào)整。主動適應(yīng)AI等新技術(shù)應(yīng)用對業(yè)務(wù)流程帶來的變化，強(qiáng)化“機(jī)器處理+人工輔助”的業(yè)務(wù)與信息流閉環(huán)，將數(shù)據(jù)采集、標(biāo)注、更新、回收等工作嵌入日常作業(yè)中。三是完善AI應(yīng)用持續(xù)運(yùn)營機(jī)制。建立高效穩(wěn)定的業(yè)務(wù)運(yùn)營團(tuán)隊(duì)，形成業(yè)務(wù)自運(yùn)營閉環(huán)，建立清晰明確且可量化的評價(jià)體系，開展AI應(yīng)用運(yùn)營的動態(tài)評估。

　　做好數(shù)據(jù)準(zhǔn)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(yīng)用的基礎(chǔ)，沒有高質(zhì)量數(shù)據(jù)，就沒有高質(zhì)量模型。要統(tǒng)一“AI+”應(yīng)用的數(shù)據(jù)與知識框架，面向“AI+”應(yīng)用開展全領(lǐng)域、深層次、多維度的數(shù)據(jù)整合、經(jīng)驗(yàn)提煉和知識萃取。一是實(shí)施數(shù)據(jù)工程，積累高質(zhì)量數(shù)據(jù)。一方面，“量”上要進(jìn)一步豐富數(shù)據(jù)規(guī)模。不僅要有財(cái)務(wù)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(diǎn)完成全鏈路數(shù)據(jù)的自動化采集，加強(qiáng)多渠道數(shù)據(jù)整合。另一方面，“質(zhì)”上要統(tǒng)一“用數(shù)”的標(biāo)準(zhǔn)、結(jié)構(gòu)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(yàn)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(yù)制菜”。二是實(shí)施知識工程，構(gòu)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(jī)制，組織全業(yè)務(wù)條線共同參與領(lǐng)域知識建設(shè)。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(chǎn)生、更新和反饋機(jī)制，將知識入庫、訪問、更新和下線固化在應(yīng)用系統(tǒng)和工作流中，在新產(chǎn)品及其系統(tǒng)上線時(shí)，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(jià)機(jī)制，形成暢通、高效的知識反饋體系。

　　做好技術(shù)準(zhǔn)備，建立適配AI應(yīng)用的IT架構(gòu)。高效穩(wěn)定的AI技術(shù)體系是人工智能應(yīng)用的支撐，要統(tǒng)一“AI+”應(yīng)用的技術(shù)架構(gòu)，建立高效集約的AI算力基礎(chǔ)設(shè)施，實(shí)施面向“數(shù)據(jù)+模型”驅(qū)動的IT架構(gòu)轉(zhuǎn)型升級。一是建設(shè)新一代AI智能算力基礎(chǔ)設(shè)施。順應(yīng)智能化算力發(fā)展趨勢，構(gòu)建適配“AI+”應(yīng)用的AI算力集群和高速可靠的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，不斷提升AI算力密度及效能水平。匹配業(yè)務(wù)彈性需求，形成AI算力資源測算、保障和調(diào)度機(jī)制，進(jìn)一步完善AI算力生態(tài)，加快推進(jìn)模型算法、平臺框架、算力芯片的多元異構(gòu)與兼容適配。二是建設(shè)“數(shù)據(jù)+模型”驅(qū)動的IT架構(gòu)。一方面，系統(tǒng)架構(gòu)要支撐數(shù)據(jù)閉環(huán)?；贒ataOps體系，圍繞“采、建、用、管”數(shù)據(jù)閉環(huán)，支持應(yīng)用系統(tǒng)對模型和數(shù)據(jù)的持續(xù)迭代，形成飛輪機(jī)制。另一方面，系統(tǒng)架構(gòu)要支撐模型閉環(huán)。參照MLOps理念，構(gòu)建模型訓(xùn)練、管理、部署、運(yùn)行、應(yīng)用閉環(huán)體系，提升AI研發(fā)運(yùn)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(yīng)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(yīng)用，促進(jìn)模型質(zhì)量和應(yīng)用效率提升。一是加快模型組合升級。推進(jìn)從簡單應(yīng)用規(guī)則模型向機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等算法的組合應(yīng)用轉(zhuǎn)型，提升模型的通用性、擴(kuò)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(jì)。二是加強(qiáng)模型多策略部署及持續(xù)運(yùn)營。根據(jù)模型業(yè)務(wù)領(lǐng)域特點(diǎn)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(shí)現(xiàn)零停機(jī)部署。同時(shí)，模型部署要同步上線模型監(jiān)控能力，用量化指標(biāo)監(jiān)控模型執(zhí)行過程和業(yè)務(wù)效果，及時(shí)發(fā)現(xiàn)數(shù)據(jù)漂移、模型衰退等問題，第一時(shí)間更新或完善模型，降低對業(yè)務(wù)的影響。

　　做好人員準(zhǔn)備，建設(shè)高水平的AI人才隊(duì)伍。建立與人工智能深層次、高水平應(yīng)用相適配的人才隊(duì)伍。商業(yè)銀行落地好“AI+”項(xiàng)目，一方面，要建立業(yè)務(wù)、數(shù)據(jù)、技術(shù)共同參與的項(xiàng)目融合團(tuán)隊(duì)，精準(zhǔn)匹配與響應(yīng)“AI+”項(xiàng)目實(shí)施的多樣化能力需求。另一方面，對AI深化應(yīng)用帶來的數(shù)據(jù)標(biāo)注、模型訓(xùn)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(wù)專家和運(yùn)營人員承擔(dān)數(shù)據(jù)標(biāo)注、知識管理職責(zé)，由數(shù)據(jù)分析師和研發(fā)人員承擔(dān)模型訓(xùn)練職責(zé)，通過配套隊(duì)伍建設(shè)與人員培養(yǎng)實(shí)現(xiàn)能力補(bǔ)齊。

　　結(jié)語

　　面向數(shù)字時(shí)代，農(nóng)業(yè)銀行將堅(jiān)持科技是第一生產(chǎn)力，堅(jiān)持創(chuàng)新驅(qū)動發(fā)展，做好數(shù)字金融大文章，在風(fēng)險(xiǎn)管控、客戶營銷、產(chǎn)品創(chuàng)新、管理決策等領(lǐng)域發(fā)力做實(shí)人工智能應(yīng)用，通過場景建設(shè)牽引沉淀能力體系與方法論，全面推進(jìn)數(shù)字化時(shí)代下的智慧銀行建設(shè)。通過建立“數(shù)據(jù)+算法”驅(qū)動的業(yè)務(wù)經(jīng)營管理新模式，實(shí)現(xiàn)客戶洞察更加精準(zhǔn)、經(jīng)營管理更加高效、勞動生產(chǎn)率大幅提高、服務(wù)水平明顯提升、客戶用戶體驗(yàn)友好親切，為業(yè)務(wù)高質(zhì)量發(fā)展奠定堅(jiān)實(shí)的數(shù)字化與智能化基礎(chǔ)。