金融业作为数字化和智能化的先行者,具备人工智能应用的场景舞台和技术实施基础。在银行数智化发展过程中,数字员工成为发展数字金融的重要应用载体,人工智能从基本的对话功能逐步发展到能够执行复杂任务、推动创新和进行组织管理的高级阶段,同时生成式人工智能的迅猛发展为数字金融带来新的发展方向。
以人工智能自主性差距为例,传统型聊天机器人的特性是低自主性模式,具有静态、响应式、简单任务、简单场景和有监督的特点。基于大语言模型的智能助手,具备一定程度的自适应性和规划能力,能够处理更复杂的目标和场景。而具有高自主性的智能代理,在适应性和主动性方面超越了传统聊天机器人和基于大语言模型的智能助手,具备主动规划、复杂目标、复杂场景和自执行的能力,实现了更高水平的自动化和智能化。作为领先的大数据实时智能处理技术企业,金融风控领域是邦盛科技最先成熟应用的场景。尽管基于DeepSeek等大语言模型可快速应用于风控文档解读、生成以及风控问答等场景,但仍属于大语言模型的浅层应用,真正的深度应用需要进一步挖掘大模型的潜力,结合金融行业的独特需求,实现更复杂的业务赋能,打造垂直行业的数字员工。目前邦盛科技基于实时智能技术体系,从“热数据”走向“热知识”,形成了一整套面向风控的对抗成熟度模型,以流批一体的数据处理能力为核心驱动力,构建了五阶递进式成熟度架构,实现从传统风控模式向智能体赋能的业务科技融合范式演进路径。
初始级阶段的特点是“业务动动嘴,科技跑断腿”,业务的需求需要科技部门付出较大努力去实现。这个阶段,往往需要科技人员投入数周甚至数月时间完成投产动作,风险对抗效率低下。基础级阶段引入规则引擎实现业务逻辑显性化,建立静态风控策略库,规则维护依赖专家经验沉淀,缺乏动态调优能力。发展级阶段通过“规则+指标”双轮驱动体系,实现指标动态监控与规则半自动迭代。在优化级阶段,引入初段数字风控师智能联动,建立端到端自迭代风控中台,实现策略推荐、智能规则生成、智能特征生成,辅助规则回测、预警回溯、指标冷启动的能力。这一阶段强调自动化和智能化,具有多种智能功能来优化业务规则。该阶段,数字风控师主要辅助风控专家完成规则全生命周期的快速联动。从场景分析、案例分析出发,自动完成指标生成、条件筛选、阈值调整、规则生成等全过程,同时在邦盛强大的规则回测能力下进行智能化回测,自动解读回测结果,并持续小步迭代,从而快速生成生产效果明显的业务规则。该阶段将会极大地提升风险运营效率,解放风险业务专家的生产力。在卓越级阶段,高段数字风控师作为数字员工,在规则的基础上,引入机器学习模型的相关能力,进一步通过AutoML和AutoFE实现端到端的自迭代,业务与科技达到高度自动化和智能化,实现“业务动动嘴,数字风控师跑断腿”的“数据飞轮(data fly wheel)”效应,这种深度融合将为金融风控领域带来更高效、更智能的解决方案。同时在邦盛科技实时智能技术体系的支持下,实现规则模型的一键上线,并借助AI驱动的RPA(机器人流程自动化)技术,完成“人在回路”的高效协同。未来,数字风控师的引入,让银行基于分层架构和成熟度模型,实现业务垂直领域的数智化转型升级路径。
