懂行丨零售金融数智化：AI中台如何打通“流量-风控-服务”闭环

2025年4月10日第一财经【懂行】《DeepSeek引爆“智变”：你的行业如何被AI重塑？》线下沙龙在北京中关村创业大街举行。沙龙聚焦AI重塑供应链、医疗、金融领域，对话头部企业与学者，探讨技术落地挑战与行业协作路径。第一财经特邀容联云副总裁&诸葛智能创始人孔淼、安恒信息技术副总裁林明峰、德勤TMT行业高级经理周立彦，围绕“AI中台如何打通“流量-风控-服务”闭环”展开深度对话。

沙龙主理：德勤TMT 行业高级经理周立彦

沙龙嘉宾：容联云副总裁、诸葛智能创始人孔淼

安恒信息技术副总裁林明峰

德勤周立彦：容联云基于DeepSeek R1大模型推出的「知识助理」，强调以业务场景驱动技术落地。在金融领域，知识管理往往面临文档复杂、合规更新频繁、安全要求高等挑战。请结合案例说明DeepSeek的语义理解与RAG技术如何实现从“被动检索”到“主动赋能”的跨越？

容联云孔淼：容联云基于DeepSeek R1大模型推出的「知识助理」，在金融领域实现了显著的技术落地。我们迅速对接该模型，重点解决传统大模型难以应对的金融合规、安全及私有数据支持问题。通过功能化约束和模型微调，确保生成的答案精准符合业务场景需求，避免非合规内容的出现。

针对金融机构内部复杂的业务细节，如理财产品、贷款产品等，我们利用RAG技术整合私有数据和知识，使模型能够深入理解企业特有的业务逻辑。这一技术不仅降低了对人工知识运营的依赖，还实现了知识库的自动化构建，显著提高了知识管理的效率。

在前端应用方面，「知识助理」为银行网点和在线系统提供了智能化的问答支持。员工无需通过多层询问即可快速获取准确答案，从而提高了业务办理效率。同时，对于高频变动的营销活动，「知识助理」能够实时更新信息，确保一线员工及时掌握最新动态，提升响应速度和客户满意度。

德勤周立彦：安恒信息如何应对AI带来的新型风险？

安恒信息林明峰：在金融与医疗领域的AI训练中，大量涉及个人隐私和敏感数据。由于大模型的数据训练具有不可逆性，一旦隐私数据被用于训练，将永久留存于平台基座，仅能通过全量更新基座数据消除，导致持续性安全风险。我们作为信息安全企业，在金融领域提供数据全生命周期的保护方案，从数据获取到销毁的整个过程，我们都有相应的保护措施。同时，我们也是基础设施的安全保护者，确保数据流通和基础设施的安全。此外，我们还是AI技术的受益者，利用内部的安全模型和技术，为金融企业和基础设施提供智能化的安全防护。

在应对AI带来的新型风险方面，我们发现AI平台面临攻击和漏洞测试的挑战。因此，我们从两个角度帮助AI体系应对这些风险。首先，我们进行AI伦理对齐，通过监测输入输出内容，确保应答的合规性，解决可能出现的幻觉和非合规词汇问题。其次，在AI的使用和训练过程中，我们处理隐私和敏感数据，防止数据泄露和威胁。

我们还通过内容过滤和处理，解决大模型平台在输入输出中的安全性问题。同时，我们对模型和基础设施进行加固，以保证模型的安全性。这些都是我们在金融数据安全领域应对AI带来的新型风险的具体措施。

德勤周立彦：大模型如何解决金融行业“数据丰富但场景碎片化”痛点？

容联云孔淼：作为垂直场景的应用厂商，我们聚焦于将大模型技术与行业需求深度结合。与传统通用大模型厂商不同，我们认为金融领域的数据丰富性和场景碎片化并非障碍，反而是机遇。大模型通过海量数据处理能力，解决了小模型时代依赖人工标注、成本高且泛化弱的痛点。例如，在智能客服场景中，我们构建覆盖呼入呼出、在线客服、坐席辅助、质检等全流程的智能化平台，利用大模型统一处理语音、文本等多模态数据，并通过RAG（检索增强生成）技术降低训练成本——仅需上传业务文档即可自动构建知识库，无需全量微调。

此外，场景碎片化恰恰成为护城河：通用厂商难以深入细分领域，而我们通过深耕营销、风控、服务等场景，将数据与业务链路闭环，为企业提供“AI即服务”的轻量化落地路径，最终实现成本降低与效率提升的双重价值。

德勤周立彦：针对金融AI模型的合规性审查面临的挑战，安恒信息的解决方案是什么？

安恒信息林明峰：安恒信息针对AI模型合规性构建了系统性防护框架。在法规层面，我们严格遵循网信办的AI安全要求，以及《中华人民共和国网络安全法》和《中华人民共和国个人信息保护法》等数据隐私规定，确保模型上线后不会引发数据泄露与幻觉风险。

具体来说，我们在模型上线前会进行伦理对齐和风险问答对检测，通过数万种问答对来测试模型，及时发现数据泄露和模型幻觉问题。针对参数量较小的模型容易出现幻觉的情况，我们会使用对齐方式和测试手段进行纠正。此外，我们还通过辅助能力对模型重新进行人工或知识对齐，帮助模型纠偏。

我们相信，随着安全法规的不断完善，AI将会变得更加精确。我们安恒信息也将持续努力，为金融领域提供更加安全、可靠的AI模型合规性防护框架。

德勤周立彦：零售金融的个性化推荐如何避免“算法偏见”？AI大模型和中台在零售金融核心场景落地的最大障碍与解决方案是什么？

容联云孔淼：算法偏见多由技术驱动，如公司过度考核KPI，追求人均市场提高、用户限量活跃提升等，易陷入算法偏见。解决这个问题，一方面要在产品和业务设计中，以用户需求群为出发点，而非仅依赖算法和数据；另一方面，在业务体现上，如智能化营销，要提供以用户为中心的行为采集、分析平台，不只是呈现汇总概率结果，而是把用户洞察落到每个个体的习惯上，根据客户喜好，在页面加入交互算法，设计新产品满足用户变化的需求。

服务环节中，以前客户与坐席和在线的沟通记录常被忽视，机器识别也仅停留在关键词特点，缺乏理解。如今大模型可筛选这些数据，感知客户怎么说、怎么答，还能了解对手情况。通过事后数据复盘，能了解潜在需求模板、服务改善点，避免陷入个性化偏差，使客户看到的不是算法偏见，而是动态行为。这样从用户体验角度出发，通过信息检查，能更好地解决算法偏见问题 。

德勤周立彦：AI风控系统如何平衡误杀率与漏杀率？安恒的动态调优机制是什么？

安恒信息林明峰：在AI驱动的风控系统中，我们引入了高参数大模型以提升效率，但其“半黑盒”特性导致判断过程难以完全透明，误杀率与漏杀率的平衡成为关键挑战。

为应对这一问题，我们在模型内部设置了智能体阈值与风险控制机制，结合高频交易上下文进行综合判断。同时，我们利用小模型的用户行为分析等技术，为大模型提供辅助判断依据，以降低误判风险。

对于高风险或重要区域，我们采用二次判断策略，结合多维度分析，有效提升判断准确性。尽管大模型显著提升了效率，但在实际运行中仍需持续优化，通过增加外部风险应对能力，进一步降低误杀率与漏杀率，确保风控系统的稳健性和可靠性。