DeepSeek如何影响银行业

DeepSeek如何影响银行业通义智能PPTcontent目录01DeepSeek为何一夜之间爆火？02银行拥抱AI的常见误区03DeepSeek如何重塑银行业？04行业影响：缩小技术鸿沟，推动生态变革05挑战与未来展望DeepSeek为何一夜之间爆火？01低门槛优势：大幅降低使用/注册门槛，AI平民化使用成本低DeepSeek使用成本极低，网页/APP免费，API费用低，进一步AI平民化。中文友好环境针对中文用户优化，界面与操作指南均支持中文，降低语言障碍，提高使用效率。

中文训练数据占比超90%注册无门槛注册流程简便，无需复杂验证，即时注册即时使用，快速融入DeepSeek的智能生态。/post/7467164101137416211技术革新驱动：低成本与高性能的突破训练成本革命算法优化如MoE架构、MLA，实现同效能低成本，训练成本10%，推理成本仅同类1%，大幅削减银行算力投入。开源生态赋能开放模型代码与框架，中小银行可二次开发，打破技术垄断壁垒。强大的社区支持，加速功能迭代与问题解决。本地化部署优势多个尺寸开源模型支持私有化部署，满足金融数据安全与合规要求，如江苏银行本地化微调案例。性能与成本双赢DeepSeek在保证高性能的同时，显著降低银行技术成本，加速AI普及。热度传播路径捧上天拳打ChatGPT，脚踢Gemini，摩擦Claude颠覆现有AI产品，绕开CUDA，NVDIA完蛋了。560万美元的训练成本吊打几个亿的训练成本。不能说不好，有点饭圈趋势踩下地无脑贬低，毫无技术含量，蒸馏抄作业。甚至拿汉芯来比，又是一地鸡毛拿一些偶尔出现的幻觉和bug来完全否定之。典型误解银行拥抱AI的常见误区02银行拥抱新技术误区——为AI而AI银行拥抱新技术误区人无我有人有我优不管有没有用，先得有解不解决问题先不说，新闻稿先发照猫画虎脱离实际看到他行案例或者供应商方案，直接复制到本地，不考虑适用性未充分评估可能导致资源浪费。只看别人不看自己过于关注在行业里的地位和发声，不考虑解决内部实际问题需精准定位业务需求，选择合适的结合点。只仰望星空不脚踏实地管理层关注快速创新迭代基层疲于提升基础数据质量和完成手工报表DeepSeek如何影响银行业？03内容采集与生成：内外AI分离，合规前提下保持数据实时性01自动化尽调报告整合财报与舆情数据，DeepSeek自动生成初步分析框架，显著提升报告编制效率02合规审查智能化针对大量的监管合规要求，批量、快速的审核合同文本、协议条款、用户授权文本等，辅助人工审核，大幅提升审核效率，如江苏银行合同质检场景应用。03舆情监控实时分析社交媒体与新闻，识别潜在风险（如客户投诉趋势预测、企业客户舆情风险预警等）互联网/公有云金融机构内网私有云版DeepSeekor其他AI产品客观数据：内部交易数据、客户数据监管文件公网版DeepSeekor其他AI产品行业标准、规范工商数据&其他公开数据流程数据：流程规范、制度等主观数据：业务知识、经验等其他银行采购数据，如公安司法、风险多头尽调报告生成合规审查舆情监控防火墙防火墙知识管理：从静态数据库到动态知识引擎模型规模最低GPU显存推荐GPU型号纯CPU内存需求适用场景1.5B4GBRTX30508GB个人学习7B、8B16GBRTX409032GB小型项目14B24GBA5000x264GB专业应用32B48GBA10040GBx2128GB企业级服务70B80GBA10080GBx4256GB高性能计算671B640GB+H100集群不可行超算/云计算DeepSeek-R1+

ollama+AnythingLLMDeepSeek-R1+

ollama+DifyChatBI技术路线图<20152016-20192020-20212023-2021-2022纯学术探索核心技术NL2SQL技术缺陷：精度低检索式BI核心技术：基于检索的NL2SQL技术缺陷：无语义理解第一代对话式BI核心技术：NL2SQL（规则模型）技术缺陷：精度低、配置成本高、意图理解弱第二代对话式BI核心技术：NL2SQL（规则模型+深度模型）技术缺陷：精度低、需要训练模型第三代对话式BI核心技术：NL2DSL（规则模型+大模型）技术优势：数据可信、生成可控、可干预、模糊语义理解BI分析可分为统计型、归因型、预测型、决策型四个层次展现数据，了解现状，发现问题统计型利用体系，以小见大，见微知著预测型拆解指标，建立体系，找到根因归因型直面问题，督办改进，完成闭环决策型4BI分析层次ChatBI——统计型分析统计型归因型预测型决策型针对所输入的问题进行提前阅读，模糊字段会触发联想，匹配字段枚举值若干次优解作为推荐问题备选，模糊语义场景下对齐提问意图基于主题下的模型数据进行问答，提问中可以方便地进行主题和模型的切换划定范围模糊匹配业务黑话笨办法：做配置表ChatBI——统计型分析统计型归因型预测型决策型ChatBI——统计型分析统计型归因型预测型决策型规则模型，提问精准命中底层数据平台配置，辅助企业个性化问题识别语义清晰的问题语义模糊的问题基于大语言模型解析意图意图调整：用户可以直接对解析结果进行干预和调整，以获得自己最终想要的数据结果意图解析：通过直观的展示意图解析的过程和结果，方便用户对齐查询意图2023年杭州分行存款余额今年对公贷款余额排名第一的客户经理近三年上海分行的不良率变化情况今年存款做得怎么样今年的销售明星是谁近年来上海的坏账情况可信归因型分析：维度归因统计型归因型预测型决策型统计分析数据解释下钻分析归因型分析：指标归因统计型归因型预测型决策型通过归因分析，发现线上申请总量过低、笔均交易额降低，需要分析具体线上各渠道申请变化情况，是否有渠道终止合作等；以及笔均交易额的变化情况，是否有渠道或产品设置了交易限额归因分析结果KPI第一维度：直接影响第二维度：间接影响第三维度：渠道/产品/客群户均余额同比-5%户均额度XXX万户均额度使用率YY%卡数量同比-8%申请总量XX万通过率YY%透支余额同比-10%户均额度XXX万卡量增长YY%通过率1%转化率76%申请总量-6%转化率40%户均额度使用率-2%使用率XX%户均额度0.5%户均额度xxx万线下申请总量-1%XX万线上申请总量

-9%XX万B产品通过率-1%通过率YY%A产品通过率1%通过率YY%B客群户均额度1%YYY万A客群户均额度0%

XXX万笔均交易额-5%YYY万户均交易笔数-1%XXX笔归因预测型分析：典型场景是投诉预测统计型归因型预测型决策型投诉倾向背景银行希望更好地预测客户行为，了解引起客户投诉的服务因素发现确认常见的投诉路径，在早期预警指导下采取纠正行动影响银行确认了投诉倾向排名前X%的流程，客户投诉数减少Y%高高低演亦文化3月3月30日页面访问量63次利用交互式语音应答（IVR）系统咨询电话咨询：查询费用3月31日客户数据匹配BAI调查演亦文化4月4月14日页面访问量49次覆盖检查4次4月28日电话咨询：技术支持演亦文化5月5月2日页面访问量13次页面访问量4次5月5日电话咨询：升级投诉，覆盖5月7日页面访问量25次，包含“联系我们”页面5月8日页面访问量行为准则有所不满5月8日投诉“我已经和你们公司说明了情况，你们的网站一直显示已接收了我的即期汇票，但是实际上还在我的账户里等待被接收，导致我无法进行网上支付。请抓紧处理这个问题，我付了款，但是你们没接收，导致我逾期好几个月了。”预测型分析：同样可以建立指标树完成预测统计型归因型预测型决策型通过归因分析，发现电话进件量、功能访问量、问卷调查评分等因素会导致投诉量变化，进一步分析，技术支持和投诉建议的通话长度和客户数，以及联系我们/在线客服的访问量，可以有效预测投诉量的变化归因分析结果KPI第一维度：直接影响第二维度：间接影响第三维度：渠道/产品/客群功能访问量业务功能联系我们电话进件量技术支持投诉建议投诉量投诉建议电话进件中选择投诉建议的进件数量技术支持电话进件中选择技术支持的进件数量联系我们访问量访问联系我们或线上客服的流量业务功能访问量访问正常业务功能的流量技术支持客户数XX万技术支持通话长度XX万投诉建议客户数通过率YY%投诉建议通话长度通过率YY%业务功能跳出率YYY万业务功能渗透率XXX万在线客服访问量YYY万联系我们访问量XXX笔问卷调查评分预测型分析：将归因逆向运用即可预测通过归因分析，发现线上申请总量过低、笔均交易额降低，需要分析具体线上各渠道申请变化情况，是否有渠道终止合作等；以及笔均交易额的变化情况，是否有渠道或产品设置了交易限额归因分析结果KPI第一维度：直接影响第二维度：间接影响第三维度：渠道/产品/客群户均余额同比-5%户均额度XXX万户均额度使用率YY%卡数量同比-8%申请总量XX万通过率YY%投诉量通过率1%转化率76%申请总量-6%转化率40%户均额度使用率-2%使用率XX%户均额度0.5%户均额度xxx万线下申请总量-1%XX万线上申请总量-9%XX万B产品通过率-1%通过率YY%A产品通过率1%通过率YY%B客群户均额度1%YYY万A客群户均额度0%

XXX万笔均交易额-5%YYY万户均交易笔数-1%XXX笔预测统计型归因型预测型决策型透支余额同比-10%户均额度XXX万卡量增长YY%DeepSeek能做吗？注意力机制类似指标树结构，都是寻找变量之间的关系行业影响：缩小技术鸿沟，推动生态变革04中小银行逆袭机会低成本模型赋能D