金融企業人工智慧架構的規劃方法(上）

作者簡介：

方偉，暱稱：jetfang，金融科技老兵一員，目前在某大型民企的金融團隊擔任總架構師，志同道合者請與之聯絡：jetfang1976(微訊號)

1. 引言

當一項革命性的科技興起之時，它會迅速的向廣度和縱深兩個方向延伸發展，並與千行百業的各種場景結合起來，展現出勃勃生機和旺盛的生命力。人工智慧就是這樣的科技。從深度來看，機器學習方向在神經網路的演算法複雜程度不斷加深，模型的引數數量在科技巨頭們的競賽中以讓人咂舌的方式增長，達到千億級甚至十萬億級的規模。從廣度來看，人工智慧這一領域延展出機器學習與深度學習、機器視覺、自然語言處理、知識圖譜與認知計算、等許多子領域。從應用場景來看，人工智慧在工業與製造業、安防、金融、交通、教育等各行各業得到廣泛的應用，起到了數字化加速的驅動作用，成為許多行業的新的科技引擎。

金融行業作為數字化程度較高、科技應用較為領先的行業，對人工智慧技術從一開始就保持了極大的熱情與關注。在從業者所公認的金融科技ABCD中，A（Artificial Inteligence）成為金融科技之首。人工智慧技術對金融業態產生了很大的影響，“智慧金融”成為行業熱點，智慧營銷、智慧風控、智慧運營、智慧投研與投顧等成為金融行業運用人工智慧技術的幾個重點方向。

金融行業對人工智慧技術的應用，起步較早，研究較深。但在實踐過程中，依然暴露出來許多問題，帶來許多挑戰。這其中，既有技術門檻和場景價值的問題，也有資源利用和人才隊伍的困境。此外，在技術架構、應用方向等許多方面也給金融機構，特別是中小型銀行、保險公司、證券公司，帶來巨大的挑戰。

如何更有效掌握好、運用深人工智慧技術，在數字化和智慧化的過程中少走彎路，是擺在眾多金融機構面前的難題。本文嘗試從企業架構的角度出發，研究和分析當前金融企業較為典型和有特色的“企業智慧架構”，為金融機構，特別是中小型金融企業找到合適的智慧化應用之路提供一些參考。

 

2. 金融行業應用AI的現狀與問題

AI技術在金融行業已經有許多有特色的創新場景。

比如在信貸風險方面。銀行運用大資料和AI技術將小微信貸的時間從傳統的數天縮短到小時級，已經是平常故事，有些銀行甚至已實現“秒批秒貸”，沒有實時資料和智慧演算法是做不到這一點的。在反欺詐方面，以前困擾金融機構的團伙欺詐行為，在大規模知識圖譜等技術應用之後，許多金融機構對團體欺詐的識別和防範能力大幅提升，取得顯著的效果。由於金融風險對實時性，精確性方面的要求很高，所遇到的資料規模大，演算法複雜度也高，是大資料和AI的合適戰場。AI技術目前正在推動金融企業在風險防控方面從“人防”走向“技防”直至“智防”。

但是從智慧應用的總體層面來看，人工智慧在金融場景的應用融合還存在許多問題和不足，AI技術對金融核心業務的滲透率還比較低。此外，由於企業的智慧應用建設缺乏總體規劃，許多人工智慧應用以單體應用的方式開展建設，應用之間的AI演算法、AI算力缺乏共享共用，在“資料孤島”之後，又形成了一個個的“智慧孤島”。

AI對金融業務核心場景的融入度不足，以及“智慧孤島”問題的產生原因是多方面的。

一是人工智慧演算法的可解釋性不足，阻礙了金融行業對AI的應用。AI技術近年來取得重大突破，其重要的原因之一是在於AI模型的複雜度發生質變性的提升。但是模型的複雜度與可解釋性似乎是一對矛盾體，比如神經網路，其發揮作用的原因正是因為網路層次和引數突破了“臨界點”，才取得超乎想象的效果。如何解決複雜模型的“黑箱”問題，AI專家正在努力的尋找解決之道。2021年，華為雲的MindSpore團隊就提出，可以從基於資料的可解釋性、基於模型的可解釋性、基於結果的可解釋性三方面入手構建可解釋AI。

二是人工智慧的技術門檻相對較高，對銀行傳統的科技研發模式、技術儲備、人才團隊都提出挑戰，帶來了AI應用的困難。其中關鍵人才和AI隊伍的不足是根本性的問題。AI的落地需要多種人才，演算法工程師是必不可少的關鍵角色。相對於普通的資訊科技人員和軟體開發人員，演算法工程師需要在數學、電腦科學、資料科學等方面有更深刻的知識背景，培育難度大，市場上也較為稀缺。不僅僅如此，要完成智慧場景的應用和落地，還需要銀行擁有資料工程師、資料分析師、業務分析師，這些人和演算法工程師組成一個高效的複合團隊，最好還加上“資料科學家”，這樣才能真正運用前沿的AI技術解決業務核心問題，發揮出資料和人工智慧的最大價值。這個團隊與銀行傳統的業務團隊和科技團隊都有所不同，構建這樣一支隊伍並激發其工作活力，難度可想而知。

三是AI算力不足，也帶來AI在金融行業應用的困難。AI模型的構建需要消耗大量的算力，為加速訓練和推理的速度，網際網路和科技大廠的做法大多是運用GPU叢集，而這需要付出許多的資金和電力資源的消耗。比如在國外，OpenAI為構建GPT-3模型，對算力的消耗達到3640PD（PetaFLOPS/s-day），其訓練成本高達數千萬美元。在國內，阿里巴巴構建的十萬億級引數的“M6”大模型，雖然宣稱在算力資源利用效率上有大幅最佳化，但也是建立在巨大算力資源消耗的基礎之上才訓練成功。在AI的應用效果尚不明朗之時，金融機構往往難以承擔如此巨大的投入成本去構建龐大的算力叢集。而且，隨著AI晶片的競爭加劇，新的AI晶片不斷迭代更新，如何最大化的利用好算力資源，實現對過往投資的保護，也是金融機構不得不考慮的問題。

此外，金融機構內部對智慧化應用的認知不統一的問題、行業內部對AI技術標準不統一的問題，也給智慧應用帶來阻礙。許多金融機構從場景出發建設AI系統，這固然是業務驅動科技的良性思路，但也往往帶來重複建設的問題。而且建設過程和關鍵技術往往過度依賴於外部廠商，喪失了技術主導權的同時，也形成了過多的“煙囪式”系統，從而造成了前面所提到的“智慧孤島”問題。

 

3. 金融行業智慧架構的實踐

金融行業應用AI的困局，反映出金融機構在面臨複雜的、前沿性的技術時的種種問題。尤其是方向性和架構性的問題，是金融機構所面臨的最首要的挑戰。構建合適的企業智慧架構，從總體層面對人工智慧的技術應用進行解構和最佳化，是實現智慧化應用突破的關鍵。

領先銀行已經在智慧架構方面做出嘗試和實踐，讓我們來看看相關行的一些AI架構。

圖1：《A銀行人工智慧平臺架構圖》

上圖是某大行的人工智慧平臺的架構圖。從圖1中我們可以看出，其核心智慧部分為兩層，上層是面向“感知、思維、控制”三個領域的垂直的智慧服務，下層是水平的AI底座層。在底座層面，又可細分為算力、演算法、技術框架、AI工作站四個子層。其中，算力層負責晶片的適配和算力的排程，演算法負責各種機器學習演算法、深度學習演算法和圖演算法的實現，框架層是基於演算法層的封裝而構建的AI開發程式設計框架，支援業界較為通用的Tensorflow、pyTorch等AI框架。在這三層之上是面向AI工程師的工作站層，提供了標註、建模、訓練和推理等功能。基於基礎平臺，垂直層構建起面向領域的AI原子服務。包括了感知領域的人臉識別、聲紋識別、語音識別等智慧模型服務，這類服務多使用OCR、CV、以及VR/AR等智慧感知技術。以及面向認知領域的語義理解、機器翻譯、情感分析等AI原子服務，這類服務以NLP、知識圖譜等的技術運用為主。此外，AI垂直服務層還包括面向自動化控制的RPA、機器人等服務。

垂直領域智慧服務和AI底座構成的人工智慧平臺，從資料中臺獲得資料，形成智慧原子服務，支撐起產品創新、客戶服務、風險防控等智慧應用，推動銀行業務的智慧化發展。

這個智慧架構的優勢在於，層次簡單、清晰，可複用性較強，與資料中臺和應用層的界限也比較清晰，職責分工較為明確。

讓我們再來分析一下另一箇中大型銀行的智慧架構。

圖2：《B銀行人工智慧平臺架構圖》

從這個架構我們可以看出，B銀行將AI體系劃分為了5個層次。對比A銀行的AI架構，B銀行對於AI底座的設計更為精細，考慮到了算力的並行排程等的問題，對於算力、儲存的思考更為深入，在具體的技術實現上則會考慮與企業雲底座進行技術複用。在平臺層，將標註、建模、推理進行區分，對於開發態和執行態的管理更為精細。在應用層和平臺層之間，設計了統一的服務層，這有助於AI能力的複用，形成AI平臺對應用的更敏捷支撐和更高效的對接。

由於人工智慧技術發展迅速且分支技術十分廣泛，即使大型銀行也難以獨自推進技術的發展，而不得不依賴於AI技術生態。針對金融機構的人工智慧應用需求，一些大型科技廠商也提出了參考架構。

圖3：《B廠商金融智慧平臺架構圖》

如上圖所示。該架構將應用場景與AI能力分開，將AI能力抽象出來，形成一個較為典型的中臺架構。在AI中臺架構內，又將總體架構切分為AI開發中心、AI資產中心、AI服務運營平臺。在開發中心實現通用模型和垂直模型的建模和訓練。在資產中心實現對資料樣本和模型的統一管理。在AI服務運營平臺實現AI能力的原子化服務，以及基於原子能力的面向業務能力的組合智慧服務。在這3個層次之外，還設計了AI資產（樣本、演算法、模型、服務）的共享平臺和風險管理平臺，實現了對AI成果的更為精細化的管理和保護。

這個架構對模型和演算法的區分和管理更為細緻，提出了AI資產化的理念，對AI的價值和風險也有考慮，是一個架構更為完備的、商業價值更為凸顯的金融企業智慧架構。

總體來看，這些參考架構對AI能力有了公共抽象，對算力的集約化有了一定的設計，對演算法的層次也有初步的劃分，已經能夠為金融機構如何應用AI起到較好的參考作用。

但是，目前的金融AI架構仍然存在一定的侷限性。

1)       沒有考慮邊緣測的計算和端側的感知。目前的架構多為“AI中臺”的模式，對端、邊的智慧技術的應用和管理沒有太多考慮。

2)       對算力的調配問題，考慮的尚有不足。多種算力之間如何取得平衡，並適配各種主流框架，實現算力的最大集約化應用，是當前金融機構應用AI技術的一個難點和痛點。

3)       對AI能力構建過程中的開發態，訓練態，推理態的分離，考慮的不足。金融機構對於研發變更和運維過程的管理十分嚴格，目前業界已有提出“AIOPS”的理念，如何高效的對AI能力的開發、訓練和推理進行管理，需要在架構層面即做出規劃。

4)       為提升AI能力的可複用性，需要實現演算法的原子化、分子化。目前許多銀行只是做了簡單的“水平-垂直”的分層劃分，尚不能真正實現演算法的原子化，並基於原子化的基礎上構建分子化的組合，以實現AI能力面向場景的快速組合構建。

結合幾個大型銀行的AI架構，並針對當前各個架構的一些不足之處，筆者嘗試提出一個參考架構如下：

圖4：《金融機構人工智慧參考架構圖》

這個架構的特點是，簡化了AI應用的層級，增加了邊緣側和端側的感知計算和邊緣AI計算的描述。在中心雲的IaaS層，增加了AI算力排程平臺的規劃，透過對AI算力資源在各資源池之間、邊緣與中心雲之間、開發態與訓練態和推理態之間的算力排程，實現算力的集約化使用。在PaaS層，對開發態、訓練態、推理態進行了區分，並將演算法劃分為：原子演算法層、組合演算法層、場景演算法層，從而增強演算法的可複用性，真正達到算力集約化、演算法原子化的目標。透過構建AI服務層對AI的訪問進行統一管控，並與資料服務、業務服務進行互聯互通。整體架構能夠更好的支撐AI場景化，比如透過AI支撐RPA、數字人等自動化工具，提升其智慧程度，為未來進一步擴充套件AI應用的廣度和深度打下了良好的基礎。

（待續）