馬上消費拆解首個零售金融通用大模型“天鏡”

歷經了上半年激烈而又多元的大模型論戰(zhàn)之后，下半年的焦點終于到了“落地”層面。

通用大模型仍在含苞待放，垂直領域的專業(yè)大模型開始嶄露頭角。在金融領域，投研決策、數(shù)據(jù)分析、智能交互、場景聯(lián)通、風控全流程強化等業(yè)務方向涌現(xiàn)出多個大模型，各類金融機構與科技公司大顯身手，一同推動了金融大模型的快速落地。

近日，馬上消費金融股份有限公司（以下簡稱“馬上消費”）發(fā)布了其零售金融大模型——“天鏡”，馬上消費首席信息官蔣寧對該大模型表達了這樣的期望：“我們希望在任何情況下，它給客戶的回答都是合規(guī)的，并且在任何不可預期的情況下它的結果是穩(wěn)定的?！?

這是零售金融領域首個大模型，它面向金融大模型的可信與安全兩大核心難題。馬上消費躊躇滿志，在金融領域跑出“馬上速度”，底氣何在？

 01 

拆解天鏡：如何做好金融大模型？

金融大模型要走向實用層面，必須完全滿足金融領域的特性。

安全是一切金融業(yè)務的發(fā)展核心。金融領域對數(shù)據(jù)精度與安全、風險控制、信息實時性要求較高，通用大模型在落地金融行業(yè)時，會面臨數(shù)據(jù)準確性、金融常識、業(yè)務理解程度等層面的問題。

在這一特性的限制下，懂金融又懂科技的金融機構與長期服務于金融機構的科技公司，在金融大模型的發(fā)展與競爭中具備一定的經驗優(yōu)勢，也將成為推動金融大模型向前的主力軍。

同時，金融行業(yè)從業(yè)者對金融大模型的期待也極高。根據(jù)畢馬威發(fā)布的《2023中國金融科技企業(yè)首席洞察報告》，九成以上金融科技企業(yè)看好生成式人工智能（AIGC）金融應用前景。金融業(yè)是典型的創(chuàng)新驅動型和數(shù)據(jù)、技術密集型行業(yè)，在ChatGPT引爆AIGC技術應用和金融機構數(shù)字化轉型逐漸深化的當下，金融業(yè)有望成為AIGC落地的“試驗田”和“前沿陣地”。

在金融領域，大模型已成為兵家必爭之地。據(jù)不完全統(tǒng)計，當前金融領域各類大模型已超過20個。

要推動金融大模型的發(fā)展，其核心痛點是如何在數(shù)據(jù)融合應用和安全保護間取得平衡。

圍繞這一痛點，馬上消費“天鏡”大模型提供了四點思路。第一是要真正解決企業(yè)尤其是零售金融企業(yè)的核心痛點問題；第二是要基于團隊合作的精神，讓大模型和已有的系統(tǒng)與模型融合，成為功能更強、解決問題更多的大模型；第三，在與業(yè)務結合的過程中要做到安全合規(guī)；第四，要主動適應現(xiàn)有的系統(tǒng)。

基于這種設計思路，蔣寧介紹，“天鏡”大模型問世后，仍面向人工智能的四個關鍵難題。

第一，關鍵性任務與動態(tài)適應性。一言以蔽之，大模型要在特定任務中，基于海量模型與分析能力，不管外界環(huán)境怎么變化，始終能保持決策準確性。

第二，個性化要求和隱私保護。金融行業(yè)需要為用戶提供個性化服務，這樣的服務在使用個人數(shù)據(jù)時會涉及個人隱私數(shù)據(jù)保護問題。

第三，群體智能與安全可控。蔣寧認為，美國大模型保持領先的其中一個因素在于已經形成了完整生態(tài)，而中國暫時沒有形成完整生態(tài)，很難形成群體智慧。一面要積累群體數(shù)據(jù)，最終形成正向反饋，共建行業(yè)模型；另一面也要基于可信安全，對數(shù)據(jù)是否可共享做出明確區(qū)分，保證共享數(shù)據(jù)的安全可靠。

第四，基礎設施的能力挑戰(zhàn)。金融大模型需要的運算架構不一樣，要不斷優(yōu)化底層基礎設施，以適應垂直領域、金融領域大模型的發(fā)展。

蔣寧提及三個思考方向：一是大模型的持續(xù)學習能力，實現(xiàn)越用越聰明；二是強化魯棒性決策，實現(xiàn)金融領域要求的100%合規(guī)與安全，保證金融大模型在任何場景下能夠實現(xiàn)可信、安全、穩(wěn)定的輸出結果；三是組件式AI，要將金融大模型的自適應能力、機器分辨能力、語言理解能力、聲音感知能力進行整合，構建新興的金融大模型體系。

蔣寧介紹，未來要用大模型將金融業(yè)務流全部優(yōu)化，提供個性化資訊生成、營銷助手、坐席輔助、智能質檢、知識引擎等全方位服務，跑出金融領域的“馬上速度”。

 02 

金融大模型需要結構化數(shù)據(jù)能力

要實現(xiàn)金融大模型的可信與安全，數(shù)據(jù)準確性是核心。

歐洲科學院外籍院士、清華大學人工智能研究院常務副院長孫茂松認為，通用大模型的落地是一大挑戰(zhàn)，需要痛苦、艱苦的智力勞動才能達到預期的效果，但在數(shù)據(jù)層面并不敏感，比如ChatGPT經常在數(shù)據(jù)上犯錯。金融領域的數(shù)據(jù)都是結構化的知識圖譜，怎么把結構化的數(shù)據(jù)應用到金融領域來，是構建金融大模型的主要挑戰(zhàn)。

馬上消費人工智能研究院院長陸全表示，結構化數(shù)據(jù)是金融領域內含金量最高，也是最為常見的數(shù)據(jù)，它的處理非常依賴于數(shù)據(jù)分析師的挖掘，這種依賴也會限制相關企業(yè)對結構化數(shù)據(jù)的運用價值，這是非?？上У?。

天鏡大模型的“出生”正是著力于引爆企業(yè)數(shù)據(jù)潛能，從而幫助企業(yè)打撈數(shù)據(jù)富礦。陸全介紹了“天鏡”大模型在匯集智慧、喚醒知識、眾創(chuàng)價值、數(shù)字分身的四大核心領域的探索。

匯集智慧主要集中在人工客服場景，天鏡大模型依托積累的大量績優(yōu)客服真實通話數(shù)據(jù)，匯聚成群體智慧，擁有一對多客戶服務的能力，也可作為人工坐席的輔助角色，幫助推薦、優(yōu)化回答、提高效率。在智能客服方面，天鏡意圖理解準確率達91%，相較于傳統(tǒng)AI的68%有較大提升；客戶參與率61%，高于人工坐席平均28%的水平。

喚醒沉睡知識是天鏡大模型處理結構化數(shù)據(jù)中隱藏的非結構性數(shù)據(jù)的能力。例如，將企業(yè)招股書、財報、經濟預測數(shù)據(jù)等結構化數(shù)據(jù)上傳至“天鏡”大模型后，后者可以深入解析金融領域專業(yè)術語、同時查詢定位多個不同文檔、洞悉金融圖表隱含的信息和強大歸納總結能力，充分釋放數(shù)據(jù)價值。

眾創(chuàng)數(shù)據(jù)價值降低了結構化數(shù)據(jù)的使用門檻，天鏡大模型SQL生成平臺不再需要代碼等指令，可直接向AI 用大白話輸入問題，它自動理解需求，展開檢索、生成答復。當前，每日線上SQL生成數(shù)量650多次，線上SQL生成可執(zhí)行比例75%，SPIDER標準數(shù)據(jù)集EX得分75.2，線上使用者滿意反饋比例82.3%。

數(shù)字人方面則是打造員工的“智能秘書”。每個員工上傳一些參數(shù)可生成“數(shù)字員工”，稍加訓練便可代替員工完成大量工作。

依托四大核心領域，“天鏡”大模型對零售金融領域帶來的意義非凡。

用戶服務層面，零售金融具有開放、智能和下沉三個主要特征，人工客服場景與數(shù)字人場景的相關功能大幅提升了金融機構對零售用戶交互層面的深度與廣度，以此滿足不同圈層、不同區(qū)域、不同社會屬性的用戶需求。

員工層面，該大模型在可信、安全的前提下降低了員工使用門檻，又提供了更為強大的信息提取與總結歸納能力，增強了員工效率，降低了人力成本，盡可能地規(guī)避了“有多少人工，才有多少智能”的問題，為金融領域的大模型應用提供了全新的發(fā)展方向。

蔣寧認為，“天鏡”大模型同時也將對整個金融行業(yè)產生影響，包括個性化的服務和極致用戶體驗、高效的價值傳遞效率、提供安全合規(guī)的決策。

 03 

創(chuàng)造“大模型生態(tài)”

大模型“群體智能”特性的存在，使得越早投入市場應用，越能在未來的競爭中占據(jù)功能完善、智能交互上的先機。

“天鏡”大模型發(fā)布會上，蔣寧表達了希冀：希望未來在垂直大模型領域成為行業(yè)第一，依托純線上數(shù)字化營銷、運營、客服、貸后等行業(yè)應用，找到關鍵的合作伙伴，為整個人工智能生態(tài)提供補充，以此讓大模型變得更加合規(guī)安全。

為了實現(xiàn)這一目標，馬上消費提出“三縱三橫”戰(zhàn)略。三縱是數(shù)據(jù)智能、多模態(tài)大模型、實時人機決策三個縱向場景做深做透；三橫是通過持續(xù)學習技術、模型合規(guī)、組合式 AI 系統(tǒng)技術形成安全、合規(guī)、可信的魯棒性決策能力。

實現(xiàn)“完善人工智能生態(tài)”的兩條路徑，是馬上消費一面利用“天鏡”大模型的實際應用，獲得更多用戶交互、智能業(yè)務層面的寶貴經驗，進行敏捷迭代與模型進化。另一面則將大模型轉變?yōu)橥瑯I(yè)科技輸出解決方案的一部分，提升自身定制化能力，也為更多中尾部機構提供利于發(fā)展的大模型“底座”，成為數(shù)字化轉型過程中的有力推進器。

這種C端內部用戶與B端伙伴的齊頭并進，也是大模型賦予金融領域的強大能力，更是金融領域依托科技能力向“專精特新”發(fā)展的有效路徑

來源 | 零壹智庫