數字人與大模型在風控領域的融合創新應用

趙瑞蘭

數字人是數字社會中的新型產物，以數字形式存在于數字空間中，數字人包括有虛擬形象的和無特定形象的。在可控性、可編程性、規模成本等方面具有優勢，雖然在銀行場景的覆蓋面較大，但其參與程度不是很深。伴隨著銀行業數字化轉型步入深水區，其應用的廣度和深度將不斷拓展。

隨著技術的不斷發展，特別AI技術的發展，逐步推動了數字人的智能化升級。北銀金融科技有限責任公司（以下簡稱“北銀金科”）探索研究大模型技術+傳統數字人的創新應用，賦能智能風控、智能客服、智能營銷、智能運營等業務領域持續升級。本文重點探討數字人與大模型在風控領域的融合創新應用，闡述商業銀行如何通過數字人與大模型的融合，合規有效地進行企業風險分析，實現降本增效，加速推進銀行數字化轉型。

銀行業數字人運用現狀及挑戰

銀行領域的數字人分為有形象和無特定形象的，有形象的虛擬數字人就像銀行前臺服務人員，客戶可以看到并可與之交流，如智能客服領域的數字人。無特定形象的數字人更像后臺人員，雖然不可見卻做了大量的工作，例如，在智能風控領域，數字人利用機器學習、大數據和自然語言處理技術，實時監測和評估客戶交易和行為，自動識別潛在的欺詐或異常交易，能夠為客戶提供風險提示，增強銀行的風險防范能力，提升客戶的服務體驗。然而，當前銀行應用數字人在數據智能方面仍面臨不少挑戰。

數據整合挑戰大。大多數銀行的系統均獨立且分散，無法集中管理，導致客戶數據散落于不同系統或業務部門，生態內外的“數據孤島”問題日漸凸顯。另外，數據質量方面也存在數據缺失、數據重復、數據錯誤和數據格式不統一等多種問題。數據質量不高不僅會影響數字人技術的應用效果，還會給業務帶來一定的風險。

智能交互門檻高。傳統的數字人主要基于預設的腳本和固定邏輯進行響應，只能按照預設知識庫輸出答案，可能無法處理復雜或非標準的查詢和任務，難以做到對交互式場景的有效替代。此外，隨著銀行業務和合規要求的不斷變化，數字人的知識庫和邏輯也要及時更新，這就需要耗費大量的時間和資源定期進行人工更新和維護，將產生高昂的維護成本。

“大模型+數字人”的主要應用領域

數字人的關鍵是交互，而交互的關鍵是擬人化，大模型相比傳統AI模型更具智慧性，銀行業數字人對接大模型已然成為趨勢。

大模型是具有巨大參數數量的深度學習模型，通常用于處理復雜的任務，如自然語言處理、圖像識別等，通過大量的數據進行訓練以捕獲細微的模式和關聯。因此，可以利用大模型能力解決數字人訓練中存在的數據質量問題，進行自動數據清洗、數據增強與語義識別優化。另外，大模型和數字人都具有AI基因，兩者的融合不僅是兩項技術的結合，更能發揮“一加一大于二”的作用，可以更好地理解用戶的需求、回應查詢并模仿人類的交往模式，為用戶提供更加豐富和滿意的體驗。在銀行領域，“大模型+數字人”的主要應用場景如圖1所示。

圖1 “大模型+數字人”的應用領域

智能風控領域。數字人通過與大型模型結合，利用深度學習模型對大量歷史數據進行訓練，從而識別和預測潛在的風險因素。“大模型+數字人”的結合可促進企業及時采取相應的措施進行風險防范和應對，大幅度降低企業的風險事件發生率，提高整體安全性。

智能客服領域。利用大模型可以實時反饋在線回答業務問題，無論是有關銀行產品的常見問題，還是特定的賬戶查詢，數字人都可以隨時為客戶提供答案，結合大模型，數字人可以根據客戶的反饋和行為模式進行學習，以提供更加準確和個性化的服務。

智能營銷領域。數字人可為潛在客戶提供產品的詳細信息、答疑解惑，并根據客戶的需求，使用大模型為其推薦合適的金融產品。在個性化營銷策略方面，利用大模型分析客戶的交易和行為數據，數字人可以發送個性化的推廣消息和優惠，從而提高轉化率。

智能運營領域。數字人可以自動處理某些標準化的后臺操作流程，如數據錄入、審批等，而大模型則可以持續優化這些流程，確保其高效和準確性。

“大模型+數字人”在企業風險分析方面的實踐

當前，信貸業務依然是銀行業主要的營收來源，如何控制信貸投放風險，如何更準確高效地進行企業風險分析一直是困擾銀行業的難題，為此商業銀行在企業風險分析中投入了大量的資源和人力。利用大模型與數字人技術結合的方式進行企業風險分析，既替代了大量人工投入，又可以極大地提升效率和準確度，這對面臨嚴峻經營形勢的當前銀行業來說顯得尤為重要。

北銀金科自主研發的“財報專精大模型+數字人”——財報助手，旨在為銀行的信貸決策提供更加全面、客觀的深刻洞察。聚焦貸前、貸中、貸后企業經營狀況場景，從企業基本信息、宏觀經濟、產業鏈、企業運營情況、企業財務情況等多個維度，全方位掃描相關企業，分析企業的經營狀況和盈利能力，并自動識別出潛在的風險因素，同時，結合市場主流的分析維度和特色指標進行深度分析，并通過自然逼真的交互體驗、簡單易懂的表達方式為用戶提供診斷結論，助力商業銀行做出更準確和可靠的信貸決策。

技術方案

財報助手是一個融合多種數據源的智能系統，通過檢索和圖譜融合方案提高準確性和時效性，不斷迭代和優化提示工程，提升大模型的行為可控性，為用戶提供精準可靠的多模態內容生成能力。財報助手的建設包含三大中心（見圖2）。

圖2 財報助手整體規劃圖

源材料中心——企業級知識庫。企業級知識庫以知識服務為目標，將數據采集、底層模型、知識校驗以及知識存儲等知識組織過程，有條不紊地串聯打通，形成可持續迭代和成長的知識整合中心。知識庫通過處理包括各類非結構化文本語料，如財經新聞、上市公司年報、行業分析報告、區域經濟報告等信息，對非結構化數據進行結構化處理，同時結合金融領域文本數據特色進行知識抽取，構建高質量的企業級知識庫。

效率中心——模型工廠。模型工廠定位為“訓推一體化工具和平臺”，構建模型訓練、模型管理、模型應用、提示工程和算法安全等模塊，把垂直大模型的數據處理、預訓練、精調的復雜過程流水線化、標準化，支撐專精模型的訓練和部署交付。模型訓練包含四個階段，即從模型底座、通用模型、指令微調模型到專精大模型，知識庫對前三個模型階段向外輸出通用知識和金融知識，同時專精大模型對知識庫進行向上反哺。基于高質量企業級知識庫，模型工廠通過增量訓練將知識庫數據不斷注入大模型，實現知識庫擴充與模型自動增量訓練效果提升的動態閉環（見圖3）。

圖3 大語言模型訓練過程

服務中心——大模型服務平臺（MaaS）。構建自助式大模型服務平臺，平臺具有自動化部署、自動機器學習、可解釋性 AI等特性，一方面，能夠使用戶快速構建專屬大模型應用，并保證生成內容的準確性和效率，另一方面，還能夠讓用戶通過平臺上傳領域知識文檔，精心編輯提示詞模板以完成特定任務。同時，平臺提供持續優化和監控服務，幫助商業銀行快速建立數據驅動的決策系統，降低模型運維成本，提升模型性能（見圖4）。

圖4 大模型應用服務提示詞管理

平臺利用金融行業的典型場景和豐富的數據積累，在原有的AI工程化平臺基礎上，進行大規模的模型調優和訓練，最終形成了符合金融業務需求的系列專精大模型。不僅能提供成熟的基礎模型，還能提供完整的大語言模型運維（LLMOps）閉環。用戶可以通過簡單的拖拽方式去完成模型的部署和測試，并統一管理提示詞及調度流程。此外，平臺集成了金融領域大規模的數據集，用戶可以基于自己的數據進行快速的模型微調和生成。

應用價值

通過財報助手，借貸企業風險分析效率和準確率能實現顯著提升。實時獲取借貸企業財務狀況、經營狀況、行業前景、管理水平等信息后，通過大模型技術實現企業的信用評級實時調整，通過數字人技術對風險信息進行實時反饋及跟蹤處理。對于信用狀況持續改善的企業,銀行可上調其信用等級,給予更優惠的信貸政策。而對于信用不斷惡化的企業,銀行則下調其信用評級,實施更嚴格的審查與控制措施,以控制風險敞口。

此外，財報助手在貸前、貸中、貸后環節均能發揮重要價值。在貸前階段，深入分析企業的經營模式、技術革新能力、市場前景等,審慎評估其違約風險與抵押物價值變化風險；在貸中階段，定期監測企業運營狀況與技術發展動態,分析經營波動風險,以便在必要時采取包括調整信貸策略、優化產品配置、提高風險防控能力等行動,確保資產安全；在貸后階段,準確披露企業的風險處置與控制情況,讓監管機構全面了解銀行的風險管理水平。

可以預見，財報助手將逐步從分析員角色成長為輔助決策的專家顧問角色，實現透視全局經營情況，預測發展趨勢，輔助經營和管理決策（見圖5）。

圖5 財報助手能力層級體系

總結和未來展望

大模型賦予了數字人更加智慧的大腦，讓數字人的智能化程度得到跨越式的提升。數字人與大模型在風控領域的融合創新，可幫助銀行建立起企業級知識庫并進行有效的企業風險評估，提升信貸業務質量，實現成本下降和效率提升，助推商業銀行高質量發展。

展望未來，伴隨AI的飛速發展，由大模型驅動的數字人將全面邁入“智人”時代，進而擁有全新的應用場景和商業空間。在大模型和數字人創新融合的助力下，商業銀行將實現人機協同智能化、經營決策智能化、業務流程智能化的提升，加快實現數字化轉型，更高效地賦能實體經濟和人民美好生活。