《2023金融业大模型应用报告-破除虚妄务实求效正式版.docx》由会员分享，可在线阅读，更多相关《2023金融业大模型应用报告-破除虚妄务实求效正式版.docx（46页珍藏版）》请在课桌文档上搜索。
1、中国银保传媒口朝研究院OOKaBAXKViGAXDNMMANaJMEIXaCX?aXYI11HD、，RCSC,PMGAdvisory(China)Limited,aWniIddabilitycompanyinMainlandChina,KPMG,aMacau(SAR)partnership,andKPMG.aHongKong(SARyPartnefShp.aremember1irmsoftheKPMGglobalorganisationofindeperxtentmemberrmsaffiliatedwithKPMGInternationa!Limited,aprivateEnglishcom
2、panyIlmitedbyguarantee.AJInghtsreserved.破除虚妄，务实求效：2023金融业大模型应用报告序言司晓腾讯研究院院长大模型能力正逐步渗透至各行各业，催生新一轮创新浪潮和行业变革。在金融领域，行业大模型为金融市胡利明腾讯云副总裁以大模型为代表的新一代人工智能技术，正在加速改变人们的生活方式，助力千行百业；在金融行业，借杜增良中国银保传媒党委委员、总经理近一年金融业对于大模型的探索和运用日益增多，我们感受到行业对于新技术学习和应用的强烈需求。期黄艾舟毕马威企业咨询金融科技主管合伙人数字经济的蓬勃兴起为金融创新发展构筑广阔舞台，大模型的涌现促使金融科技行业范式变革。
3、在风险防控柳晓光毕马威企业咨询金融数字化转型咨询主管合伙人伴随着金融机构数字化体系的演进，金融业数智建设正从“立柱架梁”逐步迈进“积厚成势”O面对以大破除虚妄，务实求效：2023金融业大模型应用报告引言行业亟待破局大模型发展现状技术培育行业基础价值趋势人工智能生成内容技术蓬勃发展，行业大模型与通用大模型竞相培育，伴随着生成内容的可控性增强，垂直场景的试点与探索不断加速，各产业纷纷探索适合自身发展的适配性场景。金融行业是大模型场景探索、应用落地的肥沃土壤，具备信息、数据、知识、人才密集型的特性，顶层政策与区域性规划持续推进前沿技术在金融业的实践与体系建设。大模型是未来金融的商业变革核心驱动之一，
4、重点归集于三大方向：金融机构在服务客户方面的降本增效、场景变革和产品升级；用户获取金融服务入口的潜在迁移和变化；金融行业价值链条的重塑。基于大模型的金融场景多在试验性探索和点状尝试，金融产业链尚未形成基于大模型的体系化应用共识和领先范式，尚未形成标准化的应用演进模式与明晰的场景ROI判断框架本报告将结合腾讯研究院.银保传媒与毕马威在基础大模型的沉淀与洞察.在银行、券商、资管等数字化转型与落地的深度积累，破除虚妄，力求客观.准确地反映相关趋势，以务实求效的核心基准探明金融业大模型的应用场景。目录Ol全球大模型发展趋势研判05页02破除虚妄：大模型在金融业的场景落地边界io页03务实求效：大模型在
5、金融业的价值与应用19页04总结与展望29页Ol全球大模型发展趋势研判1全球大模型发展趋势研判大模型技术发展态势第四波AI浪潮核心驱动近年来，通过在大规模语料库上对TranSfOrmer模型进行预训练,研究者们提出了在自然语言处理（NLP）任务中表现突出的预训练语言模型（PLM）,并发现随着参数规模的扩大，模型会进化出上下文学习等新型特殊能力，为区分不同参数规模下的语言模型，大语言模型应运而生。Transformer模型语料库预训练;预训练语言模型Pre-trainingLanguageModel参数规模扩大J大语言模型1.argeLanguageModel“百行千模”；OpenAI所发布的C
6、hatGPT和GPT-4是大模型!发展的两大重要里程碑：ChatGPT通过将人类生成!的对话引入训练数据，使AI具备了与人类同频顺畅交流的能力，而GPT-4则将文本输入扩展到多模态I信号Google:GPT-IOpenAI:GPT-2OpenAI:WebGPTOpenAI:GPT-3Google:GLaM20212022OpenAI:ChatGPTMeta:OPT-IMLkGoogle:GLaMJF清华大学：GLM2023OpenAI:GPT-4Meta:LLaMAkGoogle:Bard,腾讯：混元百度：文心一言范式变革大模型和预训练让人工智能完成跃迁，诱发了技术质变大模型能力催生场景变革D
7、ATASET1MODELlTASK1DATASET3MODELBTASK3号-二冏-ONEMODClDATASET2M0DEL2TASK2匚-T*ISHWL4)W0L0SDATA纷令文本IJVg富IFoundationModel通过共性学习进行预训练提升模型水平，结合特性学习适配场景特性,并以大模型+工具平台+生态”的协同模式完成应用场景的落地。单一领域数据集；诸多数据集合诸多模型各超级海量数据，无需人工标注;具有跨领域的信息，处理内容更力口多元的“基础模型，可执行多类型任务多模态模型提升决策与生成内容的精准性多模态模型可以同时处理包括声音、文本、图像、信号、视频等在内综合性决策与内容生成更加
8、精准成孤岛缺乏健；捌密集型的嵋标注知识1全球大模型发展趋势研判国内外政策环境现状从2020年开始，美国、欧洲和中国先后出台面向Al的监管政策，对泛Al应用提出了安全性、透明度、可解释性等方面的要求，人工智能步入监管时代。美国：人工智能应用监管指南，2020年1月欧盟：人工智能白皮书，2020年2月中国：新一代人工智能伦理规范，2021年9月T中国：互联网信息服务算法推荐管理规定，2022年3月If美国：人工智能风险管理框架，2023年1月kd.中国：互联网信息服务深度合成管理规定，2023年1月欧盟：人工智能法案，2023年6月中国：生成式人工智能服务管理暂行办法，2023年7月2023年，随
9、着生成式AI应用的指数级爆发,全民AI的普及，中国率先发布了针对生成式Al的监管政策：1 .互联网信息服务深度合成管理规定正式将生成式AI纳入我国的监管范围，要求生成式AI服务提供者应当采取技术或者人工方式对输入数据和合成结果进行审核，并在合理、显著的位置向公众提供深度合成的情况。2 .生成式人工智能服务管理暂行办法标志着我国对生成式Al的治理监管进入体系化阶段，办法明确了对生成式AI实行分类分级监管的基调，涵盖从模型训练、应用运行到模型优化的全生命周期，并规定了服务开发者、提供者的算法备案义务，未来，算法安全监测、数据安全管理、个人数据保护将成为AIGC开发和使用过程中的合规要项。回睽金融业
10、，目前尚未有关于大模型的垂直监管政策出台，但各国家及地区关于金融数据的监管要求，将是大模型在金融业应用时务必要考虑的合规要求。数据保护法（2021年6月）：加强对消费者数据的保护，并对处理消费者数据的实体提出新的要求。处理消费者数据的实体将被要求制I定和实施保护个人数据的安全计划，收集数据需要消费者同意，消费者有权访问、更正和删除其个人数据。I_,金融数据透明度法案（2022年12月）：要求联邦金融监管机构在格式、可搜索性和透明度方面采用特定的数据标准,以进一步推动监管技术和人工智能应用的发展。a数据法案（2022年2月）：促进企业之间及企业与政府之间的数据共享，消费者和企业对其拥有的数据享有
11、更多的控制权。 数据治理法案（2022年5月）：提出促进数据共享及再利用的框架和模式。 中华人民共和国数据安全法（2021年6月）：指引规范数据处理活动，保障数据安全，促进数据开发利用等方向的强监管法规 中国银保监会银行业金融机构监管数据标准化规范（2022年1月）：通过对报送数据的规范和要求，指导金融机构数据质量的提升，帮助建立标准化的数据规范，以满足银行各项生产经营流程中对数据要素的需求。-此处政策为典型示例,未全7部列1全球大模型发展趋势研判AI的第四波浪潮所带来的颠覆式创新”为什么市场上出现了各类大模型公司,以往的Al方案都会说成基于大模型的更新/升级，为什么第四波浪潮为全自动智能化。
12、zz”某商业银行想要升级渠道交互能力,沟通过程中发现90%的方案都是基于大模型,各类方案都在强调大模型或生成式人工智能的优势”为什么是大模型？第四波浪潮的颠覆式创新*离不开算力、数据规模的增长大模型的涌现能力人工智能产业化新范式大模型的涌现能力，即当规模达到一定水平时，性能显著提高，超出随机水平，定义为“在小型模型中不存在但在大型模型中产生的能力”开发范式的转变与大模型的能力带来AI产业化新范式，解决AI应用长尾问题上下文学习假设已经为语言模型提供了一个自然语言指令和/或几个任务演示，它可以通过完城入文本的单词序列的方式来为测试实例生成预期的输出，而无需额外的训练或梯度更新；指令遵循通过使用自
13、然语言描!述的混合多任务数据：集进行微调，能够在：没有使用显式示例的情况下遵循新的任务指令，具有更好的泛：化能力；逐步推理对于小型语言模型而言，通常很难解决涉及多个推理步骤的复杂任务。通过使用思维链提示策略，大模型可以利用包含中间推理步骤的提示机制来解决这类任务，从而得出最终答案。小模型VS大模型比较维度小模型大模型层面需耗费大量时间进行数据标注一次性标注+适量业务数据全流程重复工作、周预训练大模型+下游任期长、精度低务微调，精度高业务支持研发周期长，场景无快速响应，通用性高，法端到端全覆盖场景可延伸1全球大模型发展趋势研判应用能力与方向演进趋势生成内容可控性规则或原理可控复杂逻辑推理可控初步
14、的思维链可控部分逻辑可控基本方向可控不可控人类思维科学发现数字世界AlOS知识符号梳理当前状态=Ifis（简单代码/（特点场景）跨模态数学磔代码补全I：指令的J思维链理解闭卷问答档问答）商业流程自动化设计灵感辅助主题内容文案类助理内容媒乐智能化高质量元整代码完整故事线与文刍AI效率工具及行业解决方案与外部环境互动人机融合的数字世界和生态高级系统设计豆杂学科出究人机协作的前沿科学探索自达代更新的系统开发设计笠杂边辑系统B相对可控I微场景的的文生图J商业写作I*条馨本!1低可控的文本生成低可控的I文生图_4*.*.非主题无逻辑文本Il缺乏控制的图像/关键能力涌现可生成的内容搜索与知辅助蛇十识问答典
15、型应用方向场景实现路径-以大模型的直接衍生能力为主线（生成式人工智能）,绘制应用能力与方向演进趋势-在SinOVatiOnSeedV发布内容揄出上调整更新02破除虚妄：大模型在金融!业的场景落地边界2破除虚妄：大模型在金融业的场景边界当大模型与金融业相结合，有三个核心问题亟需解答如何判断所建场景应当使用哪类大模型？明晰大模型选用的判定方向基于大模型的能力视角，其在金融业的赋能点是哪些?厘清大模型赋能应用场景方向大模型在金融业落地的支撑保障是什么?正确认识大模型落地的全要素2破除虚妄：大模型在金融业的场景边界大模型选用的判定方向-大模型的定位与核心特性以基础大模型作为技术基座，通过行业大模型满足
16、场景特定需求，推动大模型与行业应用融合。基础大模型通用技术基座行业大模型专用行业引擎行业经验反哺具有强大的理解能力、决策能力和生成能力行业大模型基础大模型通用性强专业性欠佳开发成本高.大量的数据和参数进行模式匹配，在多个任务和一领域上表现出较好的性能。二在解决特定场景专业问题时准确度低，难以实现商用。一大模型训练及部署需要大量的计算资源、存储空间和人力时间。提供持续生命力行业需求和应用场景丰富I行业数据繁杂，处理分析难度大提升处理效率强大分析生成能力，实现金融信息精确分析行业知识量大，业务场景期提升回擎确率强大个性化问答能力，实现端到端解决问题，降低整体成本行业数据形式多版权保护强提升雌能力强
17、大的创造能力和表达能力，实现即时报道，个性化创意仃业大模型不胁再现，以用初显成效2破除虚妄：大模型在金融业的场景边界大模型选用的判定方向-大模型的场景适配选择合适的解决方案迎合自身的管理与业务需求，以落地效能清晰界定场景使用模型：大模型将能够通过非常快速的扩展、微调，以及精准定位，颠覆包括营销、风控、内容创作、资管、培训I、客户服务、电商、广告、社交媒体、搜索引擎等在内的众多场景。这些领域的每一个应用程序都将被重新设计和改写，形成不同的界面（如对话式）和商业模式（如极致千人干面的精准营销）o基础大模型：创造性.体验式行业大模型：可控性、ROI基础大模型主要面向泛知识、泛领域的通识场景，追求交互
18、体验，当前以C端的内容消费为主，行业大模型主要面向垂直特定领域的专业场景，容错性相对较低，且追求合理的ROI,以B端的企业服务为主核心工具体验性强、操作简单、可直接完成价值输出的内容创建工具核心工具可助力企业以合理成本训练场景模型，并推演具有高商业价值场景应用的平台或服务场景特征：多模态内容自动生成场景特征：一定条件下的自动化、智能化服务）生成内容的可控性提升基于数据的智能决策自动链接业务流程商业规划、决策优化2破除虚妄：大模型在金融业的场景边界大模型赋能应用场景方向大模型将基于原生场景，以不同的技术路径优化或变革业务逻辑，以多种方式融入并带来功能升级和业态变革。旧场景升级大模型赋能丰富内涵：
19、丰富企业传统场景的业务内容受制于原有技术条件，企业的数字化建设只能作用于特定业务场景的流程管理，无法深入到执行环节，但大模型的加持使得在具体业务执行环节中辅助或者代替员工工作成为可能，将延伸业务边界，丰富场景内容。能力提升：强化原有AI场景的效能及形式与原有Al算法进行融合，在机器学习的任务中引入大模型的涌现、逻辑推理和多模抽取提炼能力，以获得更好的任务表现，如搜索引擎优化、个性化推荐等。两类Al技术虽存在技术路径差异，但能够在细分任务上做拆解，进行细颗粒度的技术共生。0*00新场景变革技术底座：以大模型重构企业级智能架构基座目前，生成式AI场景主要指以自然语言处理、语音技术、图片解析为核心的
20、对话机器人、数字人等场景，而大模型的出现，意味着技术路径转换和技术能力的增强，大模型可在部分场景和任务中替换原有模型底座,如对话、抽取、内容理解等，同时也能够基于大模型开发新的场景。小模型支持业务场景:k大模型在部分场景y替檄h模型:2破除虚妄：大模型在金融业的场景边界创新能力的场景泛化-旧场景的升级金融行业的数字化程度在全行业中相对领先，拥有高价值的领域数据资产，是大模型率先落地的垂直领域之一。大模型将依托其多种能力为金融行业带来原有业务场景的升级，持续丰富业务内涵，提升现有数字化基础的效能与形式体验：以开/闭卷问答能力为核心智能外呼：基于大模型打造智能聊天机器人，可在线上渠道通过文字交流辅
21、助客户咨询或办理业务，大模型的引用使得文字与语音更加人性化，增强共情能力与理解能力，进一步链接客户。场景举例：在信贷涮呈中,砥Al信贷员和用户交谈以收集靛材料X数字人：大模型+数字人的服务用户形态极大概率成为金融服务的主流方式，以期通过其提供的7x24小时智能自助服务拓展营销与服务渠道，使得用户获取金融服务入口发生潜在迁移和变化。场景举例：金融企业内部服务的数字员工，服务客户的“数字客服以数学推理能力为核心BUY SEL2风险管理：基于大模型多模态解析能力，全面释放金融结构化和非结构化数据资产价值，在以往经验规则+统计/机器学习模型”的基础上引入多模态计算能力，更好的识别风险、预警风险与控制风
22、险。场景举例：审杳客户风险时，基于客户的结构化碗、可利用的图片数据、相关舆论信息进行综合解析与建模判断投资决策：依托于大模型的数学推理能力，赋予原先以计算为核心的投决模型更加丰富的多维参考信息和更加动态的衡量标准，全面提升模型的决策能力，让模型能够输出更加详尽的决策过程而不只是答案。场景举例：交易决策建议，固定资产投资建议等以文本生成能力为核心行业研究：基于大模型的知识推理能力，让原先的行业研究模型具备理解分析图表、舆情、往年数据等更广范围信息的能力，得出更加可靠的行业研究结论，提升行研报告的均质化水平。场景举例：投资、基金、券商行业研究报告智能化撰写X智能合约：引入规则信息和利益导向，基于大
23、模型起草或审查合同条款审查合同，快速甄别潜在的利益冲突条款，并加快合同流程，有助于规避潜在风险、提升合同撰写的均质化水平。场景举例：自动生成金融服务合同、交易合同自动审查以知识推理能力为核心知识管理：基于当前知识引擎，利用大模型的能力实现识别、特征提取、客户维系：基于大模型所具有人类思维，同时依靠其知识补全能力和多聚合与重组，变革企业知识管理与知识获取方式，推动高效率与全覆盖进模态信息解析能力，对企业的客户管理行为进行整合分析，并给出客户程。,维系的建议性举措，提升客户管理能力，增强客户粘性。场贯举效企业项目经验查询,标签关联分析等场景举例.自动挖掘潜在客户,存量客户拜访提示等2破除虚妄：大模
24、型在金融业的场景边界创新能力的场景泛化-新场景的变革在为金融行业带来传统场景升级的同时，大模型的强大生成能力和多模态信息处理能力会为包括银行、保险、资管、投顾等在内的金融业务带来迭代式的场景变革：X以代码合成能力为核心 代码生成：运用大模型编写重复代码，可释放更多科技产能，将人力投 1-:-:-1 入到程序、算法等设计过程，提升金融系统禾口模型的开发效率，同时优 il化金融科技团队组织体系。I场景举例：如高频重复业务场景的SQL撰写;数仓的自动调度等以开/闭卷问答能力为核心智能营销：多模态全维度营销策略设计，定制化人群、主题大规模精准投放广告，如图片、短槐顷等，形成真正意义的千人千面千场的广告
25、流投放机制，提升营销转化率。场景举例：理财产品营销、银行零售业务以知识推理能力为核心财富管理：基于大模型调用投行所有分析师的智慧与成果，整合全域研报知识，关联资产配置能力与经验,高效输出相关结果，形成相关客户的智能投顾。场景举例：先期以人+大模型”的保障机制，运转智能投顾大模型,针对TMT领域基金或理财,多模态综合研判输出投顾建议以条件文本生成能力为核心训练数据生成：在金融企业内部业务模型训练过程中，可以运用大模型自动生成接近现实场景的训练数据，用于代替真实的客户数据，从而有效保护客户的雌隐私。场景举例：关联交易风险预警模型;信贷授信模型等模型预料自动生成X金融信息查询：在中国的金融信息数据服
26、务领域，使用一些蜂终端的时候，都是以目录式查询、逐层下钻的方式，而大模型能够创新交互方式，基于金融直接通过问答得到相关数据、指标库和图表等。场景举例：贷款总额报表的快速产出、高净值客户的相关信息快速调取X合规筛查：在产品营销、催收等不易监督的业务环节存在较多的潜在合规风险，依托大模型的多模态信息理解能力，能够对上述环节的业务动作实现高效监督。场景举例：金融企业营销合规监管,银由崔收合规监管代码补全：运用大模型进行方法级的代码生成、代码搜索与检验，快速进行框架搭建与BUG定位、可释放更多科技产能，提升金融系缅口模型的开发效率。场景举例：FUnCtion函数创建、debug、测试（系统、单元等）智
27、能培训：针对现存培训素材与员工画像，基于大模型打造企业内部培训课程库，因材施教，精准生动的完成员工培训。场景举例：面向投研、资管等专业金融技能的人力资源培训平台2破除虚妄：大模型在金融业的场景边界大模型落地全要素：树立大模型落地的正确认知对客业务工具Ensure they have difficult conversations建议大模型的落地由外围场景逐渐渗 透核心业务,由内部管控工具建设至( 基于基础大模型的行业大模 型落地,能够减少泛知识数 据量减少的代价,避免专业场景的大模型幻觉_ J大模型的过程:预训练- 微调-prompt工程 产品化/工程化,MK*O ffkt当下大模型已具备多模
28、态能力,生成能力可控性趋近成熟，推全栈能力建设下,使用成本每年约500万至1500万美元，如果不使用最先IS大模型的建设需要迸行充分的需求评估，避免“伟岸建设2破除虚妄：大模型在金融业的场景边界大模型落地全要素：五大能力域与ROI评估双向提升分解企业架构，运用企业数字化能力模型，从五大能力域出发，实现问题归类和聚焦，明晰大模型在企业长期落地的支撑保障核心要素Digital-ROI“分子”DigitaI-ROI“分母释放数字化转型效益，业务价值图谱描绘与量化评价业务视角一将业务实际价值效果与科技投入进行一致性关联，展现科技投入对业务效益提升的支撑度效果激活数字化转型效能，科技投入商业核算与精益运
29、营科技视角一标准化溯源科技投入在业务端的资源分布，同步衡量科技服务本身价值与团队的工作绩效,匹配发展价值主张原则1-业务价值可量化以业务实际需求和价值为基础，结合行业先进性的技术发展方向对业务价值进行有效衡量原则2-能力清晰可承接对于不同类型的能力需要明确定义清晰定义，保证各项资源投入均有能力以映射原则3-资源投入全覆盖一数字化投入核算应确保覆盖所有数字化相关的资源投入内容，保证投入评价的完整性与全面性原则4-下钻项目全打通一数字化投入核算应下钻至作为数字化建设的实施单元和数字化投入直接面向单位的项目层级03务实求效：大模型在金融业的价值与应用193务实求效：大模型在金融业的价值与应用总体价值
30、：大模型催生效率革命，为金融行业提质增效专业知识+推理能力特定领域表现及适应性助力生产、经营、管理重塑业务模式百业干模满足金融业各类业务需求大模型+AI原生应用推动业务全链条智能大模型在金融业的应用全景视图前台通用模块办公管理文档/图片解析搜索与问答舆情管理知识管理音视频文本图片生成数据分析数据决策分析图谱分析渠道运营智能客服通识工具基于Agent的生产力工具前中台通用应用监管科技个性应用后台应用-此处应用未澄盖全金融行业，将随着技术与业态发展持续更新；截止2023.10213务实求效：大模型在金融业的价值与应用以三视角绘制大模型在金融业的应用路线行业趋势大模型在金融业的应用路线图0”0123
31、45678910技术成熟度金融价值创造应用路线，横纵坐标的线性表现-技术成熟度：以可商用作为技术成熟度高的标准当前，国内金融服务呈现出服务智能化、业务场景化、渠道一体化、融合深度化等特点三由于大模型等新兴技术发展，底层逻辑将发生根本变革，层级化、流程化的金融服务模式期各逐渐消解，而网络化、分布式、场景化、具身化的新金融服务模式将建立三维路线确定I-营销、渠道、风控成为金融业务高频价值场景- 监管科技因大模型的能力涌现有望变革- 代码助手与运维管理成为中后台管理高频需求- 舆情管理、智能投顾、智能投研、智能理赔ROl趋近良好-Agent成为AGI的有效载体，为火热研究方向V一3务实求效：大模型在
32、金融业的价值与应用金融业大模型的落地路径业务场景I渠道管理I营销管理I产品设计I监管科技I办公管理I数据分析I开发与运维I风险管理I通用模块数据标注平台应用调度平台平台&工具训练平台机器学习框架金融大模型政务大模型贸易大模型传媒大模型行业大模型模型底座行业大模型开放生态通用大模型基础设施高性能计算集群高性能计算网络向量数据库典型案例：基于腾讯云TI-OCR的单据处理场景综述：单据处理中需要对大量的非结构化信息进行整理，传统OCR深度学习模型需要经过检测、识别、结构化等多个阶段，各阶段错误累积,难以突破检测识别难点，且不具备阅读理解和推理能力、模型指标上限低，不同场景下模型能力无法复制、定制成本
33、高，而OCR大模型的能力可解决以上单据处理的痛难点。基于腾讯云TI-OCR的单据处理场景场景价值单据处理能效提升从单一版式或混合版趣图片中提取出Key字段、Value字段.期Key-ValUe的键值对关系.实现对如身份证、火车票、机动车登记证等所有字段位置固定的单一版式类型的数据信息进行提取.：实现各类表单、票据、证件、单据等的包含手写体、ED刷体、中英文的字段提取.即通用目标检测,检测出图片中物体所在的框位置及其所属类别.支持四种识别模式三R:专注.OCR细分料景建模的训练平台(MaSter-Worker的分布式架构卜数据生成I数据标注I模型训练I应用编排I测试发布特点1:基于原生大模型，不
34、经过训练，直接支持常规下游任务，零样本学习泛化召回率可达93%特点2:通过prompt设计，不经过训练,支持复杂下游任务岸本学习泛化召回率可达95%特点3:通过多模态技术小样本彳解决传统OCR难题，比传统模型召回率提高3%-20%减少单据处理中的低价值高耗时手工作业，节省运营人力成本，可实现多元业务数据处理的标准化、线上化、自动化。非结构化数据利用率提升)可对非结构化数据进行自动化分拣、提取并转换为结构化数据，实现对各种格式数据的高精度识别，识别准确率95%壮。典型案例：基于腾讯云金融大模型的智能客服场景综述：银行的传统智能客服存在知识维护量大、问答覆盖率低、拦截率低、接待上限低、服务效率低等
35、诸多痛点，同时由于知识边界受限，对于不在知识库的问题回复质量较差，导致在客户体验和企业形象层面存在潜在风睑，而借助金融大模型则能让智能客服场景更稳定、效果更佳。基于腾讯云金融大模型的智能客服场景场景价值智能语音导航&智能问答：将自然语言处理技术与知识库、知识图谱相结合，开发出智能语音导航和智能问答功能作为智能客服的核心，实现对客户的合理引导，将复杂的功能菜单扁平化，提升客服服务效率。智能外呼：利用自然语言处理、情绪识Slk语音识别等技术，将人工客服的服务的录音进行转写，形成可靠数据源以进行专题分析。另一方面，将外呼营销、催收等过去由人工开展的业务，交由机器人办理，并实时对数据进行深度分析，推动
36、客户处理方案向定制化发展。客服助手：在人工座席服务时，为员工提供即时的话术支持，也可以根据人工座席的需求，为人工座席提供即时的协助，提升工作效率。用户交互体验提升让智能客服更加专业，生动、灵活的应对各类非规则化情况，并让服务看得见、听得见，减少人工成本的同日由是开用户交互体验，实现完全意义上的图灵对话。业态精益化运营将原智能客服业务切分为智能坐席、智能人机协作、知识库管理等单元，将服务场景切分为问答、助手、外呼，实现场景的专业化服务与业态的精益化运营典型案例：基于腾讯金融舆情大模型的一级市场智能投研场景价值场景综述：传统的投研流程存在搜索途径不完善、数据获取不完整且不及时、人工分析研究稳定性差
37、、报告呈现时间长等缺陷，智能投研则能通过大模型技术实现的多元数据的智能采集和理解分析，不断迭代分析模型并直接生成投研报告，大幅提升投研质量与效率。基于舆情大模型的投资研究场景投研能力均质化水平提升前端问答通过任务式对话获取投研工作所需的数据信息，减轻信息检索的工作量策略建议对关联、回归分析、宏观、投资模型等金融知识进行建模，让模型提供决策建议报告生成通过模型精调并以企业私有研报数据进行训练，模型可自动生成符合要求的研报结构化数据采集公开数据源结构化抽取结构化半结构化非结构化个性化JL研究 g公司 赧报告邕公告网页 动态模拟资讯代理池登陆知识图谱金融业舆情大模型知识框架阂通过大模型替代传统投研工
38、作中容易产 生疏漏的环节，让更多维度的金融信息 得以利用，同时自动生成报告辅以人工 修正，能让产出内容更加高效、稳定。为向价值链后端延申夯实基础投研环节处于金融业价值链的前端，与 后续风控管理、投后管理等业务领域的 耦合度较高，大模型投研能力的建设有 助于金融业务链价值共享。典型案例：基于腾讯金融风控大模型的风险治理场景综述：当下传统风控模型遇到了通用建模效果有限、小样本数据导致性能不达标等瓶颈，单点防御能力和风险预测能力难以适应业务快速变化的发展需求，而基于大模型的风险治理颠覆传统风控业务流程，实现精准化的动态风控，塑造新的组织形态与业务形态。基于腾讯云金融风控大模型的定制化动态风险治理体系
39、场景价值流程全自动全流程自动建模并自动部署上线，可大幅缩短风控策略部署周期以敏捷响应变化黑产知识库Al算法,APl服务大模型集成了大量风控 模型及相关知识，可按 较高的迭代频率完成专 家级精度的风控建模跨场景泛化风控大模型具备跨场景 的泛化性能力，可跨场 景适用，能够助力企业快速启动新业务)定制反欺诈模型客户风控系统风控能力全方位升级在保证风险识别准确率的前提下加快风 险判断速度，实现动态风险治理，变革 组织运营管理模式，全面提升金融企业 风控体系的上线及迭代速率。解决定制化建模的小样本难题FoundationMOdelMaaPrompt样本腾讯云金融风控大模型依靠大模型自身的“知识积累，可学
40、 习海量多模态的风控数据，高效解决小 样本乃至零样本训练难题，进一步提升 模型区分度，有效面对多风险类别跨风 险业务域的泛化问题。开发与运维典型案例：基于腾讯大模型的代码助手基于腾讯云的AI代码助手I-根据注释生成代码补全行内代码根据上文补下文函数块内补全代码代码补全技术对话 情景感知的技术对话 提问推荐 对话指令操作 对话生成代码建议代码错误修复建议发现潜在代码隐患强化代码可读性提交代码前的检查支撑四大核心能力加速BUG诊断、测试等流程，并通过 辅助补全等能力释放系统及应用开发过 程中的机械性工作，让整个开发过程将 更加高效可控。开发门槛降低场景综述：金融业的数字化整体水平在全行业内处于领先
41、地位，数据平台运行、数仓调用等中后台能力对于金融企业的重要性不言而喻，而代码”则是金融企业中后台能力的最根本保障，通过基于大模型的AI代码助手，可减轻人工撰写代码的负荷，并提升代码质量，进一步强化敏捷开发的效率。腾讯云Al代码助手技术底座精度调优自有数据训练集开源代码微调自有内部代码通过对话学习、快速理解、规范编写等能力降低开发门槛，并在一定程度上用自然语言代替编程语言，让一线业务人员具备开发能力。认知智能跨越式发展-由碎片化到全局化、由结构化到多模态，以一个模型逐渐拟合现实世界全维度，跨场景跨领域的应用将全面绽放-从决策式AI到生成式AI,从简单能力+针对具体任务的专用模型,到复杂能力+面向泛任务的通用模型的路径持续演进将建设负责任、安全可控、功能更强大的通用大模型和相应工具，成为AGl的基础模型，通过云计算、本地部署，成为各项服务的内在中枢和各类计算机软硬件系统的泛在人机接口数智金融加速迈进新时代行业颠覆，体系构筑 实现以新兴技术为核心的金融高质量发展，为未来金融夯实技术基础、明晰潜在方向，推进全真互联的趋势演进 以大模型为核心的应用体系将不断健全，组织形态与监管条例将加速演化，以ROI为首要目标的标准化机制将形成 数据要素进一步提高战略意义，以数据为中心、模型为中枢的业务场景需把握监管合规、安全风控和增长赋能的平衡 提升组
