迈入ChatGPT时代商业银行AI应用的发展趋势分析.docx

《迈入ChatGPT时代商业银行AI应用的发展趋势分析.docx》由会员分享，可在线阅读，更多相关《迈入ChatGPT时代商业银行AI应用的发展趋势分析.docx（10页珍藏版）》请在优知文库上搜索。

1、一、引言随着业务和政策的不断发展，商业银行的业务和管理变得越来越豆杂。为降本增效，利用工具辅助复杂场景,人工智能技术在商业很行领域的应用也日益广泛.其中,大语言模型的应用一亘是业界关注的电点.例如2018年谷歌提出的BERT和OPenAl提出的GPT-I是初代大语言模型的代表作，带动了自然语言处理技术在银行业应用的热潮。而去年11月30日，ChatGPT横空出世后，迅速引起了全球的关注.本文将困绕类ChatGPT模型的特点，介绍并适当探讨银行业对Al场景应用的现状和发展趋势.二、商业银行AI技术(一)现阶段银行业人工智能技术应用方式近几年来，跟着国家数字化转型的浪潮，银行业其实一直在探索Al应

2、用场景.现阶段主要在下面几个场景中应用人工智能技术：(1)风险省理银行利用A】技术来预测信贷违约风睑，并基于这些预测来制定相应的风险管理策略.例如，银行可以使用外部合法的客户风睑信息，结合自身的客户信息和行为交易数据,通过数据分析建模的方法来评估客户的信用评级、财务状况和还款能力，并根据这些数据来决定是否批准贷款申请、或者增加降低其信用额度。针对黑产中介团伙技术强、手段多、后果恶劣的形势，银行还利用Al技术来检测预防黑产欺诈行为.例如，银行可以使用机器学习算法来分析客户的交易历史和行为模式，建立针对账户管理和交易管理的风控模型，更实时地、最大程度地识别可疑的交易.(2)客户自梢在银行向零售银行

3、战略转变的形势下，如何解决长尾客户服务薄弱的问题，智能营销就是大势所趋.这需要里塑数字化营销的方法和系统支建，形成一套有效的、整体的智能模型体系，用于客户智能化全生命周期管理，在客户的各个阶段都能形成精准匹配的营销方案和客户范围.另外,场掘客户的自然佶息和生活场景类数据，持续完善客户画像和智能推荐系统，据此提供全方位、精准的“千人千面”的金融服务和生活服务的推荐。(3)客户服务银行利用Al技术来提商客户服务质量.例如，银行可以使用自然语言处理技术来分析客户的问题和反饿，从而更快速、准确地提供响应和解决方案；利用自然语吉处理技术来建设机器人客服，极大地减少客户等待服务的时间.(4)内管提效在各类

4、智能化技术提高办公自动化程度的带动下，银行业利用Al技术来提高内部员工的办公效率.例如审批流程中通过OCR技术辅助审批员确认材料中的关键指标；又亦如通过N1.P技术识别简历中的关键标签，以此来加快HR们的审批速度等.(二)现阶段银行业人工智能技术应用方式存在的问题尽管现阶段AI已经被广泛应用在了银行业，但其使用和推广依然存在较多困难：(1)缺乏灵活性传统的Al应用通常是基于预设规则和特定数据集进行操作，训练出来的模型仅仅可以处理特定的业务场景，如业务提出需改变业务规则，往往又需要投入大盘人力制造数据查新训练模型.(2)缺乏可算用性由于数据集和规则的定制化，同一类技术往往也无法快速豆制到另一个类

5、似场景中.比如都是使用文本分类技术，信用卡业务应用文本分类技术实现客户留言的快速分类和分发场景的模型就无法直接应用在零住条线。需要业务们更新针对考售业务的客户留言打标后*新训练模型才可以使用，这无形中增加了技术应用成本.(3)缺乏传播能力由于传统Al技术的定制化、非可视化、弱交互性等特性，导致AI技术在侬行业缺乏传播能力。怖业务的人不了解技术，r解技术的人却不j解业务，天然的知识壁垒，使斛如何更好地扩展Al应用场景是银行业普明存在的邃题，三、后ChatGPT时代商业银行Al应用趋势(一)什么是ChatGPT?经业界研究，语言模型的表现往往与其模型大小呈直接关系，即模型越大，效果往往更加优异.而

6、ChatGPT则是由OPenAl开发的一种基于Transformer的大语言模型(1.1.M),其参数量虽未公开，但业界普遍都认为在1750亿以上，是现阶段最大的语言模型之一.它采用了自监督学习方法，结合强化学习技术，通过大规模的语料库训练，可以生成接近人类的自然语言文本.经测试,ChatGPT在传统N1.P任务、自由对话场景表现优异.该产品发布以来，仅仅2个月就突破了1亿用户，打破了全球最快破亿产品记录且遥遥领先，其现演级别的传播速度正是用户对该产品（模型）效果认可的表现.SteplCollectdemonstrationdataandtrainasupervisedpolicy.Step2

7、Collectcomparisondataandtrainarewardmodel.Apromptissampledfromourpromptdataset.timingtoa6yerold.Alabelerdemonstratesthedesiredoutputbehavior.Apromptandseveralmodeloutputsaresampled.Thisdataisusedtofine-tuneGPT-3Swithsupervisedlearning.WtrtsacdpunismomstotcK-Alabelerrankstheoutputsfrombesttoworst.0*O

8、*O*OThisdataisusedtotrainourrewardmodel.00Q0图IChatGPT训I练图（二）ChatGPT较传统模型的优势上一亩节提到传统AI模型应用的缺点，相比之下，ChatGPT作为一种新兴的生成式大语言模型，完全克服了这些缺点，并具备以下优势：(D更高的灵活性ChatGPT可以理解并产生自然语言，而不仅仅是基于事先设定的规则进行操作，这使得其可以更好地理解和处理用户的语言和需求。同时由于该模型的交互范式(对话形式)非常贴近人类，也使得用户可以更好地理解和接受这项新技术.(2)更广泛的数据应用由于ChatGPT是基于大盘的语言数据进行训练的，因此它可以适用于各种

9、不同的金融领域和应用场景,而不仅仅是基于特定的数据集进行操作，天然具备可复制性.(三)ChatGPT在商业银行应用方向分析关注到ChatGPT的优异表现，各行各业都在积极拥抱和加大投入到该项技术，如百度的文心一言、360公司的新搜索、阿里的通意干吉等大模型都如雨后春笋般涌现.而金融行业也对此泡有极大的热情，今年3月份，农行已经推出了行业内首个类ChatGPT模型ChatABC,而其他商业银行也在研发或关注类似技术.普遍而言,业界人士认为此类通用大语言模型技术在商业银行的应用场景主要体现在以下几个方面：金融银行业都有大量的行业知识和各种管理和技术文档，如法律规章、内部管理办法、制度规范，以及各类

10、业务文档及技术文档.由于缺乏集中管理的知识库系统，不同机构、条线、层级的员工想直阅某个文档，往往需要经过大量沟通和查找.通过集中对接内部文档和数据，让大语言模型可以学习到这些公司内部知识，从而形成公司内部的大型知识库.结合大语言模型的信息综合和分析总结能力，建立其这类知识库和智能问答的范式，将极大降低员工沟通获取信息的成本.(2)数字秘书：人在职场，不管职位高低，做什么岗位，少不了要编写各类总结、周报月报.另外，银行从业人员还需要写各类专业的报告或方案，案头工作负担不轻,通过使用大预言模型强大的语言运用和表达能力，往往能够对输入文稿阅读理解后，完成内容扩写、行文风格、文字润色、电点摘要等不同文

11、案任务，并且整体效果不错.把大语言模型当作秘书，这样就能大大降低从业人员在文字编写方面的投入.(3)官销助手面对越来越激烈的很行同业竞争，银行从业人员需要更好的客户管理和管销方法来实现营销业绩目标，不管是零售、信用卡还是对公条线，都需要频繁地发起营销活动，进行客户拉新、促活和挽回流失.在策划营销活动时，也需要花费大量精力进行文案编写，创作文字、收集图片、绘制海报等等。借助大语言模型的创作能力，可以用其浩斯精炼的语言能力向目标管销客户传达信息，还可以帮你编写商业计划书、市场调研报告、营销策略、商业简报、销总信件等.考虑到ChatGPT仍然存在生产不可控的问题，业界普遍认为ChatGPT无法直接对

12、客，但其可以作为一个工具来辅助人工客服.如通过实时ASR+ChatGPT结合的技术，可以让大语言模型学习金牌客服的说话方式，从而针对客户提出的每一个问题，都可以给出可行的回答，供人工客服参考.(5)风险管理:大语言模型技术可以梢助商业银行识别和预测风险，提高风控能力。商业银行可以使用大语言模型分析海量的数据，识别异常交易、信用风险等从而降低风险损失.通过整合多海数据,让大语言模型学习多类型、多模态的海量数据,借助其海盘级别的参数数信形成的能力，让其扮演数据分析专家，从而改变现有人工分析的范式，提高风控场景的适用范困和分析精准率。四、大语言模型应用面临的问题及解决思路尽管ChatGPT这类大语言

13、模型存在众多优势，但由于其消耗资源过大，要想在银行内应用还是需要解决诸多问题.(DChatGPT答豆可免性问题ChatGPT虽然已超越旧有N1.P模型箔明学舌的能力，具备综合分析的语言能力和些许的逻辑推理能力，但大多数的大语言模型在处理特定有准确性要求的任务时能力有限，因为模型并不是真正地理解语言的含义，不具备完整的事理判断和价值伦理能力，有时候输出的回复会包含错误的内容,在银行的专业领域，如智能客服与客户的对话话术、信贷领域智能问答、资产投资顾问等场景,不准确的输出很容易引起客户投诉或资产损失。为了确保模型具备很强的准确性和可靠性.需要针对大语言模型重新训练”能力子模型，或者借助微调的方式进

14、行提升.现在大语言模型往往达到百亿/千亿级参数规模，其模型容量非常大，对GPU内存和算力都有很高要求.对百亿左右的模型，单部署推理往往就需要约100G内存的GPU资源.如需要微调训练，则需要数百G以上的显存和算力消耗，这种级别的模型微调往往不是几张AlOO显卡就可以解决的.OPenAI在训练GPT模型时就投入1万张GPU显卡和超过28.5万个处理器内核。即使是训练百亿级的大语言模型，也需要数十张GPU卡，搭建成vGPU资源池,硬件费用达千万人民币以上.如何建设一套GPU资源池，并有完善计克资源优化和调度系统是中小型商业银行训练及应用大语言模型不得不面对的问颖.(2)完整的开发部署工具在银行的A

15、l应用中，不可避免的要考虑如何将模型部署到生产环境，如何确保模型部若后的可用性和可然性，以及如何监控和维护模型的性能等.这些挑战需要企业拥有一套完整的AI应用开发流程，并配备相应的工具和资源.这些问题，往往出现在模型训练完成后，将模型部署到生产环境的过程.模型部署的工具链相对较长,而且上下游工具的兼容性问题层出不穷，企业大量使用开源工具又容易引发安全问题等.这些零散的问题极大的制约了目前企业开发Al应用的生产力。以往模型蛟小，这类返工还不至于限制模型部署上限，而ChatGPT这类大语言模型，即使参数后没有那么大，一次训练也需要好几天.(3)解决思路解决上述问题，往往需要集成一套完整的平台，既有

16、底层VGPU资源池实现算力资源自由调配，也需要有一套通用的模型开发工具支持主流深度学习、迁移学习算法编程。最后9加一个服务层为平台使用者提供即插即用的成熟或法服务。如英伟达近期推出的NVIDIAAlEnterprise3.1产品,就包括4个层级，可满足银行业对大语言模型的使用、训练、发布需求(见下图)AcceleratedInfrastructure适配的加速算力设施图2NVA正3.1架构图从图里我们可以看到平台在4个层级的关键特性：(1)囊括了上层工作流、椎架和预训练模型层：在应用场景的level上，定义清晰的输入输出，并预宜预训练模型，快速完成典型应用场景的Al应用开发.(2)支持模型开发和部署：应用开发的工具闭环，完成机器学习模型从开发