實戰 | 認知智能助力平安銀行數字化轉型

認知智能的發展與理解

近年來隨著AI涉及的大數據、算法、算力三要素的演化、創新、升級，不斷賦能人工智能多場景、多維度、多層次的應用實踐。特別是算法層面，深度學習逐步成為對技術、神經元網絡、統計算法的融合性應用，從B端的OCR識別、RPA技術、智能行程規劃等各類提升效率的應用，到C端的語音助手、人機交互、智能推薦等代替人工的場景，人工智能場景在不斷豐富，并逐步滲透人們日常生活中。

按照人工智能的發展，可以歸結為三個階段——計算智能、感知智能和認知智能（見圖）。

圖 人工智能的三個階段

計算智能（數據升級）：以數據為基礎、計算為手段基于特定領域構建挖掘模型，實現對問題智能模擬與認識，主要應用的場景有模式識別、經濟預測、金融分析、數據挖掘等。

感知智能（算力升級）：通過視覺、聽覺、觸覺等各種傳感器獲取信息、人機交互的能力，目前自動駕駛汽車以融合語音識別、圖像識別、人工智能算法等前沿技術實現感知智能。

認知智能（算法升級）：即“能理解會思考”，使機器像人一樣擁有處理復雜的問題的能力，主要的應用場景有智能風控、智能投研、智能制造、智能安防等。

面對人工智能的第三波浪潮，中、美、日、歐盟等國家和地區陸續出臺關于人工智能發展的整體戰略或者具體政策，全球人工智能進入廣泛布局、深度落地階段。

我國人工智能在政策推動和戰略布局上也在逐步加快，2017年國務院發布了《新一代人工智能發展規劃》、2018年相關部門和研究機構發布了《中國人工智能發展報告2018》《中國人工智能發展報告（2019—2020）》及《中國人工智能2.0發展戰略研究》等重要研究成果，從中央到地方政府，尤其是以北上廣深杭等地區為代表，各級政府充分給予專項政策支持、加大對人工智能人才培養與引進，加快智能產業孵化，搶抓新一代人工智能發展機遇。

認知智能的技術架構

1.認知智能技術發展

認知智能是集理解、推理、學習及互動能力于一體的新一代信息系統，它以人類認知體系為基礎，利用海量的行為數據，通過機器學習、深度學習、強化學習方式反復訓練、模仿人類，構建類人類情感識別能力、學習理解能力、思考分析能力、推理決策能力。

在技術實現上，認知智能所需的底層算力通常會借助與大數據、云計算（CPU+GPU）的海量云端計算能力及基于終端的邊緣計算能力，分析算法會綜合使用圖像識別、智能語音、NLP、知識推理、知識圖譜等相關的關鍵技術，通過軟硬一體化的解決方案，支撐認知智能在各種場景和應用中落地。

2.平安銀行技術架構

平安銀行自2020年起整合各條線AI應用場景技術支持能力，逐步構建完成企業級AI中臺——AICloud平臺，實現人工智能模型訓練與推理一體化的全生命周期管理和服務體系，有效支持認知智能模型樣本管理、特征生成、智能標注，模型設計訓練及模型監控等環節。目前ALCloud平臺每年支持全行近2000個AI算法模型的訓練、600多個在線模型推理業務場景服務，其中圖像識別（OCR）、自然語言處理（NLP）技術已應用支持風險、運營、服務等50多個場景的智能化升級，日均調用量超30萬次。平臺容納全行300多名算法工程師同步開展算法模型數據探索與訓練。

AI中臺技術架構分為五層，分別承擔算力、數據、模型構建、服務及應用支撐等職能，其中：

AI底座算力層管理AI基礎能力，包括算力硬件、計算引擎、容器云（K8S）、對象存儲和各種主流的算法框架。算力硬件包括GPU、FPGA和MLU等基礎硬件的管理，其中為了提升資源使用效率，平臺探索實踐運用GPU虛擬化技術，并已有效應用于模型訓練中。算法框架包括Tensorflow、Pytorch、Mxnet、PaddlePaddle和Horovod等，一站式支持了AI模型訓練和推理需要的基礎能力。

AI數據層統一管理全行模型的建模特征數據，特征中心管理結構化模型特征，支持特征對接、特征衍生加工、特征共享和特征服務；樣本中心管理非結構模型特征，支持非結構模型特征的統一管理和標注；向量中心對復雜特征進行向量化處理，支持快讀檢索、比對等，也是多模態模型的基礎。

AI平臺層是全行的建模中心和模型管理中心，統一了建模的能力，包括Notebook代碼建模的能力、可視化建模能力、自動化建模能力和場景化建模能力，模型訓練好之后在模型中心進行統一管理。在模型中心經過模型測試、驗證、部署推理上線并進行監控。

AI服務層統一管理模型服務，服務上線推理之后由AI服務層統一對外提供服務。AI服務層支持不同模型服務的編排、模型服務的AB測試和模型服務的監控。

AI應用層包含了全行AI主要應用場景，包括CV（OCR）中臺、NLP中臺、機器人中臺、推薦中臺和風險決策引擎，這些應用已經慢慢滲透到了全行所有的業務當中。隨著AI模型在行內的應用越來越廣泛，AI應用層的場景也越來越豐富，AI模型對全行業務的積極影響也越來越大。

3.AI與認知智能技術架構進一步發展規劃

近年來隨著銀行業信創工作的不斷深化拓展，在AI領域的基礎算力、算法引擎等方面也進入到自主可控的節奏范圍中，2022年平安銀行已開始推動AI領域自主可控方案的探索工作。基于銀行營銷、風控、內控等認知智能場景的測試、適配與評估，未來我行AI相關的軟硬件產品將逐漸替換為國產服務器、操作系統、芯片、信創圖數據庫及信創AI算法框架，重塑自主可控的AI能力，持續實現認知智能對平安銀行金融業務的服務與支持。

認知智能應用案例

平安銀行在2022年戰略性推進全行數字化轉型升級，圍繞數字化經營、數字化運營、數字化管理、數字化風控開展技術升級、業務場景升級，提升服務效率、降級運營成本，AI認知智能在數字化轉型業務場景中實現了更深入、更落地的應用。

1.數字化經營

平安銀行一直致力于打造“五位一體”零售新模式的戰略布局，以“開放銀行+AI銀行+遠程銀行+線下銀行+綜合化銀行”的體系化協同發展新模式。這套模式，以數據為基礎，AI為內核，通過精準客戶畫像識別，基于場景數據精準分析，通過高效組織內部各類資源，通過“ATO”模式（AI銀行、遠程銀行、線下銀行“AI+T+Offline”），“以客戶為中心”為客戶提供精準服務。基于大數據和AI，在最合適的時機、最合適的場景為最廣大的客戶提供最合適的零售金融產品服務，實現全客群經營、全旅程陪伴，極大豐富人民群眾對于金融服務的獲得感和滿足感，從而提升普惠金融的廣度和深度。認知智能在平安ATO零售客戶經營模式中賦能了大量的業務場景，其中在客戶服務領域智能的用戶意圖理解和精準的金融產品推薦較為典型。

在用戶意圖理解方面，在ASR/TTS技術的基礎上，智能客服機器人充分利用前沿的大規模語言模型結合多種上下文信息，使用命名實體識別、領域識別、意圖識別、情緒識別等各項技術，完成對用戶意圖的深度挖掘，從而完成多輪對話，給客戶帶來流暢的服務體驗。

在金融產品推薦方面，結合銀行的KYC、KYP及對用戶意圖的深度理解，以客戶體驗和業務目標為基礎打造獎勵體系，通過強化學習完成多步路徑級優化，進行智能精準的產品及服務推薦，一方面充分達成了業務目標，另一方面也為用戶提供了細致入微的完整服務體驗。

2.數字化運營

平安銀行是業內最早開展運營業務集中作業的銀行，經歷了近20年的發展，集中作業中心集成了實時面客、征信審批、基礎運營、審核內控等四大板塊，為全行三大業務條線（零售、對公、資金同業）提供了超過500項業務產品的集中運營服務。隨著集中作業種類和流量的不斷增長，傳統以人為操作為主的集中作業系統已經無法滿足業務響應要求，需要通過AI和認知智能附加實現業務倍增而人力不增的目標。2021年平安啟動“越集中越智能”項目，通過搭建產能價值指標體系構建集中作業數據中臺、挖掘集中作業場景進一步促進業務集中范圍、智能化驅動業務流程更加高效敏捷風險可控、管理挖潛提升人員作業產出時效等數字化升級動作對運營集中作業系統進行全面換代升級。

特別是在實時面客環節，平安已經上線虛擬數字人服務。作為多模態人機交互領域的重要成果，“虛擬數字人”依靠前端語音處理、語音喚醒、語音識別、語音合成、語義識別、計算機視覺和圖形學等技術支持，結合動作識別和驅動、環境感知等多種方式，能夠充分模擬人與人之間的交互方式。目前平安虛擬數字人已經能夠辦理銀行金融業務，要做到這點需要虛擬數字人的擬人化程度高、交互體驗好，并和銀行業務系統打通融合，確保交易的準確性和安全性，同時要能“聽得懂、辦得快”，給客戶帶來便捷、流暢的服務體驗。后續平安虛擬數字人將進一步提升獨立完成業務的能力，解放行員運營操作，釋放人力資源到復雜業務服務場景中去，并通過不斷的訓練，提升虛擬數字人微表情及唇部動作模擬，讓客戶感受更加親切。

3.數字化風控

認知智能在銀行數字化風控領域除了信貸線上化審核評分時的反欺詐應用外，在貸后預警等方面也有深度應用。平安銀行在服務普惠金融方面對中小微企業信貸投放后的貸后預警模型就是基于NLP技術的認知智能典型案例。

首先是獲取能夠識別企業的風險事件的文本數據，主要是公司的新聞、公告、財務報告的信息，數據的主要來源是重要新聞媒體、社交媒體、企業官方的公告以及財經類客戶端數據。

其次是運用NLP技術訓練模型,生成認知輿情預警信號進行貸后策略干預。在沒有運用NLP技術之前，專家人工閱讀新聞文檔來提取關鍵信息，根據提取的信息判斷企業的輿情風險。在使用NLP技術之后，則可以把專家做的事情變成NLP算法自動化完成，抽象和定義出NLP的訓練任務，通過模型自動對核心企業進行負面輿情預警。

在新聞輿情數據分析中，輿情分析的整個過程就是通過算法模型從文本信息中抽取出結構化的知識，將雜亂無序的信息轉化為有序且高價值信息的過程。

第一步：通過算法模型從新聞數據中提取結構化的信息，包括事件識別、事件主體、事件關鍵句。事件識別是一個文本分類的任務，企業實體識別是經典的命名實體識別任務，關鍵句提取是基于抽取式的文章摘要任務，這三個任務都是經典NLP任務。這里比較重要的是風險事件的定義，覆蓋財務風險、信用風險、經營風險等各種類型，有9大類風險事件。

第二步：衍生負面輿情指標并與企業真實的風險事件做關聯分析，通過定量的建模分析，篩選出更有效的預警指標。比如我們會衍生一段事件內的輿情新聞數量、熱點增長率等指標，再通過關聯分析，分析出哪些風險事件風險比較高，輿情新聞數量超過多少的閾值預警準確率更高。

第三步：基于以上定量分析，設計一套預警規則模型。當有新的核心企業名單需要掃描，系統可以自動地生成輿情掃描詳情、輿情風險提示、輿情概要，通過這個報告展示企業觸發了那條輿情規則、風險事件的類型以及風險事件的關鍵句信息。

未來展望與建議

伴隨互聯網、大數據、云計算等IT基礎設施趨于成熟，深度學習算法和框架得到了顯著突破，人工智能進入了持續發展高峰期，認知智能將會成為人工智能下一個熱點。

銀行作為與認知智能融合最深的領域之一，在營銷、信貸、客戶服務、財務管理、運營管理、風險控制等場景中均有智能AI應用的落地，其應用模式逐步實現了自動化、標準化、體系化，認知智能必將在平安銀行聰明經營、提升管理、風險防范、提升服務、降低成本等各方面數字化轉型升級中扮演重要的角色，未來“AI先行”“AI賦能”也將成為銀行市場競爭中的制勝法寶，成為金融行業踐行金融的人民性，實現服務實體經濟、普惠金融的重要利器。