招商银行信息技术部副总经理、数据资产与平台研发中心总经理 俞吴杰

  银行业是信息处理密集型的行业，每一次技术变革都推动了银行业服务和管理模式的创新。以我国商业银行发展为例，自上世纪90年代开始建设网上银行到移动互联网时代提供基于App的金融服务，数据要素在线上环境中得到了极大丰富，各类业务模式均依托于对数据要素的信息加工及处理决策。通过算法模型以智能化方式发挥数据要素价值，是继线上化、数据化之后的自然演进方向。

  对于银行业而言，算法模型的规模化应用面临诸多挑战，如算法科学人才的储备不足、项目工期长且成本高、算法模型应用氛围需要改善以及算法模型如何合规等。为应对上述挑战，本文结合实践经验，从算法模型应用平民化、数据架构优化和工具赋能、应用氛围营造、新方法引入、合规应用五个方面进行讨论。

一、推进算法模型应用平民化

  算法模型应用平民化是指通过自动化工具及直观的用户界面等方式，使算法模型的创建、部署和维护变得更加简单，以便非专业人员也可以理解和使用。

  算法模型在银行业有广阔的应用土壤并发挥着重要作用。在风控与合规领域，算法模型能够显著提升风险预防、识别、管控的效率，涵盖信用风险、市场风险、操作风险等，同时加强反欺诈、反洗钱工作;在客户经营领域，算法模型以“人+数字化”的方式，在个性化推荐、智能客服、智能助理等领域优化服务质量;在内部运营领域，算法模型可以在流程自动化、单据录审等方面提升服务时效;在投资研究领域，算法模型可支持业绩归因、资产配置、资产定价等方向从以经验为主导走向智能化。

  对于银行机构，算法模型的平民化应用有以下几点优势：一是提高科技产出效能。通过自动化工具，非专业人员也可以创建和部署算法模型，摆脱了对数据科学家或机器学习工程师的依赖，可大幅提升工作效率。二是带动自发式创新。银行机构一线分支行往往对业务感知最为强烈，如果模型应用可以由一线分支行快速验证落地，而非传导至技术部门建模后再反馈，那么价值传导链条将大幅缩短。三是有利于提升组织级智能化决策水平。通过平民化应用，更多员工将能够理解和使用模型，营造出一种应用氛围，从而使整个组织能够更好地利用算法模型参与业务决策。

  算法模型应用平民化具备可行性，得益于以下两个方面的进步：一是算法模型的建模流程已经比较清晰，包括数据加工、模型开发、验证以及投产。结构化流程使得算法模型的开发部署更加标准化，降低了技术落地门槛，模型开发人员掌握基本的数据和算法知识即可进行模型生产及应用。二是随着技术的进步，大数据平台、云平台得到广泛应用，让应用平台和模型平台能够通过API进行连接，大幅减少了系统建设的工作量，解决了模型快速应用的难题。

二、数据架构优化和工具赋能

  算法模型应用具有数据量大、计算量大、流程复杂且流转快的特点，需要采用优化的数据架构，快捷操作数据，并通过易用的建模平台，让普通用户也能高效建模。

  1.便捷的数据架构

  一项对数据科学家群体的调研显示，在算法模型研发过程中，数据科学家85%以上的时间用于数据处理相关工作，包括数据源确定(结构化、非结构化)、数据清洗、特征加工等。因此，便捷的数据架构可实现数据的易得易用，减少加工、投产环节的数据跨平台流动，是算法模型规模化应用的重要支撑。实践中，招商银行通过企业级数据湖汇聚全行数据，将模型平台与数据湖连通，在模型开发和投产环节高效获取数据，使得模型用户开发完成的作业无需转换即可投产，确保了模型的高效运转。

  2.友好的建模工具

  在便捷的数据架构之上，还需要提供高效友好的建模工具，支持更快(批量化开发，快速投产)、更多(支持主流模型算法)、更好(计算资源弹性，工程化运行稳定可靠)地应用算法模型。实践中，招商银行面向算法建模人员提供了一站式模型开发平台，并重点进行如下功能建设。

  (1)图形化交互操作

  为进一步降低用户使用门槛，模型开发平台提供适用于专家型算法工程师的高代码及适用于业务建模人员的低代码两种模式。在低代码环境中，该平台集成了数据处理、特征处理、数据统计、机器学习、深度学习、图计算多类算子，使用户通过图形化“拖拉拽”方式即可快速组建模型应用，并且以可视化方式提供模型训练报告，辅助建模人员评估模型性能。

  (2)模型一键投产及运维

  为满足不同业务场景需求，模型开发平台提供了离线模型(以作业部署的方式定时启动模型计算)、在线模型(以API方式提供实时模型计算)两大部署模式。在企业环境中，模型投产涉及数据、计算、调度等多平台协作，往往耗时长且工作量大。招商银行模型开发平台打造了模型“一键投产”功能，实现多平台互连，使用户通过关键参数配置即可投产，大幅缩短了模型部署周期。在模型投产后，平台提供作业监控、模型效果监控等运维工具，方便用户及时观测模型状态和性能。

  (3)统一管理多样化的计算资源

  模型计算需要大数据平台、容器云等多平台协同，也需要同时使用CPU和GPU资源。模型开发平台通过对底层资源进行统一化管理，使用户只需进行作业的设计而无需关心底层资源获取，即可得到弹性的计算资源，支持高性能的分布式模型和GPU深度学习模型。

三、营造算法模型应用氛围

  1.汲取外部先进经验

  当前，算法模型领域仍处于快速发展阶段，相关报告显示，全球有数万个算法开源项目，涵盖了从机器学习算法到深度学习模型的各种应用。同时，许多领先的科技公司和科研机构也在实际应用中积累了大量的经验。与开源社区以及外部先进算法应用机构有效互动，有助于企业开拓视野，与行业先进技术保持同步，激发自身推广和应用算法模型的动力，如定期参与开源社区研讨会或邀请外部专家进行定向主题分享、与高校组建联合实验室等。

  2.促进内部技术交流和场景共建

  由于企业内不同板块业务的属性不同，可能存在算法模型应用水平不均衡的现象，为促进算法经验在跨项目组、跨团队、总分机构之间实现交流，可以采取多种实践方式：一是定期组织技术分享会、工作坊等，邀请数据科学家、工程师和业务人员共同探讨如何利用算法模型解决实际业务问题;二是可以定期举办企业级优秀模型案例评选活动，发挥示范引领作用，推广先进经验;三是建立模型在线社区，包括展示优秀算法模型应用案例、提供一系列实用的模型开发指引、开设在线问答板块等，促进思维碰撞，营造企业级算法应用氛围。

四、引入新方法，提升应用效果

  随着算法模型领域的日益发展，各类新方法持续涌现。企业可通过不断引入新技术来保持技术先进性、提升效能，并为业务关键领域发展赋能。

  数字金融反欺诈能力是金融机构的核心能力之一。传统模式下，商业银行安排风险防控人员参与欺诈防范和处置工作，没有大数据和算法模型支持，容易导致风险事件遗漏及客户投诉。随着算法模型技术的发展，商业银行可通过实时特征计算及在线风控模型对全流量事件进行事中风险侦测，有效减轻一线人员的压力，保障客户资金安全。近年来，随着语音合成、人像合成技术不断被不法分子利用，商业银行进一步升级防控模型，引入图挖掘、声纹检测、3D防攻击等算法，有效防控了新型诈骗手段。

  此外，基于深度学习的推荐算法可以提供更具个性化的用户体验，基于运筹优化的决策算法可以协助提升资源配置效率，基于计算机视觉的数字人技术可以升级在线客服的陪伴方式。新方法可以促使企业重新审视传统机器学习方法难以解决的问题，开拓、挖掘新的应用场景。

  随着大语言模型技术的发展，全新交互体验可以进一步降低高阶算法模型的应用门槛，例如，Google最新发布的AIphaCode2模型可以通过自然语言的方式，产出高质量竞赛编程级代码，相关评测显示其编程性能超过85%的编程人员。在高效且可私有化部署的大语言模型辅助下，算法模型的应用将迎来崭新的发展机遇。

五、算法模型合规应用

  伴随着算法模型的规模化应用，算法模型治理也变得越来越重要。为实现科技向善，需要对算法模型进行有序管理，确保安全合规应用。

  在国家层面，我国高度重视数据安全和算法模型合规应用，出台了各层级法律法规。立法方面，我国出台了《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《中华人民共和国网络安全法》等多部法律;规定方面，国家互联网信息办公室会同有关部门联合制定了《关于加强互联网信息服务算法综合治理的指导意见》《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》《生成式人工智能服务管理暂行办法》等，对算法模型的应用进行规范管理。

  在企业层面，首先，要根据国家法律及监管机构相关规定，完善企业级规章体系。在算法模型管理方面，需明确算法模型管理的合规原则、企业内职责分工、算法模型分类分级，按生命周期全程实施管理。在研发过程中，需规范模型数据源使用、数据处理、模型开发、模型公正性等方面的检查，确保模型应用的公正性。其次，要在工具层面落地相关制度，涵盖需求审批、模型开发文档、部署审批等各个环节，并按制度进行必要的控制，同时定期进行模型审计，以评估模型的性能和影响，确保模型的行为符合预期及合规要求。

  2023年2月，中共中央、国务院印发的《数字中国建设整体布局规划》指出，建设数字中国是数字时代推进中国式现代化的重要引擎，要推动数字技术和实体经济深度融合，在农业、工业、金融、教育、医疗、交通、能源等重点领域，加快数字技术创新应用。

  银行业在服务实体经济的过程中，既是数字中国的建设者，也是参与者。在人工智能技术不断演进的今天，算法模型的规模化应用有助于商业银行提高服务和管理质效，优化价值创造循环，提升银行业整体数字化水平。同时，在算法模型规模化应用过程中，商业银行要制定行之有效的安全保障措施，坚持科技向善，坚守合规底线，不断完善企业级算法模型管理规范。

  以技术创新为驱动，以规范管理为保障，银行业在推动自身数字化转型的同时，将会为数字中国建设贡献一份坚实力量。