实战 | 认知智能助力平安银行数字化转型

认知智能的发展与理解

近年来随着AI涉及的大数据、算法、算力三要素的演化、创新、升级，不断赋能人工智能多场景、多维度、多层次的应用实践。特别是算法层面，深度学习逐步成为对技术、神经元网络、统计算法的融合性应用，从B端的OCR识别、RPA技术、智能行程规划等各类提升效率的应用，到C端的语音助手、人机交互、智能推荐等代替人工的场景，人工智能场景在不断丰富，并逐步渗透人们日常生活中。

按照人工智能的发展，可以归结为三个阶段——计算智能、感知智能和认知智能（见图）。

图 人工智能的三个阶段

计算智能（数据升级）：以数据为基础、计算为手段基于特定领域构建挖掘模型，实现对问题智能模拟与认识，主要应用的场景有模式识别、经济预测、金融分析、数据挖掘等。

感知智能（算力升级）：通过视觉、听觉、触觉等各种传感器获取信息、人机交互的能力，目前自动驾驶汽车以融合语音识别、图像识别、人工智能算法等前沿技术实现感知智能。

认知智能（算法升级）：即“能理解会思考”，使机器像人一样拥有处理复杂的问题的能力，主要的应用场景有智能风控、智能投研、智能制造、智能安防等。

面对人工智能的第三波浪潮，中、美、日、欧盟等国家和地区陆续出台关于人工智能发展的整体战略或者具体政策，全球人工智能进入广泛布局、深度落地阶段。

我国人工智能在政策推动和战略布局上也在逐步加快，2017年国务院发布了《新一代人工智能发展规划》、2018年相关部门和研究机构发布了《中国人工智能发展报告2018》《中国人工智能发展报告（2019—2020）》及《中国人工智能2.0发展战略研究》等重要研究成果，从中央到地方政府，尤其是以北上广深杭等地区为代表，各级政府充分给予专项政策支持、加大对人工智能人才培养与引进，加快智能产业孵化，抢抓新一代人工智能发展机遇。

认知智能的技术架构

1.认知智能技术发展

认知智能是集理解、推理、学习及互动能力于一体的新一代信息系统，它以人类认知体系为基础，利用海量的行为数据，通过机器学习、深度学习、强化学习方式反复训练、模仿人类，构建类人类情感识别能力、学习理解能力、思考分析能力、推理决策能力。

在技术实现上，认知智能所需的底层算力通常会借助与大数据、云计算（CPU+GPU）的海量云端计算能力及基于终端的边缘计算能力，分析算法会综合使用图像识别、智能语音、NLP、知识推理、知识图谱等相关的关键技术，通过软硬一体化的解决方案，支撑认知智能在各种场景和应用中落地。

2.平安银行技术架构

平安银行自2020年起整合各条线AI应用场景技术支持能力，逐步构建完成企业级AI中台——AICloud平台，实现人工智能模型训练与推理一体化的全生命周期管理和服务体系，有效支持认知智能模型样本管理、特征生成、智能标注，模型设计训练及模型监控等环节。目前ALCloud平台每年支持全行近2000个AI算法模型的训练、600多个在线模型推理业务场景服务，其中图像识别（OCR）、自然语言处理（NLP）技术已应用支持风险、运营、服务等50多个场景的智能化升级，日均调用量超30万次。平台容纳全行300多名算法工程师同步开展算法模型数据探索与训练。

AI中台技术架构分为五层，分别承担算力、数据、模型构建、服务及应用支撑等职能，其中：

AI底座算力层管理AI基础能力，包括算力硬件、计算引擎、容器云（K8S）、对象存储和各种主流的算法框架。算力硬件包括GPU、FPGA和MLU等基础硬件的管理，其中为了提升资源使用效率，平台探索实践运用GPU虚拟化技术，并已有效应用于模型训练中。算法框架包括Tensorflow、Pytorch、Mxnet、PaddlePaddle和Horovod等，一站式支持了AI模型训练和推理需要的基础能力。

AI数据层统一管理全行模型的建模特征数据，特征中心管理结构化模型特征，支持特征对接、特征衍生加工、特征共享和特征服务；样本中心管理非结构模型特征，支持非结构模型特征的统一管理和标注；向量中心对复杂特征进行向量化处理，支持快读检索、比对等，也是多模态模型的基础。

AI平台层是全行的建模中心和模型管理中心，统一了建模的能力，包括Notebook代码建模的能力、可视化建模能力、自动化建模能力和场景化建模能力，模型训练好之后在模型中心进行统一管理。在模型中心经过模型测试、验证、部署推理上线并进行监控。

AI服务层统一管理模型服务，服务上线推理之后由AI服务层统一对外提供服务。AI服务层支持不同模型服务的编排、模型服务的AB测试和模型服务的监控。

AI应用层包含了全行AI主要应用场景，包括CV（OCR）中台、NLP中台、机器人中台、推荐中台和风险决策引擎，这些应用已经慢慢渗透到了全行所有的业务当中。随着AI模型在行内的应用越来越广泛，AI应用层的场景也越来越丰富，AI模型对全行业务的积极影响也越来越大。

3.AI与认知智能技术架构进一步发展规划

近年来随着银行业信创工作的不断深化拓展，在AI领域的基础算力、算法引擎等方面也进入到自主可控的节奏范围中，2022年平安银行已开始推动AI领域自主可控方案的探索工作。基于银行营销、风控、内控等认知智能场景的测试、适配与评估，未来我行AI相关的软硬件产品将逐渐替换为国产服务器、操作系统、芯片、信创图数据库及信创AI算法框架，重塑自主可控的AI能力，持续实现认知智能对平安银行金融业务的服务与支持。

认知智能应用案例

平安银行在2022年战略性推进全行数字化转型升级，围绕数字化经营、数字化运营、数字化管理、数字化风控开展技术升级、业务场景升级，提升服务效率、降级运营成本，AI认知智能在数字化转型业务场景中实现了更深入、更落地的应用。

1.数字化经营

平安银行一直致力于打造“五位一体”零售新模式的战略布局，以“开放银行+AI银行+远程银行+线下银行+综合化银行”的体系化协同发展新模式。这套模式，以数据为基础，AI为内核，通过精准客户画像识别，基于场景数据精准分析，通过高效组织内部各类资源，通过“ATO”模式（AI银行、远程银行、线下银行“AI+T+Offline”），“以客户为中心”为客户提供精准服务。基于大数据和AI，在最合适的时机、最合适的场景为最广大的客户提供最合适的零售金融产品服务，实现全客群经营、全旅程陪伴，极大丰富人民群众对于金融服务的获得感和满足感，从而提升普惠金融的广度和深度。认知智能在平安ATO零售客户经营模式中赋能了大量的业务场景，其中在客户服务领域智能的用户意图理解和精准的金融产品推荐较为典型。

在用户意图理解方面，在ASR/TTS技术的基础上，智能客服机器人充分利用前沿的大规模语言模型结合多种上下文信息，使用命名实体识别、领域识别、意图识别、情绪识别等各项技术，完成对用户意图的深度挖掘，从而完成多轮对话，给客户带来流畅的服务体验。

在金融产品推荐方面，结合银行的KYC、KYP及对用户意图的深度理解，以客户体验和业务目标为基础打造奖励体系，通过强化学习完成多步路径级优化，进行智能精准的产品及服务推荐，一方面充分达成了业务目标，另一方面也为用户提供了细致入微的完整服务体验。

2.数字化运营

平安银行是业内最早开展运营业务集中作业的银行，经历了近20年的发展，集中作业中心集成了实时面客、征信审批、基础运营、审核内控等四大板块，为全行三大业务条线（零售、对公、资金同业）提供了超过500项业务产品的集中运营服务。随着集中作业种类和流量的不断增长，传统以人为操作为主的集中作业系统已经无法满足业务响应要求，需要通过AI和认知智能附加实现业务倍增而人力不增的目标。2021年平安启动“越集中越智能”项目，通过搭建产能价值指标体系构建集中作业数据中台、挖掘集中作业场景进一步促进业务集中范围、智能化驱动业务流程更加高效敏捷风险可控、管理挖潜提升人员作业产出时效等数字化升级动作对运营集中作业系统进行全面换代升级。

特别是在实时面客环节，平安已经上线虚拟数字人服务。作为多模态人机交互领域的重要成果，“虚拟数字人”依靠前端语音处理、语音唤醒、语音识别、语音合成、语义识别、计算机视觉和图形学等技术支持，结合动作识别和驱动、环境感知等多种方式，能够充分模拟人与人之间的交互方式。目前平安虚拟数字人已经能够办理银行金融业务，要做到这点需要虚拟数字人的拟人化程度高、交互体验好，并和银行业务系统打通融合，确保交易的准确性和安全性，同时要能“听得懂、办得快”，给客户带来便捷、流畅的服务体验。后续平安虚拟数字人将进一步提升独立完成业务的能力，解放行员运营操作，释放人力资源到复杂业务服务场景中去，并通过不断的训练，提升虚拟数字人微表情及唇部动作模拟，让客户感受更加亲切。

3.数字化风控

认知智能在银行数字化风控领域除了信贷线上化审核评分时的反欺诈应用外，在贷后预警等方面也有深度应用。平安银行在服务普惠金融方面对中小微企业信贷投放后的贷后预警模型就是基于NLP技术的认知智能典型案例。

首先是获取能够识别企业的风险事件的文本数据，主要是公司的新闻、公告、财务报告的信息，数据的主要来源是重要新闻媒体、社交媒体、企业官方的公告以及财经类客户端数据。

其次是运用NLP技术训练模型,生成认知舆情预警信号进行贷后策略干预。在没有运用NLP技术之前，专家人工阅读新闻文档来提取关键信息，根据提取的信息判断企业的舆情风险。在使用NLP技术之后，则可以把专家做的事情变成NLP算法自动化完成，抽象和定义出NLP的训练任务，通过模型自动对核心企业进行负面舆情预警。

在新闻舆情数据分析中，舆情分析的整个过程就是通过算法模型从文本信息中抽取出结构化的知识，将杂乱无序的信息转化为有序且高价值信息的过程。

第一步：通过算法模型从新闻数据中提取结构化的信息，包括事件识别、事件主体、事件关键句。事件识别是一个文本分类的任务，企业实体识别是经典的命名实体识别任务，关键句提取是基于抽取式的文章摘要任务，这三个任务都是经典NLP任务。这里比较重要的是风险事件的定义，覆盖财务风险、信用风险、经营风险等各种类型，有9大类风险事件。

第二步：衍生负面舆情指标并与企业真实的风险事件做关联分析，通过定量的建模分析，筛选出更有效的预警指标。比如我们会衍生一段事件内的舆情新闻数量、热点增长率等指标，再通过关联分析，分析出哪些风险事件风险比较高，舆情新闻数量超过多少的阈值预警准确率更高。

第三步：基于以上定量分析，设计一套预警规则模型。当有新的核心企业名单需要扫描，系统可以自动地生成舆情扫描详情、舆情风险提示、舆情概要，通过这个报告展示企业触发了那条舆情规则、风险事件的类型以及风险事件的关键句信息。

未来展望与建议

伴随互联网、大数据、云计算等IT基础设施趋于成熟，深度学习算法和框架得到了显著突破，人工智能进入了持续发展高峰期，认知智能将会成为人工智能下一个热点。

银行作为与认知智能融合最深的领域之一，在营销、信贷、客户服务、财务管理、运营管理、风险控制等场景中均有智能AI应用的落地，其应用模式逐步实现了自动化、标准化、体系化，认知智能必将在平安银行聪明经营、提升管理、风险防范、提升服务、降低成本等各方面数字化转型升级中扮演重要的角色，未来“AI先行”“AI赋能”也将成为银行市场竞争中的制胜法宝，成为金融行业践行金融的人民性，实现服务实体经济、普惠金融的重要利器。