来源：银行家杂志
习近平总书记指出，“人工智能是新一轮科技革命和产业变革的重要驱动力量，将对全球经济社会发展和人类文明进步产生深远影响。”当前，国内银行业围绕做好数字金融大文章，积极拥抱以人工智能技术为代表的新质生产力，深入发掘数据要素价值，推进商业银行“数字化+智能化”转型进入新阶段，让金融服务惠及广大人民群众，推动服务实体经济高质量发展。
过去几年，农业银行搭建了数字化转型的基本框架。在初步实现数字化金融服务的基础上，要积极拥抱人工智能（AI）技术，建设人工智能与银行领域深度融合的智慧银行，全面提升内部运营与对客服务效率，就需要形成完备的智慧银行建设方法论与实施路径。对此，农业银行以业务目标为驱动，以科技创新为支撑，体系化布局场景、流程、组织、数据、模型和技术等人工智能应用的核心要素，探索建立商业银行全面、深度应用人工智能的能力体系与应用范式，不断优化调整银行经营的劳动组合、流程制度、管理体制等，构建数字时代以人工智能技术为核心驱动的智慧银行。
积极应对银行数字化转型的新挑战
数字化转型是智能化改造的前提基础，银行业作为数字化转型的先锋，在建设智慧银行的新阶段，面临着技术基础、数据基础、业务模式等变化带来的新挑战，转型仍在路上。
智慧银行依赖IT架构变革。随着AI的蓬勃发展，深化人工智能应用已成为数字化时代下银行业创新和发展的关键驱动力。无论是传统的决策式AI还是新兴的生成式AI，本质上都依赖数据、算法和算力的深度与高效融合，这使银行规模化构建和使用人工智能面临一定门槛。对此，银行不能靠简单引入几款AI软硬件产品，而应重点思考如何调整与适配自身的IT架构，从产品、技术栈、团队、基础设施、数据等方面进行评估与准备，体系化落地AI技术能力。在基础设施上，需要思考如何从通用算力体系，向“通用+智能”算力相结合的基础架构转型，构建自主可控、动态伸缩、敏捷调度、绿色高效的新型AI算力底座；在软件交付上，需要从面向业务逻辑、流程功能的研发模式，转变为构建“代码+数据+模型”相融合的持续交付能力，并面向数据闭环、模型闭环设计应用系统架构。
智慧银行依赖高质量数据供给。传统AI模型关注算法能力，随着大模型的发展，深度应用人工智能反映出更加迫切的高质量数据需求。当前，大模型能呈现不同于传统深度学习的“智慧涌现”，主要依赖于海量的高质量数据“投喂”，而不是算法结构上的颠覆式变革。银行业经过多年的信息化建设，积累了大量结构化数据及相关数据处理经验，但建设智慧银行，在数据的“量”和“质”上还远远不足。一方面，数据采集类型仍需丰富。过去银行业采集数据多以业务流程为中心，以金融交易数据为主，大量客户与员工的行为、沟通信息、过程数据等未被充分采集，大量宝贵数据尚未得到充分利用。另一方面，数据质量仍需持续提升。当前，银行在业务处理中的数据回流还存在较长的反馈周期，数据闭环运行还需要额外实施数据标注等处理。模型只有快速处理最新数据、实时获取用户反馈、在线验证模型结果，才能快速优化迭代，保障应用效果。
智慧银行依赖业务模式调整适配。随着数字化转型的推进，商业银行通过“数据+算法”驱动业务数字化进程，人工智能技术也很早就介入到相应的业务中，典型模式是将线下流程直接搬到线上，或部分环节从“人工审核”直接替代为“机器判断”。随着人工智能应用的不断深入，场景和技术的融合匹配问题更加突出，人工智能技术与传统作业模式并非简单的替换关系。对此，银行的业务经营与对客服务模式要进行适应性调整升级，特别是深入思考并准确理解“人机协同”，重新审视业务规则和组织机制，将人工智能应用逐步渗透进业务链条，设计出更灵活、更高效的智慧化金融服务产品。面向智慧银行建设，我们不能再将人工智能与业务看作是“点”上赋能关系，而是要基于人工智能的应用特点，串联起业务间的联系，在数据基础、管理会计、流程机制、技术架构等领域有效应用人工智能技术，提升各基础领域的作业效率和质量。
正确认识银行人工智能的应用模式
从早期的通过统计分析得到的商业智能应用，到对已有数据“打标签”助力辅助或自动化决策，再到当前火爆的生成式人工智能助手，商业银行不断利用人工智能技术推进业务创新。但人工智能技术具有多路线迭代、应用孵化具有高不确定性、发展具有高成长性特点，合理布局商业银行人工智能应用、关注人工智能安全、强化人机协同是未来商业银行需要形成的人工智能应用的关键认识。
合理布局人工智能在商业银行的应用。当前，商业银行要正确认识决策式与生成式AI，合理制定应用策略。一方面，决策式AI在银行业有巨大应用空间，仍是人工智能应用的主流。如人脸识别、语音识别、OCR等技术相对成熟，应用场景丰富且试错成本低，值得进一步推广应用。另一方面，生成式AI技术路线仍在持续迭代，应用场景仍在逐步探索，实施路径仍待持续完善。未来，面对复杂场景，将通过大模型与决策式AI的大小模型协同，合力实现支撑服务。人工智能的深度应用并不代表银行要“All in AI”，要按照“坑少、本小、利大”的原则，因地制宜地选取人工智能应用的适宜场景，有效释放价值。一是选择“坑少”的场景，把人工智能技术最先应用于成熟的场景中，不断积累应用经验，推动技术成熟度持续提升。二是选择“本小”的应用模式，为新技术应用提供试错的空间，避免因为沉没成本的积累，造成“船大难掉头”的局面。三是选择“利大”的服务效果，新技术应用的基本目的就是要提升服务的质效，要将人工智能对客户和用户的服务质效提升摆在首位。
安全合规是人工智能应用的前提。新技术的应用往往伴随着风险，对于模型应用本身，人工智能在算法歧视、模型可解释性方面仍存在一定挑战；对于金融对客服务，商业银行应用人工智能还需要面对数据安全与生产运行等多方面的挑战。银行是经营风险的行业，确保安全可控是人工智能规模化、深度化应用的前提基础。一是维护好模型安全。在模型的训练和部署过程中，应实施严格的安全评估，特别是要有效应对大模型“幻觉”“偏见”等新问题，模型“可解释、可审计”是大模型能对客服务的前提，要确保始终输出正确的内容与价值观。二是保证好数据安全。金融数据的敏感性、私密性要求银行必须实现对数据的全面自主可控，不仅要做好用户关键敏感信息的去除或替换，还要保证“数据不出行、模型不联网”，确保数据使用安全合规。三是强化运营安全。建立人工智能运行的安全监控体系，准确及时开展模型性能监控、异常检测和攻击识别，及时发现和响应异常行为。对各类模型算法，应具备多模型部署等安全可控的替代手段，保障人工智能持续运行。
人机协同是人工智能的应用范式。人工智能的产生不是要取代人，而是要为人类的生产生活提供辅助和便利。某种意义上，“机器人”更应从“机器+人”的模式理解，人与机器的协同将是未来很长一段时间的人工智能应用范式。我们要正确认识人工智能的发展阶段，虽然利用人工智能技术处理银行业务的精准度已经很高了，但如果要求机器精度都达到100%，现阶段的技术可行性不足，实施复杂度与改造成本过高。对于人工智能的“误差”，在技术手段之外，可通过人工辅助的方式进行弥补，将人工智能定位为助手，“机器处理+人工辅助”将是性价比最高的应用范式。在此基础上，实现“人机协同”模式，并不需要对既有业务流程或人员岗位进行颠覆性调整，而应“化有形为无形”，基于“作业即标注、作业即提示”的流程设计理念，实现业务流程从面向用户向面向“用户+AI”的转型升级。一方面，做到“冷启动”，通过统一数据加工、标注和增强规范与工具，快速沉淀高质量数据集，以满足从0到1启动模型的数据准备要求。另一方面，做到“热循环”，将数据采集和标注、提示词、知识库更新等嵌入日常作业流程中，随用户行为与业务流程实时化、自动化完成数据采集、更新、反馈，满足模型持续迭代的数据需求。
做好人工智能深度应用的各项准备
深化人工智能应用不可能一蹴而就，智慧银行建设也不可能毕其功于一役，打造数字化时代下的智慧银行，要坚持应用为导向，聚焦场景、流程、组织、数据、模型和技术等核心要素完成能力准备与体系落地，体系化布局与落地人工智能全域能力。
做好业务准备，建立“AI+”的业务基础。人工智能应用的核心目标是提升业务价值，统一“AI+”应用的业务框架，聚焦场景准入、流程再造、持续运营等方面，完成业务能力构建与准备。一是审慎开展“AI+”场景准入。建立场景准入的规范与标准，通过精细化度量指标与手段，准确识别AI应用的价值提升方向，提升内部运营与客户服务效率，实现多、快、好、省、准的金融服务。二是加快推动劳动组合、作业模式与业务流程的适应性调整。主动适应AI等新技术应用对业务流程带来的变化，强化“机器处理+人工辅助”的业务与信息流闭环，将数据采集、标注、更新、回收等工作嵌入日常作业中。三是完善AI应用持续运营机制。建立高效稳定的业务运营团队，形成业务自运营闭环，建立清晰明确且可量化的评价体系，开展AI应用运营的动态评估。
做好数据准备，建立全生命周期数据闭环。数据是人工智能应用的基础，没有高质量数据，就没有高质量模型。要统一“AI+”应用的数据与知识框架，面向“AI+”应用开展全领域、深层次、多维度的数据整合、经验提炼和知识萃取。一是实施数据工程，积累高质量数据。一方面，“量”上要进一步丰富数据规模。不仅要有财务数据、交易数据等，更要有广泛的行为数据、沟通数据等多模态数据，通过全流程埋点完成全链路数据的自动化采集，加强多渠道数据整合。另一方面，“质”上要统一“用数”的标准、结构与规范。从源头完善数据采集、录入、传输等环节的校验规则，建立以数据宽表为核心的“用数”体系，提供比“原材料”更加规范、清晰、易用的“预制菜”。二是实施知识工程，构建高水平知识库。第一，系统规划面客知识体系，绘制知识地图，建立完整的面客知识管理与知识共建机制，组织全业务条线共同参与领域知识建设。第二，以知识“保鲜”为核心，建立知识生成、积累、管理与更新的流程闭环。形成知识持续产生、更新和反馈机制，将知识入库、访问、更新和下线固化在应用系统和工作流中，在新产品及其系统上线时，同步完成配套知识库上线。第三，建立一套全面、客观的知识评价机制，形成畅通、高效的知识反馈体系。
做好技术准备，建立适配AI应用的IT架构。高效稳定的AI技术体系是人工智能应用的支撑，要统一“AI+”应用的技术架构，建立高效集约的AI算力基础设施，实施面向“数据+模型”驱动的IT架构转型升级。一是建设新一代AI智能算力基础设施。顺应智能化算力发展趋势，构建适配“AI+”应用的AI算力集群和高速可靠的网络基础设施，不断提升AI算力密度及效能水平。匹配业务弹性需求，形成AI算力资源测算、保障和调度机制，进一步完善AI算力生态，加快推进模型算法、平台框架、算力芯片的多元异构与兼容适配。二是建设“数据+模型”驱动的IT架构。一方面，系统架构要支撑数据闭环。基于DataOps体系，围绕“采、建、用、管”数据闭环，支持应用系统对模型和数据的持续迭代，形成飞轮机制。另一方面，系统架构要支撑模型闭环。参照MLOps理念，构建模型训练、管理、部署、运行、应用闭环体系，提升AI研发运营效能。
做好模型管理，建立模型全生命周期管理体系。统一“AI+”应用的模型体系，完善模型全生命周期管理，推动高水平模型的开发和应用，促进模型质量和应用效率提升。一是加快模型组合升级。推进从简单应用规则模型向机器学习、深度学习等算法的组合应用转型，提升模型的通用性、扩展性、稳健性。在建模中，要保留过程文件和数据，确保模型可解释、可审计。二是加强模型多策略部署及持续运营。根据模型业务领域特点及模型变更程度，灵活选择敏捷、常规等部署方式，对迭代速度要求高的模型实现零停机部署。同时，模型部署要同步上线模型监控能力，用量化指标监控模型执行过程和业务效果，及时发现数据漂移、模型衰退等问题，第一时间更新或完善模型，降低对业务的影响。
做好人员准备，建设高水平的AI人才队伍。建立与人工智能深层次、高水平应用相适配的人才队伍。商业银行落地好“AI+”项目，一方面，要建立业务、数据、技术共同参与的项目融合团队，精准匹配与响应“AI+”项目实施的多样化能力需求。另一方面，对AI深化应用带来的数据标注、模型训练、知识管理等新工作需求，可立足现有人员岗位，由业务专家和运营人员承担数据标注、知识管理职责，由数据分析师和研发人员承担模型训练职责，通过配套队伍建设与人员培养实现能力补齐。
结语
面向数字时代，农业银行将坚持科技是第一生产力，坚持创新驱动发展，做好数字金融大文章，在风险管控、客户营销、产品创新、管理决策等领域发力做实人工智能应用，通过场景建设牵引沉淀能力体系与方法论，全面推进数字化时代下的智慧银行建设。通过建立“数据+算法”驱动的业务经营管理新模式，实现客户洞察更加精准、经营管理更加高效、劳动生产率大幅提高、服务水平明显提升、客户用户体验友好亲切，为业务高质量发展奠定坚实的数字化与智能化基础。
