“模型應(yīng)用，產(chǎn)業(yè)先行”正在成為產(chǎn)、學(xué)、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(biāo)準(zhǔn)聯(lián)合推進(jìn)計(jì)劃，雙方宣布聯(lián)合牽頭中國首個金融行業(yè)大模型標(biāo)準(zhǔn)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(fēng)控、營銷、客服、銀行、保險(xiǎn)、證券等應(yīng)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(fēng)險(xiǎn)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(gòu)建行業(yè)大模型的標(biāo)準(zhǔn)體系及能力架構(gòu)，包括ILMOps方法論、數(shù)十項(xiàng)能力建設(shè)指標(biāo)。該標(biāo)準(zhǔn)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(luò)、模型安全可靠等方面。這不僅是推進(jìn)國產(chǎn)大模型的堅(jiān)實(shí)一步，也是大模型落地，實(shí)現(xiàn)產(chǎn)品化的必然之舉。

　　大模型數(shù)量增至116個，商用場景是關(guān)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(jīng)歷割裂的輿論場—— 一面在公眾的認(rèn)知里才剛拉開序幕，一面在業(yè)內(nèi)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(nèi)人士傾向認(rèn)為大模型是指具有大量參數(shù)和復(fù)雜結(jié)構(gòu)的機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)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(nèi)人士認(rèn)為大模型之爭已經(jīng)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(bào)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(diào)研分析，目前國內(nèi)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(guān)注的是呈加速落地之勢的“大模型”理念和技術(shù)，如何真正在商用場景中解決實(shí)際業(yè)務(wù)問題。作為頭部參與主體，騰訊云正在通過標(biāo)準(zhǔn)編制、場景挖掘等舉措，推動大模型應(yīng)用走進(jìn)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(shù)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(yán)苛要求的風(fēng)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(xué)家李超，他們都表示金融風(fēng)控正從主要依托歷史數(shù)據(jù)和專家經(jīng)驗(yàn)的“規(guī)則對抗”時代，進(jìn)入由機(jī)器學(xué)習(xí)、人工智能主導(dǎo)的“模型對抗”時代。

　　騰訊云力推的金融風(fēng)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(chǎn)經(jīng)驗(yàn)沉淀融合的載體。騰訊云試圖以此在新舊時代的轉(zhuǎn)換里占據(jù)一席之地。

　　錨定剛需場景：推動風(fēng)控建模效率和性能提升

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

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

　　為什么選定風(fēng)控環(huán)節(jié)，尤其是貸前風(fēng)控環(huán)節(jié)？因?yàn)樵搱鼍按嬖谥罴逼鹊男枨蟆！巴ㄟ^數(shù)據(jù)的買賣以及各種形式的黑產(chǎn)或者灰產(chǎn)的行為，給金融行業(yè)在信貸和交易領(lǐng)域帶來了極大的資金損失風(fēng)險(xiǎn)。比如說像在信貸領(lǐng)域，因黑產(chǎn)造成的欺詐已經(jīng)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(fēng)控模型就是把專家經(jīng)驗(yàn)抽象成一系列風(fēng)控策略集，包括欺詐檢測模型、準(zhǔn)入模型、風(fēng)險(xiǎn)定價(jià)模型、額度管理等，貫穿金融信貸業(yè)務(wù)的全生命周期。金融風(fēng)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(yù)測未來行為，近年來不少金融機(jī)構(gòu)現(xiàn)有風(fēng)控體系遭遇頻繁假人假機(jī)、假人真機(jī)、真人假機(jī)的欺詐行為，傳統(tǒng)風(fēng)控策略已然失效。李超甚至預(yù)測，不排除黑灰產(chǎn)深度利用AI模擬真人行為，發(fā)起金融欺詐，這帶給金融風(fēng)控巨大的沖擊。

　　正是因?yàn)榻鹑谄墼p黑灰產(chǎn)猖獗，金融機(jī)構(gòu)對風(fēng)控模型的迭代頻率需求增多，從過往的以年為單位演進(jìn)到以月為單位。“風(fēng)險(xiǎn)動態(tài)治理”成了很多金融機(jī)構(gòu)對風(fēng)控模型的訴求。

　　據(jù)券商中國記者從騰訊云了解，某金融機(jī)構(gòu)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(fēng)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(fēng)控建模階段面臨訓(xùn)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(fēng)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(wù)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(jī)構(gòu)亟待提升動態(tài)風(fēng)控建模能力，而騰訊云金融風(fēng)控大模型恰好解決這一痛點(diǎn)的縮影。截至目前，騰訊云已與頭部金融機(jī)構(gòu)聯(lián)合共建了近百個定制化風(fēng)控模型。

　　契合定制化需求：基于機(jī)構(gòu)客戶樣本側(cè)場景進(jìn)行建模

　　金融機(jī)構(gòu)正在進(jìn)入存量精細(xì)化運(yùn)營時代，獲客方式、風(fēng)控策略逐漸差異化加劇，對反欺詐的訴求也從通用型服務(wù)轉(zhuǎn)化為針對自身場景調(diào)優(yōu)的定制服務(wù)為主。根據(jù)騰訊云天御的客戶實(shí)踐顯示，2022年的定制化服務(wù)需求數(shù)量相比2020年增加了5倍。

　　“不同的金融機(jī)構(gòu)有著不同的產(chǎn)品形態(tài)和金融產(chǎn)品定位，不同的產(chǎn)品形態(tài)面臨的欺詐風(fēng)險(xiǎn)因素是有差異的。當(dāng)黑灰產(chǎn)逐漸應(yīng)用機(jī)器學(xué)習(xí)方法去迭代欺詐手法的時候，也需要相應(yīng)持續(xù)做出風(fēng)險(xiǎn)的迭代。這也就意味著我們沒辦法在訓(xùn)練好一個風(fēng)控模型之后，一成不變地應(yīng)用它。”李超介紹，這也是很多金融機(jī)構(gòu)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(cè)業(yè)務(wù)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(jià)等貫穿客戶貸款周期的風(fēng)險(xiǎn)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(fēng)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(fēng)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(diào)研里，金融機(jī)構(gòu)風(fēng)控建模存在著共性的痛點(diǎn)：建模流程耗時耗力、業(yè)務(wù)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(fēng)控大模型試圖針對這三個痛點(diǎn)對癥下藥。

　　據(jù)李超介紹，金融機(jī)構(gòu)基于騰訊云金融風(fēng)控大模型，在建模階段只需使用少量提示樣本，就能自動構(gòu)建適配自身業(yè)務(wù)獨(dú)有特點(diǎn)的風(fēng)控模型，并且實(shí)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(fēng)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(fēng)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(fēng)控模型能力，幫助樣本積累有限以及新業(yè)務(wù)上線“零樣本”的企業(yè)，高效解決“小樣本”訓(xùn)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(jī)構(gòu)提供超越自身樣本的模型評估體系，包含所有的風(fēng)控模型評估指標(biāo)，覆蓋全量金融風(fēng)控的細(xì)分場景，讓機(jī)構(gòu)能360度全面評估到模型的穩(wěn)定性和泛化性。