如影随形

Minsheng Bank Shen Zhiyong：在场景的时代，金融技术的

发布时间：2025-09-11 11:52编辑：365bet网址浏览（184）

中国国际服务：第七届中国金融技术论坛于2025年9月10日至11日在北京举行。问题是“方案创新和金融技术在伟大模式时代的应用”。中国明山银行数据管理总经理Shen Jioung参加并宣布开幕词。 以下是演讲的转录。 亲爱的客人： 大家好！我们很荣幸有机会与您分享对Minsheng Bank的探索以及在伟大模型领域的实践经验。这次的共享问题是由组织者开发的，将在此主题上开发特定的内容。 1。金融技术需要解决的问题 让我们开始专注于问题并讨论金融技术。 “金融技术”是一个相对传统的概念，但是金融数字和数字化转型的概念正在变暖。对于金融机构，有很大的差异我们的创新与技术公司之间的挑战。另一方面，金融机构在创新方面受到高度盲目限制，需要在其合规框架内不断进步。另一方面，他们需要更多地寻找应用程序的有效性并提供真正的商业价值。 为了平衡创新和应用程序，您必须首先阐明三个主要问题： 1。金融技术需要解决的主要问题是什么？ 2.您如何看到大型模型工具？这是什么意思？您应该处理什么心态？ 3。如何有效促进创新和大型模型的应用？ 金融科技实际上是“金融 +技术”，其主要目标是解决信息不对称的问题。从财务属性的角度来看，财务和信息通常被认为是高度相关的，并且在整个财务过程中进行了信息和处理流程金融市场。从技术属性的角度来看，我们在这里关注信息技术。我想使用DIKW管理模型来解释“信息”的含义。这清楚地显示了两个级别的信息和进化来源。 信息数据：信息很有用“是数据”，其价值在于解决不确定性。尽管结构化数据信息的传统提取相对成熟，但从非结构化数据中提取有效信息仍然是一个重要的问题。尽管已经有成熟的技术可以找到非结构化的数据，但应优化更多深入的信息和信息的改进。 知识信息：“简单信息和util”称为知识。知识需要经验，相关检测和系统的组织才能实现信息继承。核基于建立有效机制，例如存储，更新和循环。类似于信息ext差异，对非结构化内容的知识的转换实际上是一个困难。 知识：智慧是在正确表达和控制所获得的知识的能力中反映出知识的有效和精确应用。 DIKW模型清楚地显示了发电的信息与应用程序之间的完整联系，并且在大型模型出现之前，金融技术部门通过各种技术手段提出了发展。过程： 在信息级别的信息级别，搜索信息（例如搜索引擎）和信息提取（不是为了适应Tostructure）是常规的技术路线。 从信息到知识的水平，结构化存储和知识的相关性是通过知识库，成对的问题和答案，词典和知识图形来制作的。 从知识水平到智慧，对话机器人基于问答系统和知识图形以模拟智能交互。 这些传统方法本质上是知识的结构性转变，而没有改变本地知识的形式。大型模型的出现导致了破坏性的变化。它不取决于知识，索引和恢复的重组，而是“说”知识并响应需求。信息提取的效率和有效性大大提高。知识图以新格式保存。 Robdialogue OTS降低了对现有结构化数据的依赖性，并实现了更多的自然相互作用。可以说，最大的模型为许多金融技术领域具有更好的解决方案，并促进了技术应用方法的系统优化。 2。金融业如何看待出色的语言模型 如何显示大型语言模型有三个重要问题。 （i）歧视还是世代？ 尽管区分模型被广泛使用in传统的金融技术作为生成模型，不应过分放大大规模语言模型的价值，无法“替换所有模型”。该行业的共识是，应将大型和小型模型，判别和生成剂一起使用。当与多个大型模型进行交互时，这是一致验证的，并且也通过行业实践来验证。 （ii）搜索还是推理？ 这个问题与对伟大模型智能本质的理解有关。大型模型的“推理能力”经常受到侵权，但是从传统的角度来看，其核心逻辑仍然基于模式的巧合和寻找现有知识，并且尚未达到人类自主推理的人类水平。从及时的变压器核的结构来看，KQV矩阵基本上没有与现有知识类别分开，仍然没有能力创建“无”知识。这个受限决定了应用程序必须合理地观察其功能并避免过度依赖。 （iii）NLP还是AGI？ 自然语言处理技术（NLP）中的大型语言模型是否更接近典型的人工智能（AGI）原型？就我个人而言，我认为看到ASA在NLP技术中跳跃是更客观的：这种类型的认可可以在实用中心获得更多惊喜，并根据现有的NLP场景和实施技术取得进展，而不是由于过度的AGI期望而陷入损失。 3。如何促进大型模型的实施：探索Minsheng Bank Minsheng Bank的出色模型与同事具有相似之处，其主要逻辑可以从三个层面开发：技术系统，场景和组织机制的促进。 （i）技术系统体系结构 大型模型技术系统是AI系统的重要组成部分。它分为四个级别：t他的基础架构层，数据层和模型，平台层和应用层。此外，NOH的建筑治理和Talentola建设，安全和机构系统的实现是保证有效的技术系统运营的重要支持。 （ii）场景促进机制 在巨大的模型繁荣下，商业部门的需求看到了爆炸性的增长，包括许多“祈祷的需求”或故意需求。从这个意义上讲，我们建立了一种称为“思考，尝试，释放”的漏斗样式检测机制，以确保资源通过每层层评估集中在高价值方案上。实际上，我们使用“中央 +分散”的组织格式将场景分为密集的工作和密集工作。基本技术组提供统一的算法模型并连接多个业务现场组。该角色对于实施技术很重要。 4。实践经验：重要公司gnition和经验 （i）舞台申请的成功元素 AI项目的成功通常取决于“数据基础”和“群众基础”。 数据库：在具有NLP技术积累的“烹饪”场景中，可以更容易地获得广泛积累数据的结果。 基于群众：对技术方法和方法的业务部门的理解越大，并且项目的实施效率就越有效。 除了技术特征，例如计算机食品，数据和平台之外，还有两个重要特征很重要。 组织和动员功能：通过明确的任务组织格式和领导力领导力促进实施是有效晋升的重要保证。 模型评估能力：自动学习的本质是过滤模型。为了按一层进行检测和评估，我们将大型模型划分为到四个级别，以确保绩效模型满足阶段的要求。 （ii）正确理解出色的模型 实际上，应该避免两个极端的心态。 大型模型的“通用理论”：大型模型不能被视为“玻璃球”，不能满足知识需求。大型模型不能被视为“救世主”。他认为，技术和商业义务可以同时摊销：这是不现实的，一个好的大型模型需要扎实的信息和数据基础。 伟大模型的“无用理论”：它被认为是“无用的”，因为最初的尝试不符合期望。实际上，“智慧和智力一样多。”它必须与AI作为新员工打交道，并给他们足够的培训和净化以适应现场。 （iii）注意实施过程中的要点 作为一家金融机构，而不是技术公司，银行必须专注于中央商务Al方案，在技术层面进行平均实验，并与技术公司形成健康的劳动力部门。这个想法与同伴领导者的意见非常一致，并有助于实现社会资源的最佳分配。 最后，必须强调安全和风险控制。一方面，大型模型继承了信息技术和AI领域的共同风险，必须根据现有框架严格控制。另一方面，其独特的风险来自两个点，其中生成机制的随机性导致无法控制的结果，从而增加了内部数据结构的不透明度。评论和审核的困难。 以上是Minsheng Bank在主要模型的创新和应用方面的研究和经验。感谢您的收听！ 官方NINA Finance帐户 DES Transmissions 24小时的最新信息和财务视频，以及扫描QR码以关注更多粉丝（Sinafinance）