大語言模型實現判別式AI在數字金融中的應用研究

隨著大語言模型（簡稱“大模型”）技術發展，人工智能時代已逐漸從判別式AI走向生成式AI，各金融機構紛紛積極探索大模型技術應用場景。商業銀行在日常經營管理過程中，存在大量判別式AI任務，通常需要建模工程師根據業務需求構建機器學習模型。本文提出將生成式AI和判別式AI相融合的技術方案，利用大模型的推理能力對需求進行拆解，自動化地開展判別式AI模型的構建。實證結果表明，該方案在保證建模效果的同時，能夠有效提升建模效率、降低成本，為商業銀行實現判別式AI模型構建，積極推進數字金融發展，提供了新的解決思路。

業務判別；在精準營銷方面，判別式AI模型為各層級客群的產品推薦、價值提升、流失預警等業務提供決策支持；在智慧經營和依法合規方面，針對機具設備布放優化、客服運營問題判別、制度分類等場景，判別式AI模型也在持續發揮作用。

大模型技術通過其問題理解和生成能力，能夠為商業銀行智能風控、精準營銷、智慧經營、依法合規等領域的判別式AI模型構建與使用提供新技術方案。本文基于大模型實現判別式AI任務，使用戶僅需運用自然語言，無需人工編寫代碼，即可完成判別式AI模型構建，有效提升了建模效率、提高了建模質量、降低了建模成本。

金融判別式AI的技術發展

金融永遠不變的核心本質是風控，其實質是運用現代數字技術將數據算料通過算力、算法等新型基礎設施平臺加工成為智能，從而判別風險，降低由業務參與各方信息不對稱性帶來的業務不確定性。數字經濟時代下，為快速實現數據價值的深度挖掘，加快銀行數字化轉型，商業銀行運用人工智能機器學習技術防風險、拓市場、保合規，實現經營管理的降本提質增效，銀行已經構建了大量判別式AI模型，在智能風控、精準營銷、智慧經營、依法合規等領域全面推進數字金融發展。例如，在智能風控方面，判別式AI模型廣泛應用于信貸業務的反欺詐、反洗錢、風險評價、風險預警等

大模型在數字金融領域的應用發展

近年來，隨著生成式AI的不斷發展，大模型相關技術也在不斷升級迭代，持續助力金融領域的數字化轉型與智能化發展。目前，在數字金融領域的應用過程中，所涉及的大模型相關技術主要包括提示詞工程（PromptEngineering）、檢索增強生成（Retrieval-AugmentedGeneration，RAG）和智能體（Agent）等。

提示詞工程是通過設計和優化輸入內容，引導大模型生成符合用戶需求的輸出，無需對大模型進行調參。好的提示詞可以激發大模型在文本生成方面的創造力，發揮大模型的創作優勢。提示詞工程在銀行數字金融領域的應用場景豐富多樣，通過優化提示詞設計，能夠顯著提升大模型在不同業務領域的效率和準確性。在辦公自動化方面，用戶可以通過提示詞工程技術，將生成會議紀要、演講稿等需求輸入給大模型，大模型依靠其強大生成能力為用戶提供相關文檔生成服務，提升辦公效率。在產品創新方面，用戶可以通過提示詞工程技術，將產品的內容、優化方向和市場需求等輸入給大模型，隨即大模型能夠生成產品優化的建議以及相關說明，助力銀行快速響應市場需求進行產品迭代創新。

RAG技術通過動態檢索相關信息來增強語言模型的生成能力，提升內容生成的準確性和相關性。通過RAG技術，能夠有效解決大模型在數字金融領域的知識局限性和幻覺問題，同時保障數據安全。RAG技術在商業銀行各業務領域應用廣泛。在運營管理智能客服場景中，以銀行產品信息和客服歷史回復相關數據形成向量數據庫，當用戶對產品進行提問時，通過大模型RAG技術基于相關向量數據庫的信息進行回復，從而優化服務質量，提升客戶滿意度。在法律合規合同審查分析場景中，將業務部門送審文本、后臺儲存的歷史合同等信息構建向量數據庫，當客戶有相關合規問題時，通過大模型RAG技術定位信息，生成符合銀行內部數據邏輯的反饋。在普惠金融客戶營銷篩選場景中，將客戶工商經營狀態、納稅狀態和社保繳納狀態等多源數據信息構建向量數據庫，當需要對客戶進行篩選時，通過大模型RAG技術對向量數據庫中的數據進行判斷，能有效過濾掉不滿足營銷基本要求的客戶。

Agent是一個感知環境、處理信息并采取行動以實現特定目標的軟件程序或系統，它能夠在金融領域實現高效、精準的業務處理和決策支持。一個Agent需要具備問題拆解能力、根據環境調用相關工具作出策略的能力以及記憶能力。在風險管理場景中，利用Agent問題拆解能力對風險預測任務進行規劃，使用數據分析工具對用戶的信用數據和市場動態進行實時分析，準確預測相關風險，提升風險防控能力。在工單智能分析場景中，利用Agent問題拆解能力對工單異常原因分析報告生成任務進行規劃，使用數據分析工具對異常工單進行分析，生成話務工單異常原因分析報告，提升工作效率與決策質量。在資產配置和產品組合場景中，利用Agent問題拆解能力對合理資產配置任務進行規劃，使用數據查詢和分析工具對客戶的風險偏好、持倉歷史及產品收益表現等信息進行分析，實現自動化、智能化的資產規劃、配置比例以及持倉診斷，為客戶量身定制專業、合理的資產配置方案。

大模型實現判別式AI應用研究

技術總體方案

本研究依托一個基礎大模型，結合提示詞工程和RAG技術打造一個可以進行自動化構建判別式AI的Agent。該Agent實現判別式AI模型構建的具體流程如下。

首先基于特征數據及其元數據構建支撐RAG檢索的增強知識庫，然后根據建模工程師的經驗構建提示詞模板，提示詞中應當包括客戶期望對數據的處理方法、構建模型期望選用的算法和模型評估指標等信息，用戶只需要與大模型進行自然語言交互請求大模型執行建模任務，大模型即可自動將任務進行拆解，根據具體問題進行思考，編寫相應的數據讀取、數據處理、模型構建、模型評估等代碼，而后調用本地代碼解釋器完成代碼運行，得到建模結果，最后完成整個建模任務，并將模型評估指標返回給用戶。具體的流程如圖1所示。

場景描述

一家企業決定關閉或停正營業時，通常會經歷一個正式的法律程序，即“注銷”。這不僅表明該企業將不再繼續參與市場競爭，同時也意味著它可能會給債權人帶來經濟損失。從商業銀行的視角而言，如果貸款對象出現企業注銷的情況，則極有可能導致不良貸款的發生。鑒于此，構建企業注銷風險預測模型可以有效識別具有潛在風險的客戶，并采取預防措施，降低風險。本文以北京地區新一代信息技術產業企業為例，旨在基于大模型技術實現金融判別式AI，構建企業注銷風險預測模型。

本文所使用的數據集包含8個自變量和1個因變量（是否為注銷企業），樣本量為2433，其中壞樣本（即注銷企業）占比為 19% 。建模數據具體的自變量名稱如表1所示。

建模效果評估

本文通過上述構建的大模型Agent實現了判別式AI模型構建。首先面向寬表數據加工及其元數據構建RAG知識庫，然后通過提示詞工程向大模型發送指令，讓其根據數據及業務描述進行數據處理，并構建判別式AI模型（本研究指定構建邏輯回歸、決策樹、隨機森林和GBDT算法模型），提示詞中同時包含了期望使用的模型評估指標（由于本研究應用場景是判別式AI分類任務，故使用AUC、KS、Recall和Precision作為模型評估指標）。而后，大模型根據強大的推理能力對需求進行拆分，完成相關代碼編寫，并調用本地代碼解釋器自動化運行，得到建模結果。最后，大模型將結果以表格的形式輸出給用戶。各個模型的建模結果如表2所示。

實證結果顯示，通過大模型技術構建的判別式AI模型在保證建模效果的同時，具有以下優勢：

建模效率提升與成本節省。在傳統建模過程中，大量的人力成本被用于模型構建等重復性工作，通過引入大模型技術，這些任務實現了自動化處理，從而提升建模效率。經測算，運用大模型技術實現判別式AI模型構建可提升工作效率約 30% 。未來，商業銀行基于大模型技術廣泛構建各業務條線所需要的大量判別式AI模型，將會有效節省人力成本，實現可觀的經濟效益。

提升建模工程師的建模質量。在傳統建模過程中，建模工程師的能力水平參差不齊，導致所構建的模型質量存在差異。通過大模型技術實現判別式AI模型構建能夠建立標準化的建模流程，有效提升建模的整體質量，從而減少因個人能力差異導致的模型效果不佳等問題。

解放建模工程師的“雙手”，實現算法提質。通過大模型技術實現判別式AI模型構建，不僅提升了建模效率和質量，還能解放建模工程師的“雙手”，從而使建模工程師有更多的時間和精力去深人理解數據邏輯和業務邏輯。通過大模型技術實現判別式AI模型構建，可以構建大部分經典機器學習和深度學習模型，建模工程師可以將更多的時間用于研發新的模型和相關算法，提升建模工程師的整體技術和業務水平，更進一步提升算法建模的質量。

結語

本文基于大模型技術能力，結合提示詞工程與RAG等技術，打造了自動構建判別式AI模型的Agent，它能夠有效分析用戶需求，自動完成數據拆解、建模代碼編寫和代碼調用。實證結果表明，使用大模型技術實現的判別式AI模型與建模工程師構建的模型效果一致。同時，基于大模型的技術方案能夠提升建模效率，節省人力成本，降低代碼編寫的錯誤率，提高建模質量，促進建模工程師提升對數據與業務的理解以及提升算法研究能力水平。大模型實現判別式AI的應用前景廣闊，隨著人工智能技術的持續進步，未來將進一步探索大模型實現判別式AI相關技術，例如，使用大模型提取或生成高質量的數據特征和樣本，以提升模型構建效果；使用知識蒸餾技術，以提升機器學習模型的可解釋性。相關研發將有助于更好地賦能商業銀行判別式AI建模場景，推進數字金融新發展。

（本文受北京市科技計劃項目[Z241100001324024]支持。）

（華夏銀行數字金融管理部劉小偉，龍盈智達[北京］科技有限公司徐奇、張月、楊璇、馮琳和曹曉峰，百碩同興科技〔北京］有限公司余浩和林建軍，以及北京智譜華章科技有限公司薛大山和王海強對本文亦有貢獻）

（作者單位：華夏銀行股份有限公司）