Passion Group
当前，商业银行需深入洞察决策式与生成式AI的精髓，精心规划其应用蓝图。一方面，决策式AI作为银行业人工智能应用的核心力量，展现出巨大的潜力与广阔的应用前景。人脸识别、语音识别、OCR等技术的成熟度与丰富的应用场景，加之其低廉的试错成本，均为其进一步推广提供了坚实支撑。另一方面，生成式AI正处于技术迭代的快车道上，应用场景的探索与实施路径的完善仍在进行中。展望未来，面对银行业日益复杂的业务需求，大模型与决策式AI的大小模型协同将成为重要趋势，共同构建更为强大的支撑服务体系。
然而，人工智能的深度应用并非意味着银行需“全面拥抱AI”。相反，应遵循“坑少、本小、利大”的原则，根据地域特色与业务需求，精选人工智能应用的适宜场景，以实现价值的最大化释放。具体而言，可优先选取“坑少”的场景，即技术相对成熟、风险较低的应用领域，快速积累应用经验，推动技术成熟度的不断提升。同时，应追求“本小”的应用模式，为新技术提供充分的试错空间，避免因沉没成本的累积而陷入“船大难掉头”的困境。最终，新技术应用的基本目标应聚焦于“利大”的服务效果，即将提升客户与用户的服务质效置于首位，让人工智能成为推动银行业务转型升级的重要驱动力。
安全合规：人工智能应用不可或缺的基石
人机协同：人工智能的新应用范式
人机协同已成为人工智能发展的主流趋势。人工智能的诞生并非旨在取代人类，而是旨在通过其强大的辅助能力，为人类的生产生活带来前所未有的便利。从某种层面上讲，“机器人”这一概念更应被理解为“机器+人”的协同工作模式，这将是未来人工智能应用的重要范式。
尽管当前的人工智能技术在处理银行业务等领域已展现出高度的精准性，但要求机器在所有情况下都达到100%的精确度，仍面临技术可行性的挑战，同时实施复杂度和改造成本也相对较高。因此，在面对人工智能的“误差”时，我们可以借助人工辅助的手段进行弥补，将人工智能定位为人类的得力助手。在这种“机器处理+人工辅助”的模式下，我们能够实现性价比最优的应用效果。实现人机协同的模式，无需对现有的业务流程或人员岗位进行颠覆性的调整。相反，我们应该采取“化有形为无形”的策略，基于“作业即标注、作业即提示”的流程设计理念，推动业务流程从面向用户向面向“用户+AI”的转型升级。
深化人工智能应用需循序渐进，智慧银行建设亦非一日之功。在迈向数字化时代的征途中，构建智慧银行应秉持应用引领的原则，紧密围绕场景、流程、组织、数据、模型及技术等核心要素，扎实完成能力储备与体系构建，从而系统性地部署并实现人工智能的全面赋能。
构建全生命周期数据闭环
完善技术布局，构建支撑AI应用的IT架构体系
强化新一代AI智能算力基础设施建设 紧跟智能化算力发展浪潮，量身打造适配“AI+”应用的AI算力集群，并铺设高速稳定的网络基础设施，持续提升AI算力的密集度与效率。同时，需灵活应对业务需求的弹性变化，建立健全AI算力资源的测算、保障与调度机制，进一步丰富AI算力生态，加速推动模型算法、平台框架、算力芯片等多元异构元素的兼容与融合。 构建“数据+模型”双轮驱动的IT架构新范式 一方面，确保系统架构能够支撑数据闭环的顺畅运行。依托DataOps体系，围绕数据的采集、构建、使用与管理等关键环节，助力应用系统实现模型与数据的持续迭代优化，形成良性循环的飞轮效应。 另一方面，系统架构还需支撑模型闭环的完整构建。借鉴MLOps的先进理念，打造集模型训练、管理、部署、运行、应用于一体的闭环体系，全面提升AI研发与运营的整体效能。
大模型时代的人才新特点
适应新时代需求的学习型人才 随着大模型时代的迅猛发展，在即将到来的新一轮工业革命中，主动拥抱并高效运用大模型的金融从业者将抢占先机。新时代的AI人才需敏锐捕捉技术前沿，保持旺盛的学习热情，持续深耕新技术、新理论，精通计算机视觉、机器学习、自然语言处理、机器人技术、深度学习、生物识别、知识图谱、强化学习及提示词技巧等大模型核心技术，并密切关注RAG、AI Agent及多模态技术的演进趋势。同时，他们应积极将大模型应用于解决工作难题，不断提升工作效率与质量，以适应新时代的需求。 把握新机遇的创新型人才 大模型时代对AI人才提出了全新的要求，他们需融合技术、精通算法、数据驱动，并勇于创新用户体验和场景应用；同时，还需具备前瞻性的想象力与智能化的交互能力。此外，积极学习并掌握与大模型高效沟通的技巧亦是不可或缺。值得注意的是，高质量的提示词，如遵循“CO-STAR”原则，已成为解锁大模型应用潜力的新钥匙。新时代的AI人才应持续探索并优化提问艺术，确保每一次与大模型的交互都能精准捕捉其思想，洞悉其需求，从而生成最贴近心意的答案。 探索新场景的敏捷型人才 人工智能时代，科技进步的步伐愈发迅猛，具备敏锐的应变与适应能力变得尤为重要。2022年11月末，美国OpenAI公司成功推出了生成式人工智能聊天机器人ChatGPT，这一创新之举迅速点燃了人工智能应用的新一轮热潮。在此背景下，银行业亟需构建一支能够迅速适应新技术更迭与新业务涌现的AI专业人才队伍。他们需持续学习新知，掌握前沿技术，勇于探索创新方法，并积极拓展应用新场景，以确保在技术日新月异的竞争中抢占先机，充分发挥人工智能在金融领域的潜力与价值。同时，这支队伍还需具备高度的敏捷性，紧跟技术变革的步伐，不断迭代优化，保持技术与场景的前瞻性与先进性。
大模型时代的新质人才新体系
打好基础，组建AI科技型人才团队 为加速大模型在银行领域的应用，银行需构建一支由顶尖AI模型开发者、资深数据管理师、专业算法工程师及高效提示工程师等核心成员组成的精英团队。此团队将致力于强化银行的大模型基础能力，通过整合并训练海量的内外部大数据资源，针对多样化的业务场景，灵活运用预训练、微调及强化学习等先进技术，实现大模型能力与具体应用场景的精准对接与最优匹配。 做好实施，建立创新型人才团队 为更有效地将大模型融入业务场景，银行业需强化应用型人才的培养，以充分利用人工智能技术减轻工作负担。 具体而言，个人金融领域，员工可借助大模型优化资料填写流程，高效制定营销方案与策划文案，自动生成个性化推荐话术、定制营销图片及产品宣传视频，从而深化个人客户服务的个性化和多样化程度。在公司金融方面，员工能利用大模型辅助知识检索、材料审核等重复性任务，如对公客户调研报告、客户拜访记录及会议纪要的撰写，进而释放更多时间聚焦于客户咨询、产品推广及深度营销服务等高附加值活动，提升对公客户服务的整体效能。对于风险管理条线，大模型成为辅助风险对话分析、执行风险核查及撰写风险报告等复杂工作的得力工具。资金资管领域的员工则能依托大模型掌握最新市场动态，模拟市场走势，并快速生成投资研究报告摘要，助力精准决策。
佩企观点：在人工智能深度应用的浪潮中，银行业正面临前所未有的人才转型挑战。AI时代对银行人才产生了新要求，必须构建一个由AI专家、数据科学家和算法工程师组成的多元化团队，以推动大模型技术与业务场景的深度融合。同时，银行需要培养员工的AI思维，提升在风险管理、客户营销、产品创新等领域的应用能力，确保在数字化转型的道路上保持竞争力。这不仅关乎技术的应用，更是对银行业务模式和人才结构的一次全面革新。