大模型在金融行业的应用探索-1

将系列化呈现近期思考的核心部分，全面梳理大模型在金融行业的应用场景以及工程实现，欢迎加微信联络沟通，近期将建群方便一起交流探讨。

请备注”大模型金融”

• 大模型的能力

想用好大模型必须从了解大模型的技术能力出发，此处没有区分多模态或跨模态的大模型技术，从统一的技术视角进行了划分。此外，将能力分成了大模型能力、工程与技术能力以及算力设施能力，如下图。

作为系列文章的第一篇，本文将只讲述最上面的大模型能力，以更好的说明应用场景，常规划分时会将语音能力作为NLP能力的衍生技术，随着应用场景的扩展（如音乐、唱歌、配音等）此处我将它单独作为一种能力，为了更好的展示各种能力可以应用的场景，做了一份能力与场景的匹配示例，这并不是全部，只是为了更好的说明大模型的能力，如下图。

• 大模型在金融行业应用场景的识别原则

先不考虑成本与人才的需求（这个在以后的系列文章中将专门介绍），如何从行业中挖掘应用场景是一个值得思考的问题，如上图的粗略分类并不具备很好的说服力，因此，基于金融行业的特性，我将大模型的应用场景识别原则分为以下几类：

1. 耗时耗力的场景：需要投入较多人力或消耗较多时间的场景，如业务侧单据处理与核验、柜面、客服、营销等，科技侧的文档编制与整理、测试、演练、数据标准化处理等。
2. 知识密集的场景：引用的知识较多或知识关联密集的场景，如合规、供应链金融、投研、投顾、资产配置等；
3. 复杂计算的场景：数据量大、计算维度多的场景，如投研、投顾、资产配置、供应链金融、风控等，尽管复杂计算场景基于大数据+机器学习基本能满足需求，但大模型仍有很好的在该领域使用的理由，如通过大模型的工具使用能力与现在的系统生态融合；
4. 降低门槛的便利性场景：让非专业领域的人员可以便利使用专业工具的场景，如基于大模型的报表分析、营销图像、营销视频制作、编码辅助等领域；
5. 适老化场景：方便使用数字化设备有困难的老人享受银行服务，如老人有特定记忆人员的声音或影像提供的数字人服务等。

每周更新