2023金融业大模型应用报告PPT

©2022

KPMGHuazhen

LLP,a

People's

RepublicofChina

partnership,KPMG

Advisory

(China)

Limited,a

limitedliabilitycompanyin

MainlandChina,

KPMG,aMacau(SAR)partnership,and

KPMG,aHong

Kong(SAR)partnership,

are

member

firmsof

the

KPMGglobal

organisationofindependent

member

firms

affiliatedwith

KPMGInternational

Limited,a

private

Englishcompanylimitedbyguarantee.Allrightsreserved.2023金融业大模型应用报告破除虚妄

务实求效*致谢：毕马威企业咨询提供全程技术支持司晓腾讯研究院院长大模型能力正逐步渗透至各行各业，催生新一轮创

新浪潮和行业变革。在金融领域，行业大模型为金融市场带来了前所未有的机遇，从精准营销、客户服务、代码生成等多个场景，助力金融机构在服务和管理方面实

现“效率革命”。展望未来，我们期待金融行业加速迈向AI驱动提质增效的新阶段。黄艾舟毕马威企业咨询金融科技主管合伙人数字经济的蓬勃兴起为金融创新发展构筑广阔舞台，

大模型的涌现促使金融科技

行业范式变革。在风险防控

的前提下，坚持以金融科技

支撑金融本质，以审慎包容的心态探索大模型注入金融

科技的新能力、新场景与新

模式，金融科技必将朝着更

加开放、创新、可持续的方

向发展。柳晓光毕马威企业咨询金融数字化转型咨询主管合伙人伴随着金融机构数字化体系的演进，金融业数智建

设正从“立柱架梁”逐步迈

进“积厚成势”。面对以大

模型为代表的新兴技术的颠

覆式冲击，应理性剖析大模

型技术态势，聚焦应用场景，

夯实支撑保障体系，探明发

展路径，构建安全高效、价

值跃迁的金融运营新生态。杜增良中国银保传媒党委委员、总经理近一年金融业对于大模型的探索和运用日益增多，我们感受到行业对于新技术学习和应用的强烈需求。期待通过本报告的发布，催化“科技+金融+产业”有机融

合，营造理性的技术创新应用氛围，助力产业链价值跃迁。胡利明腾讯云副总裁以大模型为代表的新一代人工智能技术，正在加速

改变人们的生活方式，助力

千行百业；在金融行业，借

助领先的数字化基础，云基础架构和AI的深度结合，大模型的应用将比其他行业更

加超前，更快速更深刻的重

塑金融服务的体验，提升服

务效率，洞悉市场和风险；相信在业界共同的探索创新

之下，金融大模型高质量高

价值的应用将不断涌现。破除虚妄，务实求效：2023金融业大模型应用报告序言?本报告将结合腾讯研究院、银保传媒与毕马威在基础大模型的沉淀与洞察、在银行、券商、资管等数字化转型与落地的深度积累，破除虚妄，力求客观、准确地反映相关趋势，

以务实求效的核心基准探明金融业大模型的应用场景。•人工智能生成内容技术蓬勃发展，行业大模型与通用大模型竞相培育，伴随着生成内容的可控性增强，垂直场景的试点与探索不断加速，各产业纷纷探索适合自身发展的适配性场景。•金融行业是大模型场景探索、应用落地的肥沃土壤，

具备信息、数据、知识、人才密集型的特性，顶层政策与区域性规划持续推进前沿技术在金融业的实践与体系建设。•大模型是未来金融的商业变革核心驱动之一

，重点归集于三大方向：金融机构在服务客户方面的降本增效、场景变革和产品升级；用户获取金融服务入口的潜在迁移和变化；金融行业价值链条的重塑。基于大模型的金融场景多在试验性探索和点状尝试，金融产业链尚未形成基于大模型的体系化应用共识和领先范式，

尚未形成标准化的应用演进模式与明晰的场景ROI判断框架破除虚妄，务实求效：2023金融业大模型应用报告引言大模型发展现状行业亟待破局价值趋势技术培育行业基

础

3全球大模型发展趋势研判——破除虚妄：大模型在金融业的场景落地边界——务实求效：大模型在金融业的价值与应用——总结与展望——目录0102030405页10页19页29页4

501

全球大模型发展趋势研判Google：GPT-1

OpenAI：ChatGPT

OpenAI：GPT-4OpenAI所发布的ChatGPT和GPT-4是大模型发展Open

AI：GPT-2

OpenAI：WebGPT

Meta：OPT-IML

Meta：LLaMA的两大重要里程碑：

ChatGPT通过将人类生成的对

Open

AI：GPT-3

Google：GLaM

Google：GLaM

Google：Bard的能力

，而GPT-4则将文本输入扩展到多模态信号

…

清华大学：

GLM

言…文心一混元百度：腾讯：多模态模型提升决策与生成内容的精准性多模态模型可以同时处理包括声音、文本、图像、信号、视频等在内的信息，处理内容更加多元，综合性决策与内容生成更加精准大模型能力催生场景变革通过共性学习进行预训练提升模型水平，结合特性学习适配场景特性，

并以“大模型

+工具平台

+生态”的协同模式完成应用场景的落地。近年来

，通过在大规模语料库上对Transformer模型进行预训练

，研究者们提出了在自然语言处理（NLP）任务中表现突出的预训练语言模型（PLM），

并发现随着参数规模的扩大

，模型会进化出上下文学习等新型特殊能力

，为区分不同参数规模下的语言模型

，大语言模型应运而生。话引入训练数据

，使AI具备了与人类同频顺畅交流

2021

…

2022

2023

WORLD’SDATA如今：文本（所有语言）未来：多模态（图像、语音、视频、

3D...）ONEMODELTransfer

Learning迁移学习MANY

TASKS大语言模型Large

Language

Model1全球大模型发展趋势研判大模型技术发展态势Transformer模型预训练语言模型Pre-training

Language

Model第四波AI浪潮核心驱动范式变革单一领域数据集；诸多数据集合诸多模型各

成孤岛缺乏纵效；劳动密集型的数据标注超级海量数据

，无需人工标注；具有跨领域

知识的“基础模型”

，可执行多类型任务DATASET3MODEL3TASK

3DATASET2MODEL2

TASK2DATASET1

MODEL1TASK

1大模型和预训练让人工智能完成跃迁，诱发了技术质变“百行千模“参数规模扩大语料库预训练FoundationModel基础模型…

6Knowledg

e•

《数据保护法》（2021年6月）

：加强对消费者数据的保护

，并对处理消费者数据的实体提出新的要求。处理消费者数据的实体将被要求制定和实施保护个人数据的安全计划

，收集数据需要消费者同意

，消费者有权访问、更正和删除其个人数据。•

《金融数据透明度法案》（2022年12月）：要求联邦金融监管机构在格式、可搜索性和透明度方面采用特定的数据标准

，以进一步推动监管技术和人工智能应用的发展。•

《数据法案》（2022年2月）

：促进企业之间及企业与政府之间的数据共享

，消费者和企业对其拥有的数据享有更多的控制权。•

《数据治理法案》（2022年5月）

：提出促进数据共享及再利用的框架和模式。•

《中华人民共和国数据安全法》（2021年6月）

：指引规范数据处理活动

，保障数据安全

，促进数据开发利用等方向的强监管法规•

《中国银保监会银行业金融机构监管数据标准化规范》（2022年1月）

：通过对报送数据的规范和要求

，指导金融机构数据质量的提升

，帮助建立标准化的数据规范

，以满足银行各项生产经营流程中对数据要素的需求。-此处政策为典型示例，未全部列示2023年，随着生成式AI应用的指数级爆发，全民AI的普及，中国率先发布了针对生成式AI的监管政策：1.

《互联网信息服务深度合成管理规定》正式将生成式AI纳入我国

的监管范围，要求生成式AI服务提供者应当采取技术或者人工方

式对输入数据和合成结果进行审核，并在合理、显著的位置向公众提供深度合成的情况。2.

《生成式人工智能服务管理暂行办法》标志着我国对生成式AI的

治理监管进入体系化阶段，《办法》明确了对生成式AI实行分类

分级监管的基调，涵盖从模型训练、应用运行到模型优化的全生命周期，并规定了服务开发者、提供者的算法备案义务，未来，算法安全监测、数据安全管理、个人数据保护将成为AIGC开发和使用过程中的合规要项。1全球大模型发展趋势研判国内外政策环境现状从2020年开始，美国、欧洲和中国先后出台面向AI的监管政策，对泛AI应用提出了安全性、透明度、可解释性等方面的要求，人工智能步入监管时代。美国：

《人工智能风险管理框架》

，2023年1月中国：

《互联网信息服务深度合成管理规定》

，2023年1月欧盟：《人工智能法案》

，2023年6月中国：

《生成式人工智能服务管理暂行办法》

，2023年7月中国：

《新一代人工智能伦理规范》

，2021年9月中国：

《互联网信息服务算法推荐管理规定》

，2022年3月回睽金融业，目前尚未有关于大模型的垂直监管政策出台，但各国家及地区关于金融数据的监管要求，将是大模型在金融业应用时务必要考虑的合规要求。美国：

《人工智能应用监管指南》

，2020年1月欧盟：

《人工智能白皮书》

，2020年2月美国欧盟中国小模型vs大模型比较维度小模型大模型数据层面需耗费大量时间进行

数据标注一次性标注

+适量业务数据模型层面全流程重复工作、周

期长、精度低预训练大模型

+下游任务微调，精度高业务支持研发周期长，场景无

法端到端全覆盖快速响应，通用性高，

场景可延伸假设已经为语言模型

提供了一个自然语言

指令和/或几个任务演示，它可以通过完

成输入文本的单词序

列的方式来为测试实

例生成预期的输出，

而无需额外的训练或梯度更新；通过使用自然语言描

述的混合多任务数据

集进行微调，能够在

没有使用显式示例的

情况下遵循新的任务

指令，

具有更好的泛化能力；对于小型语言模型而

言，通常很难解决涉

及多个推理步骤的复

杂任务。通过使用思

维链提示策略，大模

型可以利用包含中间

推理步骤的提示机制

来解决这类任务，从而得出最终答案。!

“为什么市场上出现了各类大模型公司，以往的AI方案都会说成基于大模型的更新/升级，为什么第四波浪潮为全自动智能化。”

“某商业银行想要升级渠道交互能力，沟通过程中发现90%的方案

都是基于大模型，各类方案都在强调大模型或生成式人工智能的优势”大模型的涌现能力，即当规模达到一定水平时，性能显著提

高，超出随机水平，定义为“在小型模型中不存在但在大型

模型中产生的能力”上下文学习指令遵循逐步推理1全球大模型发展趋势研判AI的第四波浪潮所带来的颠覆式创新开发范式的转变与大模型的能力带来AI产业化新范式，解决AI应用长尾问题

为什么是大模型？-第四波浪潮的颠覆式创新

人工智能产业化新范式

大模型的涌现能力

*离不开算力、数据规模的增长未来发展当前状态关键能力涌现可生成的内容

典型应用方向场景实现路径-以大模型的直接衍生能力为主线（生成式人工智能），绘制应用能力与方向演进趋势-在Sinovation

SeedV发布内容基础上调整更新生成内容可控性规则或原

理可控复杂逻辑

推理可控初步的思

维链可控部分逻辑

可控基本方向

可控不可控1全球大模型发展趋势研判应用能力与方向演进趋势人机融合的数字世界和生态低可控的文本生成微场景的商业写作数字世界自迭代更新的系统开发设计人机协作的前沿科学探索人类思维复杂学科研究简单代码/指令序列高级系统设计Copilot多轮对话内容娱乐智能化高质量完整代码代码补全非主题无逻辑文本AI效率工具及行业解决方案主题内容生成完整故事线与文图与外部环境互动跨模态理解搜索与知识问答AIOS商业流程自动化文案类助理语言建模知识推理开卷问答闭卷问答数学推理符号梳理复杂逻辑系统相对可控的文生图科学发现低可控的文生图缺乏控制的图像条件文本

生成特点场景思维链设计灵感

辅助辅助设计

9>

1002

破除虚妄：大模型在金融业的场景落地边界大模型在金融业落地的支撑保障是什么？>

正确认识大模型落地的全要素如何判断所建场景应当使用哪类大模型？>

明晰大模型选用的判定方向基于大模型的能力视角，其在金融业的赋能点是哪些？>

厘清大模型赋能应用场景方向2破除虚妄：大模型在金融业的场景边界当大模型与金融业相结合，有三个核心问题亟需解答231

11行业需求和应用场景丰富行业数据形式多

，版权保护强提升创作能力强大的创造能力和表达能力，实现即时报道，个性化创意数字人播报行业大模型不断涌现，应用初显成效以基础大模型作为技术基座，通过行业大模型满足场景特定需求，推动大模型与行业应用融合。2破除虚妄：大模型在金融业的场景边界①大模型选用的判定方向

-大模型的定位与核心特性专业性欠佳在解决特定场景专业问题时准确度低

，难以实现商用。通用性强大量的数据和参数进行模式匹配

，在多个任务和领域上表现出较好的性能。开发成本高大模型训练及部署需要大量的计算资源、存储空间和人力时间。基础大模型——通用技术基座行业大模型——专用行业引擎行业知识量大

，业务场景复杂提升问答准确率强大个性化问答能力，实现端到端解决问题，降低整体成本提供持续生命力行业经验反哺具有强大的理解能力、决策能力和生成能力基础大模型行业大模型行业数据繁杂，

处理分析难度大提升处理效率可对海量数

据进行处理提升感知类

任务性能强大分析生成能力，实现金融信息精确分析计算感知认知场景适配成本较低更专业金融文旅传媒智能研报智能风控智能客服智能导游辅助写作

12行业大模型：

可控性、ROI行业大模型主要面向垂直特定领域的专业场景

，容错性

相对较低，且追求合理的ROI，以B端的企业服务为主可助力企业以合理成本训练场景模型，并推演具有高商业价值场景应用的平台或服务场景特征：一定条件下的自动化、智能化服务基于数据的智能决策自动链接业务流程商业规划、决策优化基础大模型：创造性、体验式基础大模型主要面向泛知识、泛领域的通识场景，

追求

交互体验，当前以C端的内容消费为主，体验性强、操作简单、可直接完成价值输出的内容创建工具场景特征：多模态内容自动生成

文本

图片

视频

3D生成内容的可控性提升动画

游戏

影视选择合适的解决方案迎合自身的管理与业务需求，以落地效能清晰界定场景使用模型：大模型将能够通过非常快速的扩展、微调，以及精准定位，颠覆包括营销、

风控、内容创作、资管、培训、客户服务、电商、广告、社交媒体、搜索引擎等在内的众多场景。这些领域的每一个应用程序都将被重新设计和改写，形成不同的界面（如对话式）和商业模式（如极致千人千面的精准营销）。2破除虚妄：大模型在金融业的场景边界①大模型选用的判定方向

-大模型的场景适配报表自动生成策略智能生成核心工具核心工具内容

准确数据决策私有

部署合规

要求虚拟世界

13…

…丰富内涵：丰富企业传统场景的业务内容受制于原有技术条件

，企业的数字化建设只能作用于特定业务场景的流程管理

，无法深入到执行环节

，但大模型的加持使得在具体业务执行环节中辅助或者代替员工工作成为可能

，将延伸业务边界

，丰富场景内容。能力提升：强化原有AI场景的效能及形式与原有AI算法进行融合

，在机器学习的任务中引入大模型的涌现、逻辑推理和多模抽取提炼能力

，以获得更好的任务表现

，如搜索引擎优化、个性化推荐等。两类AI技术虽存在技术路径差异

，但能够在细分任务上做拆解

，进行细颗粒度的技术共生。技术底座：以大模型重构企业级智能架构基座目前

，生成式AI场景主要指以自然语言处理、语音技术、图片解析为核心的对话机器人、数字人等场景

，而大模型的出现，

意味着技术路径转换和技术能力的增强

，大模型可在部分场景和任务中替换原有小模型底座

，如对话、抽取、

内容理解等，大模型将基于原生场景，以不同的技术路径优化或变革业务逻辑，以多种方式融入并带来功能升级和业态变革。大模型赋能2破除虚妄：大模型在金融业的场景边界②大模型赋能应用场景方向新场景变革旧场景升级大模型在部分场景

替换小模型：场景场景同时也能够基于大模型开发新的场景。场景场景场景场景小模型支持业务场景：场景场景

14行业研究：基于大模型的知识推理能力

，让原先的行业研究模型具备理

解分析图表、舆情、往年数据等更广范围信息的能力

，得出更加可靠的行业研究结论

，提升行研报告的均质化水平。场景举例：投资、基金、券商行业研究报告智能化撰写智能合约

：

引入规则信息和利益导向

，基于大模型起草或审查合同条款审查合同

，快速甄别潜在的利益冲突条款

，并加快合同流程

，有助于规避潜在风险、提升合同撰写的均质化水平。场景举例：自动生成金融服务合同、交易合同自动审查风险管理：基于大模型多模态解析能力

，全面释放金融结构化和非结构化数据资产价值

，在以往“经验规则

+统计/机器学习模型

”的基础上引入多模态计算能力

，更好的识别风险、预警风险与控制风险。场景举例：审查客户风险时，基于客户的结构化数据、可利用的图片数

据、相关舆论信息进行综合解析与建模判断投资决策：依托于大模型的数学推理能力

，赋予原先以计算为核心的投决模型更加丰富的多维参考信息和更加动态的衡量标准

，全面提升模型的决策能力

，让模型能够输出更加详尽的决策过程而不只是答案。场景举例：交易决策建议，固定资产投资建议等知识管理：基于当前知识引擎

，利用大模型的能力实现识别、特征提取、

聚合与重组

，变革企业知识管理与知识获取方式

，推动高效率与全覆盖进程。场景举例：企业项目经验查询，标签关联分析等客户维系：基于大模型所具有人类思维

，

同时依靠其知识补全能力和多模态信息解析能力

，对企业的客户管理行为进行整合分析

，并给出客户维系的建议性举措

，提升客户管理能力

，增强客户粘性。场景举例：自动挖掘潜在客户，存量客户拜访提示等智能外呼：基于大模型打造智能聊天机器人

，可在线上渠道通过文字交

流辅助客户咨询或办理业务

，大模型的引用使得文字与语音更加“人性化”

，增强共情能力与理解能力

，进一步链接客户。场景举例：在信贷流程中，依托AI信贷员和用户交谈以收集高效材料数字人：“大模型

+数字人

”的服务用户形态极大概率成为金融服务的主流方式

，

以期通过其提供的7×24小时智能自助服务拓展营销与服务渠道

，使得用户获取金融服务入口发生潜在迁移和变化。场景举例：金融企业内部服务的“数字员工”，服务客户的“数字客服”以开/闭卷问答能力为核心金融行业的数字化程度在全行业中相对领先，拥有高价值的领域数据资产，是大模型率先落地的垂直领域之一。大模型将依托其多种能力为金融行业带来原有业务场景的升级，持续丰富业务内涵，提升现有数字化基础的效能与形式体验：2破除虚妄：大模型在金融业的场景边界②创新能力的场景泛化

-

旧场景的升级以数学推理能力为核心以文本生成能力为核心以知识推理能力为核心

15智能营销：多模态全维度营销策略设计

，定制化人群、主题大规模精准投放广告

，如图片、短视频等

，形成真正意义的千人千面千场的广告流投放机制

，提升营销转化率。场景举例：理财产品营销、银行零售业务金融信息查询：在中国的金融信息数据服务领域

，使用一些数据终端的

时候

，都是以目录式查询、逐层下钻的方式

，而大模型能够创新交互方

式

，基于金融直接通过问答得到相关数据、指标库和图表等。场景举例：贷款总额报表的快速产出、高净值客户的相关信息快速调取代码生成：运用大模型编写重复代码

，可释放更多科技产能

，将人力投入到程序、算法等设计过程

，提升金融系统和模型的开发效率

，

同时优化金融科技团队组织体系。场景举例：如高频重复业务场景的SQL撰写；数仓的自动调度等代码补全：运用大模型进行方法级的代码生成、代码搜索与检验

，快速

进行框架搭建与BUG定位、可释放更多科技产能

，提升金融系统和模

型的开发效率。场景举例：

Function函数创建、debug、测试（系统、单元等）以代码合成能力为核心财富管理：基于大模型调用投行所有分析师的智慧与成果

，整合全域研报知识

，关联资产配置能力与经验

，高效输出相关结果

，形成相关客户的智能投顾。场景举例：先期以“人+大模型”的保障机制，运转智能投顾大模型，

针对TMT领域基金或理财，多模态综合研判输出投顾建议合规筛查：在产品营销、催收等不易监督的业务环节存在较多的潜在合

规风险

，依托大模型的多模态信息理解能力

，能够对上述环节的业务动

作实现高效监督。场景举例：金融企业营销合规监管，银行催收合规监管训练数据生成：在金融企业内部业务模型训练过程中

，可以运用大模型

自动生成接近现实场景的训练数据

，用于代替真实的客户数据

，从而有效保护客户的数据隐私。场景举例：关联交易风险预警模型；信贷授信模型等模型预料自动生成智能培训：针对现存培训素材与员工画像

，基于大模型打造企业内部培

训课程库

，

因材施教

，精准生动的完成员工培训。场景举例：面向投研、资管等专业金融技能的人力资源培训平台以开/闭卷问答能力为核心在为金融行业带来传统场景升级的同时，大模型的强大生成能力和多模态信息处理能力会为包括银行、保险、资管、投顾等在内的金融业务带来“迭代式”的场景变革：2破除虚妄：大模型在金融业的场景边界②创新能力的场景泛化

-新场景的变革以条件文本生成能力为核心以知识推理能力为核心

16建议大模型的落地由外围场景逐渐渗透核心业务，由内部管控工具建设至对客业务工具大模型的过程：预训练->微调->prompt工程->产品化/工程化，

分别对应通用能力->领域能力->任务能力->产品能力基于基础大模型的行业大模型落地，能够减少泛知识数据量减少的代价，避免专业场景的大模型“幻觉”2破除虚妄：大模型在金融业的场景边界③大模型落地全要素：树立大模型落地的正确认知大模型的建设需要进行充分的需

求评估，避免“伟岸”建设当下大模型已具备多模态能力，生成能力可控性趋近成熟，推理能力仍在发展大模型并不是数据越多效

果越好，数据治理是前提全栈能力建设下，使用成

本每年约500万至1500万

美元，如果不使用最先进

模型，可降低30倍至50倍

17释放数字化转型效益，业务价值图谱描绘与量化评价业务视角——将业务实际价值效果与科技投入进行一致性关联，展现科技投入对业务效益提升的支撑度效果激活数字化转型效能，科技投入商业核算与精益运营科技视角——标准化溯源科技投入在业务端的资源分布，同步衡量科技服务本身价值与团队的工作绩效，

匹配发展价值主张理性推进，合理布局战略界定：多阶段战略演进，定义适合自身情况的发展战略文化哺育：以数字化、智能化等前沿技术的认知培育框架优化，流程适配组织框架：搭建适合当前阶段的数字化/智能化治理组织，设立科学合理的考核机制流程适配：以新技术嵌入流程，形成管理闭环。让管理自身能够进行迭代，非孤立的

体系外的工具加速治理，要素激活数据治理：搭建适配的数字化/智能化治理组织，建立全维度治理能力，形成数据资

产数据架构：结合数据采集与存储、数据应用与服务两大能力的提升，伴随数据治理能

力的打造成型，形成金融数据架构明晰模式，体系建立研发模式：结合战略定位、厂商能力，建立与之匹配的研发模式与基础设施，按需配

置技术体系与基础设施2破除虚妄：大模型在金融业的场景边界③大模型落地全要素：五大能力域与ROI评估双向提升分解企业架构，运用企业数字化能力模型，从五大能力域出发，实现问题归类和聚焦，明晰大模型在企业长期落地的支撑保障核心要素持续关注，积极沟通组织运营：合规审慎，动态追踪政策变化，积极开展监管沟通大模型层面：政策动态更新，迭代测试用例，保障数据与产权合规原则1-业务价值可量化——以业务实际需求和价值为基础，结合行业先进性的技术发展方向对业务价值进行有效衡量原则2-能力清晰可承接——对于不同类型的能力需

要明确定义清晰定义，保证各项资源投入均有能力以映射原则4–下钻项目全打通——数字化投入核算应下钻至作为数字化建设的实施单元和数字化投入直接面向单位的项目层级原则3–资源投入全覆盖——数字化投入核算应确保覆盖所有数字化相关的资源投入内容，保证投入评价的完整性与全面性Digital-ROI“分子”Digital-ROI“分母”

战略与

文化数据与

技术流程与

机制组织与

人才应用与

平台

18

1903

务实求效：大模型在金融业的价值与应用3务实求效：大模型在金融业的价值与应用总体价值：大模型催生“效率革命”，为金融行业提质增效能力更“强”效率更“高”场景更“广”应用更“深”助力生产、经营、管理重塑业务模式百业千模满足金融业各类业务需求专业知识

+推理能力特定领域表现及适应性大模型+AI原生应用

推动业务全链条智能

20零售金融渠道运营智能外呼智能推荐信用管理智能尽调营销管理客群分析新企抓取产品设计产品策略设计需求挖掘监管科技智能交易监控风险管理风险账户识别开发与运维方法级代码生成前台通用模块办公管理文档/图片解析搜索与问答舆情管理知识管理音视频文本图片生成数据分析 数据决策分析

图谱分析渠道运营智能客服3务实求效：大模型在金融业的价值与应用大模型在金融业的应用全景视图-此处应用未覆盖全金融行业，将随着技术与业态发展持续更新；截止2023.10

21基于Agent的生产力工具前中台通

用应用用户身份识别智能代码搜索智能信息披露智能代码补全产品策略设计产品策略设计监管报告生成营销策略设计营销策略设计营销内容生成营销内容生成后台

应用个性

应用监管

科技智能反洗钱智能反欺诈通识工具公司金融智能投顾智能投教渠道运营渠道运营智能审计智能推荐智能外呼智能推荐智能外呼资产评估资产配置智能尽调信用管理信用管理产品设计产品设计资产管理资产管理智慧投研智慧投研营销管理风险评估告警管理需求挖掘需求挖掘运维管理基金画像证券资管保险营销管理基于A

的生产gent力工具风险管理产品设计监管科技代码助手资产运维

管理管理办公管理.

营销、渠道、风控成为金融业务高频价值场景.

监管科技因大模型的能力涌现有望变革.

代码助手与运维管理成为中后台管理高频需求.

舆情管理、智能投顾、智能投研、智能理赔ROI趋近良好.

Agent成为AGI的有效载体，为火热研究方向由于大模型等新兴技术发展，底层逻辑将发生根本变革，层级化、流程化的金融服务模式或将逐渐消解，而网络化、分布式、场景化、具身化的新金融服务模式将建立当前，国内金融服务呈现出服务智能化、业务场景化、渠道一体化、融合深度化等特点3务实求效：大模型在金融业的价值与应用以三视角绘制大模型在金融业的应用路线0123

45678910技术成熟度大模型在金融业的应用路线图.

需求频次：共30个需求方（样本量）.

技术成熟度：以可商用作为技术成熟度高的标准行业趋势

场景价值，与半径大小成正比应用路线，横纵坐标的线性表现三维路线确定模式颠覆创新金融价值创造

302520151050需求频次

22渠道管理企业专属大模型细分领域模型训练平台……应用平台……训练平台机器学习框架应用调度平台业务场景

渠道管理营销管理产品设计监管科技办公管理数据分析开发与运维风险管理通用模块行业大模型开放生态通用大模型3务实求效：大模型在金融业的价值与应用金融业大模型的落地路径大模型即

服务MaaS数据标注平台平台&工具行业大模型模型底座基础设施行业大模型精调解决方案OCR训练平台AOI训练平台媒体AI中台智能视频分析平台智能图像创作平台高性能计算集群高性能计算网络政务大模型传媒大模型贸易大模型金融大模型向量数据库……场景综述：单据处理中需要对大量的非结构化信息进行整理，传统OCR深度学习模型需要经过检测、识别、结构化等多个阶段，各阶段错误累积，难以突破检测识别难点，且不具备阅读理解和推理能力、模型指标上限低，不同场景下模型能力无法复制、定制成本高，而OCR大模型的能力可解决以上单据处理的痛难点。减少单据处理中的低价值高耗时手工作业

，节省运营人力成本

，可实现多元业

务数据处理的标准化、线上化、

自动化。可对非结构化数据进行自动化分拣、提

取并转换为结构化数据

，实现对各种格

式数据的高精度识别

，识别准确率95%

以上。3务实求效：大模型在金融业的价值与应用典型案例：基于腾讯云TI-OCR的单据处理基于腾讯云TI-OCR的单据处理场景智能结构化特点1：基于原生大模型，不经过训练，直接支持常规下游任务，零样本学习泛化召回率可达93%特点2：通过prompt设计，不经过训练，支持复杂下游任务，小样本学习泛化召回率可达95%智能分拣检测/识别固定版式

结构化特点3：通过多模态技术，小样本精调解决传统OCR难题，比传统模型召回率提高3%-20%实现对如身份证、火车票、机动车登记证等所有字段位

置固定的单一版式类型的数

据信息进行提取。实现各类表单、票据、证件、

单据等的包含手写体、印刷

体、中英文的字段提取。即通用目标检测，检测出图

片中物体所在的框位置及其

所属类别。从单一版式或混合版式的图

片中提取出

Key字段、

Value

字段

，

以及

Key-

Value的键值对关系。支持四种识别模式场景价值腾讯云TI-OCR：专注于OCR细分场景建模的训练平台（Master-Worker的分布式架构）单据处理能效提升非结构化数据利用率提升办公管理数据生成数据标注模型训练测试发布数据导入应用编排场景综述：银行的传统智能客服存在知识维护量大、问答覆盖率低、拦截率低、接待上限低、服务效率低等诸多痛点，同时由于知识边界受限，对于不在知识库的问题回复质量较差，导致在客户体验和企业形象层面存在潜在风险，而借助金融大模型则能让智能客服场景更稳定、效果更佳。智能外呼：利用自然语言处理、情绪识别、语音识别等技术，将人工客服的服务的录音进行转写，形成可靠数据源以进行专题分析。另一方面，将外呼营销、催收等过去由人工开展的业务，交由机器人办理，并实时对数据进行深度分析，推动客户处理方案向定制化发展。让智能客服更加专业，生动、灵活的应对各类非规则化情况，并让服务“看得见”、“

听得见”

，减少人工成本的同时提升用户交互体验，实现完全意义上的图灵对话。将原智能客服业务切分为智能坐席、智

能人机协作、知识库管理等单元

，将服

务场景切分为问答、助手、外呼

，实现场景的专业化服务与业态的精益化运营智能语音导航&智能问答：将自然语言处理技术与知识库、知识图谱相结合，开发出智能语音导航和智能问答功能作为智能客服的核心，实现对客户的合理

引导，将复杂的功能菜单扁平化，提升客服服务效率。3务实求效：大模型在金融业的价值与应用典型案例：基于腾讯云金融大模型的智能客服客服助手：在人工座席服务时，为员工提供即时的话术支持，也可以根据人工

座席的需求，为人工座席提供即时的协助，提升工作效率。基于腾讯云金融大模型的智能客服场景知识库QA/知识图谱

行业语义库语音转写库

语音库语音模型语音识别

语音模型语音合成

声学模型场景价值智能知识融合自然语言处理智能语音深度学习

第三方能力整合

用户交互体验提升业态精益化运营结合自身场景数据精调技术

底座腾讯云腾讯云TI平台渠道运营私有化部署

金融行业大模型

银行专属AI助手场景综述：传统的投研流程存在搜索途径不完善、数据获取不完整且不及时、人工分析研究稳定性差、报告呈现时间长等缺陷，智能投研则能通过大模型技术实现的多元数据的智能采集和理解分析，不断迭代分析模型并直接生成投研报告，大幅提升投研质量与效率。通过大模型替代传统投研工作中容易产生疏漏的环节

，让更多维度的金融信息得以利用，

同时自动生成报告辅以人工修正

，能让产出内容更加高效、稳定。3务实求效：大模型在金融业的价值与应用典型案例：基于腾讯金融舆情大模型的一级市场智能投研投研环节处于金融业价值链的前端

，与

后续风控管理、投后管理等业务领域的

耦合度较高

，大模型投研能力的建设有助于金融业务链价值共享。前端问答通过任务式对话获取投研工作所需的数据信息，减轻信息检索的工作量策略建议对关联、回归分析、宏观、投资模型等金融知识进行建模，让模型提供决策建议报告生成通过模型精调并以企业私有研报数据进行训练，模型可自动生成符合要求的研报基于舆情大模型的投资研究场景结构化场景价值投研能力均质化水平提升为向价值链后端延申夯实基础个性化结构化半结构化非结构化数据数据数据数据公开数据源金融业舆情大模型资产管理

知识框架

公司

公告动态

代理池结构化抽取数据采集知识图谱模拟

登陆网页

资讯研究

报告定制反欺诈模型黑产知识库Foundation

Model

腾讯云金融风控大模型场景综述：当下传统风控模型遇到了通用建模效果有限、小样本数据导致性能不达标等瓶颈，单点防御能力和风险预测能力难以适应业务快速变化的发展需求，而基于大模型的风险治理颠覆传统风控业务流程，实现精准化的动态风控，塑造新的组织形态与业务形态。在保证风险识别准确率的前提下加快风险判断速度

，实现动态风险治理

，变革组织运营管理模式

，全面提升金融企业风控体系的上线及迭代速率。依靠大模型自身的“知识积累

”

，可学

习海量多模态的风控数据

，高效解决小

样本乃至零样本训练难题

，进一步提升

模型区分度

，有效面对多风险类别跨风

险业务域的泛化问题。3务实求效：大模型在金融业的价值与应用典型案例：基于腾讯金融风控大模型的风险治理跨场景泛化风控大模型具备跨场景的泛化性能力，可跨场景适用，能够助力企业快速启动新业务专家级建模大模型集成了大量风控模型及相关知识，可按较高的迭代频率完成专家级精度的风控建模流程全自动全流程自动建模并自动部署上线，可大幅缩短风控策略部署周期以敏捷响应变化基于腾讯云金融风控大模型的定制化动态风险治理