“模型應用，產業(yè)先行”正在成為產、學、研界的共識。

7月28日，騰訊云與中國信通院在南京共同啟動行業(yè)大模型標準聯(lián)合推進計劃，雙方宣布聯(lián)合牽頭中國首個金融行業(yè)大模型標準的編制工作，其中對金融行業(yè)大模型的評估方法覆蓋了投研、投顧、風控、營銷、客服、銀行、保險、證券等應用場景，并對大模型在數(shù)據(jù)合規(guī)性、可追溯性、私有化部署、風險控制等方面提出要求。

在此前6月19日舉辦的騰訊云行業(yè)大模型峰會上，騰訊云就曾宣布聯(lián)合信通院共同構建行業(yè)大模型的標準體系及能力架構，包括ILMOps方法論、數(shù)十項能力建設指標。該標準體系覆蓋多個行業(yè)，涵蓋模型行業(yè)能力、模型工程化性能、模型算力網(wǎng)絡、模型安全可靠等方面。這不僅是推進國產大模型的堅實一步，也是大模型落地，實現(xiàn)產品化的必然之舉。

(資料圖片僅供參考)

大模型數(shù)量增至116個，商用場景是關鍵

從年初ChatGPT引爆AIGC（生成式人工智能）概念，到騰訊、阿里、百度、華為、京東發(fā)布大模型，“百模大戰(zhàn)”似乎正在經歷割裂的輿論場—— 一面在公眾的認知里才剛拉開序幕，一面在業(yè)內人士看來已從盲熱回歸理性。

盡管在概念上未有統(tǒng)一口徑，但不少業(yè)內人士傾向認為大模型是指具有大量參數(shù)和復雜結構的機器學習模型，也有“通用化”和“垂直化”之分。總之，無論是否披著“大模型”，機器學習都是科技企業(yè)開展了數(shù)年的工作，這也就解釋了為什么業(yè)內人士認為大模型之爭已經回歸理性，而公眾則以為這個業(yè)態(tài)剛剛興起。

《中國人工智能大模型地圖研究報告》顯示，截至5月末，全國參數(shù)在10億規(guī)模以上的大模型已發(fā)布79個,數(shù)量僅次于美國排名全球第二。而兩個月后，據(jù)騰訊研究院副秘書長楊望調研分析，目前國內的大模型數(shù)量已增加至116個，其中金融行業(yè)大模型約18個。

業(yè)界關注的是呈加速落地之勢的“大模型”理念和技術，如何真正在商用場景中解決實際業(yè)務問題。作為頭部參與主體，騰訊云正在通過標準編制、場景挖掘等舉措，推動大模型應用走進行業(yè)發(fā)展的要塞環(huán)節(jié)。

聚焦在具體場景上，騰訊云基于對市場需求和自身技術優(yōu)勢的充分研判，錨定金融這一垂直行業(yè)，試圖在對信息精度和數(shù)據(jù)合規(guī)有著嚴苛要求的風控場景取得商用突破。

券商中國記者采訪了騰訊研究院副秘書長楊望、騰訊云天御首席科學家李超，他們都表示金融風控正從主要依托歷史數(shù)據(jù)和專家經驗的“規(guī)則對抗”時代，進入由機器學習、人工智能主導的“模型對抗”時代。

騰訊云力推的金融風控大模型，就是行業(yè)大模型與騰訊安全20多年對抗金融欺詐黑灰產經驗沉淀融合的載體。騰訊云試圖以此在新舊時代的轉換里占據(jù)一席之地。

錨定剛需場景：推動風控建模效率和性能提升

“智能投顧、智能客服、營銷渠道、保險理賠、研報撰寫……”, 楊望認為，大模型在金融行業(yè)有著諸多落地場景，但都要能經得住穩(wěn)定性、準確性、可操作性的檢驗。

現(xiàn)在，騰訊云試圖在金融業(yè)務安全領域，錨定機構交易、信貸、營銷等場景的風控需求做文章：基于MaaS(Model as a Service,模型即服務）的模式，助力金融機構提升風控建模的效率，規(guī)避黑灰產欺詐損失。

為什么選定風控環(huán)節(jié)，尤其是貸前風控環(huán)節(jié)？因為該場景存在著最急迫的需求。“通過數(shù)據(jù)的買賣以及各種形式的黑產或者灰產的行為，給金融行業(yè)在信貸和交易領域帶來了極大的資金損失風險。比如說像在信貸領域，因黑產造成的欺詐已經占到了整個逾期規(guī)模的40%-70%。”李超告訴券商中國記者。

據(jù)李超介紹，風控模型就是把專家經驗抽象成一系列風控策略集，包括欺詐檢測模型、準入模型、風險定價模型、額度管理等，貫穿金融信貸業(yè)務的全生命周期。金融風控體系大部分來自于歷史金融數(shù)據(jù)，依賴于用過去行為預測未來行為，近年來不少金融機構現(xiàn)有風控體系遭遇頻繁假人假機、假人真機、真人假機的欺詐行為，傳統(tǒng)風控策略已然失效。李超甚至預測，不排除黑灰產深度利用AI模擬真人行為，發(fā)起金融欺詐，這帶給金融風控巨大的沖擊。

正是因為金融欺詐黑灰產猖獗，金融機構對風控模型的迭代頻率需求增多，從過往的以年為單位演進到以月為單位。“風險動態(tài)治理”成了很多金融機構對風控模型的訴求。

據(jù)券商中國記者從騰訊云了解，某金融機構的渠道和客群變化較快，基于傳統(tǒng)的專家聯(lián)合建模方式效率較低、成本較高，無法滿足風控系統(tǒng)快速迭代要求。接入騰訊云行業(yè)大模型后，模型迭代周期從17天縮短到3天，建模效率提升60%。

某銀行對欺詐樣本積累不足，在風控建模階段面臨訓練難題，新建的模型無法滿足性能要求。而接入騰訊云的金融風控大模型后，該銀行客戶基于少量提示樣本就可以遷移得到適配自身業(yè)務場景的定制模型，相比于傳統(tǒng)的建模方式性能提升20.5%，在跨場景的泛化性測試上性能提升53%。

以上兩個案例，都是金融機構亟待提升動態(tài)風控建模能力，而騰訊云金融風控大模型恰好解決這一痛點的縮影。截至目前，騰訊云已與頭部金融機構聯(lián)合共建了近百個定制化風控模型。

契合定制化需求：基于機構客戶樣本側場景進行建模

金融機構正在進入存量精細化運營時代，獲客方式、風控策略逐漸差異化加劇，對反欺詐的訴求也從通用型服務轉化為針對自身場景調優(yōu)的定制服務為主。根據(jù)騰訊云天御的客戶實踐顯示，2022年的定制化服務需求數(shù)量相比2020年增加了5倍。

“不同的金融機構有著不同的產品形態(tài)和金融產品定位，不同的產品形態(tài)面臨的欺詐風險因素是有差異的。當黑灰產逐漸應用機器學習方法去迭代欺詐手法的時候，也需要相應持續(xù)做出風險的迭代。這也就意味著我們沒辦法在訓練好一個風控模型之后，一成不變地應用它。”李超介紹，這也是很多金融機構開始希望騰訊云提供定制化能力的根本所在——根據(jù)客戶自身的樣本側業(yè)務場景建模。

此外李超還提及，不僅僅是反欺詐環(huán)節(jié)，客戶分層、定額、定價等貫穿客戶貸款周期的風險審批諸多環(huán)節(jié)，都可以采用定制建模的方式。整體來看，目前更多需求場景集中在貸前風控，貸中環(huán)節(jié)也逐漸多了起來。

“定制化建模相比于傳統(tǒng)的通用風控模型，一般會有20%左右的反欺詐效果提升。”李超透露。

在騰訊云的調研里，金融機構風控建模存在著共性的痛點：建模流程耗時耗力、業(yè)務場景面臨小樣本或零樣本難題、缺乏對模型的多維度泛化性評估。騰訊云金融風控大模型試圖針對這三個痛點對癥下藥。

據(jù)李超介紹，金融機構基于騰訊云金融風控大模型，在建模階段只需使用少量提示樣本，就能自動構建適配自身業(yè)務獨有特點的風控模型，并且實現(xiàn)全流程自動化的部署上線，并支持持續(xù)發(fā)布快速集成到自身的風控系統(tǒng)上。來自騰訊云的數(shù)據(jù)顯示，該方案幫助客戶風控策略部署效率提升10倍。

其次是依托20多年沉淀的海量欺詐樣本和多場景下的豐富風控模型能力，幫助樣本積累有限以及新業(yè)務上線“零樣本”的企業(yè)，高效解決“小樣本”訓練難題。來自騰訊云的數(shù)據(jù)顯示，模型區(qū)分度比傳統(tǒng)模式提升20%。

最后是為金融機構提供超越自身樣本的模型評估體系，包含所有的風控模型評估指標，覆蓋全量金融風控的細分場景，讓機構能360度全面評估到模型的穩(wěn)定性和泛化性。

（文章來源：券商中國）

關鍵詞：

責任編輯：Rex_28