11月17日，由21世紀經濟報道主辦、騰訊安全聯合主辦的“金融風控大模型打造動態風險治理體系”閉門研討會在北京召開，這也是“共建金融風控科技”系列閉門研討會第四站。億聯銀行風險管理部總經理高磊在介紹大模型在信貸業務中的探索時表示，大模型發展的重點已經從盲目追求轉向可持續性發展。

據高磊介紹，目前AI在億聯銀行的應用場景涵蓋“前、中、后”臺中的市場營銷、風險管控、客戶服務、運營支持等。其中人工智能平臺已經完成多個領域相關場景的機器人應用落地，包括智能客服、智能催收、營銷助手三大運營領域。 

具體來看，智能客服機器人意圖識別率達90%，自助解決率已經達到了91%。同時可替代40%的傳統客服工作量，人工主導客服工作量占比不超過30%；智能催收的應用包括兩部分，一是替代人工進行催收作業，對逾期客戶進行“電話+短信+郵件”等多種形式的提醒催收工作；二是通過智能催收對人工座席進行對練培訓，不僅能夠降低人員培訓成本，而且還能提升培訓效果，產能人效比提升了36%；營銷助手方面，針對不同人群的廣告的智能投放、精準投放，提高了廣告效果的同時降低了廣告成本。 

值得注意的是，高磊表示，征信報告是識別個人信用的最重要風控手段，但個人征信報告中存在大量非結構化數據，很難用傳統的數據處理方式進行分析。為了解決這一難題，億聯銀行搭建了智能數字化解讀中臺，將NLP、圖算法等應用在征信報告解讀中，能讓報告解讀出萬維的風險變量，提升了銀行風控模型的風險區分度，并將信貸違約風險降低20%。

高磊還表示，線上授信過程中的欺詐風險防范非常重要，億聯銀行對此摸索較多，主要是利用圖計算技術，建設了關聯網絡進行欺詐實體的挖掘。目前大模型在反欺詐領域成效顯著，主要表現在有效提升了團伙欺詐識別，加強異常行為檢測、完善反欺詐模型建設三方面。

對于大模型實際運用中存在的問題，高磊認為，從技術性來看，不足之處在于魯棒性不足、可解釋性低、算法偏見。魯棒性不足是指大模型在面對對抗性干擾時表現的能力缺乏，面對對抗樣本干擾的情況，易產生錯誤預測；可解釋性低主要表現在解釋效果不理想，缺乏統一的標準；算法偏見指的是算法數據來源不均，會產生算法偏見。從安全及合規角度來看，監管政策對大模型要求較嚴，同時大模型的不穩定容易產生錯誤的金融決策。

展望大模型未來的探索應用，高磊總結道，大模型發展的重點已經從盲目追求轉向了實用性和可持續性發展。未來通過降低成本、提高易用性、增強可靠性、保護隱私和安全等方面的措施，可以進一步提高大模型的可用性，讓更多的人受益于AI技術的發展，實現更加智能化和便捷化的生活。

責任編輯：韓希宇