迈向智能世界白皮书2023-数字金融

迈向智能世界白皮书2023 数字金融 智领睿变，共建数智金融未来 目录 执行摘要01 趋势一新兴客群加速交互模式改变，从数字联接到智能情感交互03 1.1数据智能06 1.1.1金融机构自建AI训练环境06 1.1.2面向AI的基础设施架构07 1.2保障实时交互业务质量11 1.2.1建设IPV6+广域网11 1.2.2打造高品质万兆园区网络12 1.2.3构建极简分支网点网络14 趋势二全球央行推动数字货币变革，数字支付重回银行系统16 2.1确保实时交易稳定低时延18 2.1.1稳定低时延18 2.1.2故障平滑切换19 2.1.3全域监控分析21 2.2E2E系统可信和数据加密21 趋势三平台经济激活小微，AI助力破解融资难题23 3.1开放API，使能业务创新25 3.2云管边端协同AI推理26 趋势四新型交易欺诈和智能化网络攻击，增大资金安全风险28 4.1建设实时风控系统30 4.2加强业务安全管理31 4.2.1金融安全管理综述31 4.2.2网络周界安全32 4.2.3零信任防护33 4.2.4数据中心防勒索35 4.3主动监管合规37 4.3.1归档基础设施37 4.3.2合规认证38 趋势五IT转型加速和规模增长，驱动系统化构建业务韧性41 5.1金融应用现代化43 5.1.1基础设施现代化44 5.1.2架构设计现代化45 5.1.3共享平台现代化45 5.1.4开发治理现代化46 5.2快速构建数字银行核心47 5.3加强基础设施韧性49 5.3.1金融灾备概述49 5.3.2灾备技术方案51 趋势六银行资产规模增幅放缓，向精细化运营转移55 6.1构建混合多云框架57 6.2选择适合的硬件架构58 6.3采用数据缩减技术60 6.4采用自动化运维工具60 6.4.1AI助力IT自动化运维60 6.4.2采用开源管理工具，鼓励技术竞争61 总结63 7.1筑牢基础设施韧性，打造MEGA基础设施64 7.2金融基础设施目标架构65 迈向智能世界执行摘要 执行摘要 全球金融机构处于全新的不确定性时代，无论是进出口衰退、战争、新地缘政治影响，还是后疫情效应、地产暴雷、经济疲软、息差减少、经营环境动态变化等，均要求银行具备快速敏捷的反应能力，可迅速调整产品和服务方向，以应对最新的变化。 同时，金融机构的数字化进程仍在不断深化，生成式AI已真正嵌入到金融的业务流程，基于大模型的智能应用为金融服务的发展提供了无限可能。 面向未来，金融行业有如下发展趋势和挑战： 趋势1新兴客群加速交互模式改变，从数字联接到智能情感交互 95后数字原住民逐渐成为消费主力，金融交互模式需要适应客群的变化。2023年ChatGPT的爆发，将人工智能推向了前台。领先银行已经开始使用AI客服机器人助手、网点机器人助手，通过语气和微表情进行客户情绪辨识，并通过AI助手的提示和帮助对客户进行情感关怀。 趋势2全球央行推动数字货币变革，数字支付重回银行系统 数字货币越加成熟，全球已经有7个国家正式发行了数字货币，中国也进行了大规模多批次的试点。数字货币将使支付重归银行系统。银行需要提前为数字货币交易和智能监管系统作好准备，以应对海量的加密交易。 趋势3平台经济激活小微，AI助力破解融资难题 场景金融和小微金融在由中国银行业协会发布的《中国银行家调查报告(2022)》中高居前两位。但数字化水平偏低，场景接入困难。动产融资的物理和权属可信难解决，导致小微企业难以获得急需的金融服务。构建场景生态，采用开放银行数字化赋能扶助小微；物联与AI协同是解决动产可信的有效手段。 执行摘要迈向智能世界 趋势4新型交易欺诈和智能化网络攻击，增大资金安全风险 欺诈、洗钱等违法交易日趋隐蔽，传统风控手段发现滞后，有导致资金损失的风险。网络病毒随着技术的进步，呈智能化、集群化、长期潜伏化趋势，导致信息泄露和勒索事件频繁发生。同时，金融机构面临极大的监管合规压力，传统被动合规方式已无法持续。采用实时数据的数智融合和全域协同，大幅提升风控、安全、合规审计的效率和有效性。 趋势5IT转型加速和规模增长，驱动系统化构建业务韧性 采用云原生平台可极大解放数字生产力，将银行的核心交易系统下移到开放架构已是大势所趋。但开放系统系统如何能达到大中型机同等水平的低时延和高可靠成为难题。利用技术跨域协同，进行分布式的优化和智能化运维可有效提升开放系统的性能和可用性。 趋势6银行资产规模增幅变缓，走向精细化运营转移 疫情、进出口和整体经济形势的影响，导致金融机构的营收压力增大，资产规模增长严重放缓。银行以成本为导向对经营成本和IT投入进行精细化控制。构建绿色低碳的云化基础设施、选择合理的IT架构、采用绿色节能算法和进行自动化运维是有效的降成本方式。 趋势一 新兴客群加速交互模式改变，从数字联接 到智能情感交互 移动和互联网金融的普及和OTT的跨界冲击，使金融机构的关注焦点从如何保障交易的稳定转移到如何提升用户体验。金融机构围绕数字化的交互，实现线上线下融合、多渠道触达内外部用户，并向主动规划和引导用户旅程、重构商业模式和运营模式演进。金融服务正从交易走向智能交互。 波士顿咨询公司（BCG）将当前金融主要客群分为4个世代：1965~1979的X世代，1980~1994的Y世代，1995~2009的Z世代，以及2010年后的α世代，每个世代有不同的群体记忆、价值取向和消费偏好。数字化原住民Z世代逐步成为消费主力，以及元宇宙一代α世代的即将登场，金融交互模式需要不断进化。 （图Figure1.1用户体验HEART模型） 中国招商银行致力于为用户提供极致的体验，在金融产品的设计中使用了HEART模型来评估产品和服务的交互性能。HEART模型来自Google发表于ACM的一篇论文，以用户为中心，通过愉悦度（Happiness）、参与度 （Engagement）、接受度（Adoption）、留存率（Rentention）、任务完成度（TaskSuccess）5个维度进行综合评估，以此设计出与用户的交互旅程。 领先的金融机构已经着力建设在线直播金融服务，实现实时互动营销。2022年，招商银行举办了2000多场直播活动，一次活动就吸引了300多万客户。 巴西某TOP银行为提升服务质量，设置了上万个客服坐席。与客户的远程交流方式从语音短信扩展到移动App、VTM机、What’sApp等 Happiness 用户满意度调查或评级· 净推荐值(NPS)用于衡量用户拥护度· 用户反馈和情绪分析· Engagement 活跃用户数或活跃用户百分比· 用户在产品或服务上花费的时间· Retention •用户保留率或流失率 •随着时间的推移重复使用频率或用户活动 •用户生命周期价值（LTV）表示用户产生的长期价值 用户交互或会话的频率· Adoption 新用户注册或注册的数量· 用户注册完成率· 用户在注册后完成关键操作所需的时间· H.E.A.R.T TaskSuccess •重要用户任务或操作的完成率 •错误率或遇到的用户错误数 •效率指标，如完成任务的时间或成功率 Figure1.1用户体验HEART模型 迈向智能世界趋势一 三方平台，业务涵盖远程获客、催收、投顾、理赔、培训、问题受理等。随业务量和坐席数的增加以及高清视频的引入，数据流量5年增加了10倍。（图Figure1.2AICC智能联络中心） 2023年ChatGPT的爆发，将人工智能推向了前台。领先银行已经开始使用AI客服助手、网点助手，从语义辨识到语气辨识，从图像识别到微表情识别，通过AI助手帮助对客户进行情感关怀。在线上和线下采用数字人提升营销触达率。 挑战一算力严重不足 •训练阶段，以数字人训练为例，需要10万+表情、服饰和道具模型，算力消耗大，算力不足会导致训练时间超过1周 •应用阶段，一个具备流畅沟通能力的数字人需要耗费一张AI推理卡，成本极高，一般银行难以支撑海量用户的同时在线服务 挑战二流量急剧增长，视频质量要求高 •从语音图像到视频和微表情识别，高清视频 传输要求使网络带宽增长50倍，客服坐席的增长进一步加大带宽的需求，给视频质量保障和带宽租赁成本提出巨大挑战 挑战三实时反馈难收集 •产品设计和优化需要客户的实时反应和反馈，技术性收集的数据难以复现客户的真实旅程，尤其是情感性旅程 行动建议 1.采用购买公有云数字人服务的方式进行数字人模型训练，降低训练的时间和成本； 2.进行算力资源优化，通过资源和时间切片方式以云化服务方式分给多个租户，实现1个推理卡支撑多个数字人，降低应用成本 3.建立用户体验监测和故障处理体系。通过提升数据系统易用性，方便业务人员对客户旅程进行打点。通过多维数据收集，实现服务可用性、吞吐量、延迟、饱和度等关键参数以及情绪反应等细节参数的持续监测。 Figure1.2AICC智能联络中心 趋势一迈向智能世界 4.建立网络质量保障体系。构建全行一张网，支持泛在多渠道的业务接入，通过大带宽和端到端的质量保障措施支持高质量的音视图文等多媒体交互，通过数据压缩降低网络租赁成本。 1.1数据智能 1.1.1金融机构自建AI训练环境 ChatGPT点燃了金融业的智慧火花。采用公有云服务商提供的模型训练服务是金融AI训练的捷径，在合规范围内是最好的选择。但金融业有严格的监管要求，涉及到银行关键业务的数据往往难以上传公有云。建议金融机构以合规为前提，公有云训练+自建模型训练结合。 （图Figure1.3AI训练能力喷涌） 业界公认当大模型参数量到达620亿参数左右时，会出现能力喷涌现象。目前很多开源大模型已经直接支持到百亿甚至620亿左右的参数集，大幅降低了AI训练门槛。大小金融机构纷 Figure1.3AI训练能力喷涌 纷自建AI基础设施，加入金融百模大战。 金融行业模型分为三个层次建设：（图 FFigure1.4金融AI模型三层架构） L0通用预训练大模型由AI训练服务供应商提供，顶级公有云供应商都提供AI训练服务，如微软、Google、HUAWEI等； L1金融行业预训练大模型以L0为基础，并加入行业特有的数据集进行训练，往往由AI训练供应商与行业组织或行业领头企业合作训练生成； L2场景模型基于L0和L1，面向金融特定场景进 Figure1.4金融AI模型三层架构 迈向智能世界趋势一 行针对性训练，可助力金融机构面向客服、代码生成、业务审核等具化场景生成智慧应用。 以NL2SQL为例，银行每年会输出周报、季报、年报等300多类数万份报表。通过NL2SQL，用户只需要输入“分析30到40岁女性在7~8月份的线上消费习惯，并与去年同期进行对比”这样的自然语言就可得到所需分析报告，极大降低用数门槛，真正实现“人人用数”。 AI训练的效果来自算力、算法和数据三要素叠加。金融机构在构建AI环境时，需要从数据和初始模型准备、训练基础设施准备、输出模型的部署集成三方面着手进行。过程中面临技能不足、训练环境成本高、能耗高、训练数据质量难保障、训练算力平台不稳定等挑战。据统计，由于训练环境的硬件经常出故障，大模型不间断训练时间平均仅为2.8天。 建议： 1.打通数据分析和AI的数据流，通过湖仓进行训练数据清洗； 2.选择可靠供应商进行一站式交付和服务，并要求提供赋能辅导； 3.建设高性能、高可靠AI训练基础设施； 4.选择最简单、有效的场景进行AI应用落地，实现正向循环。 1.1.2面向AI的基础设施架构 以金融机构自建环境的AI训练卡规模看，分为 3档：（图Figure1.5大模型训练所需资源） •中小型银行往往从4卡起步，大部分在 16~64卡的之间，参数量从千万级到亿级。 Figure1.5大模型训练所需资源 •大型银行投入的训练卡一般在100到1000之间，超大规模银行投入超过1000卡，参数量在10亿到数百亿规模。 •参与证券量化交易的顶级投行基金实力雄厚，并追求高额回报，往往投入千卡甚至万卡规模，参数量直逼上千