智能金融发展的实践框架与建设机制思考——基于业务应用视角

陈 强

（兴业银行信息科技部，上海 201201）

一、引言

人工智能在新一轮全球产业革命及其带来的变革中发挥着越来越重要作用，人工智能相关产业的发展也必将进一步释放历次科技革命和产业变革积蓄的巨大能量，党中央十分重视人工智能的技术进步与产业发展，人工智能已成为我国的国家战略。《国务院关于印发新一代人工智能发展规划的通知》明确指出，“当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升”[1]，也必将对金融业务的创新，金融服务智能化水平的提升产生积极的推动作用，进而推动金融业向更高质量、更高水平和更高层次发展[2]。中国人民银行发布的《金融科技（FinTech）发展规划（2019—2021 年）》也明确表示，金融机构要积极主动地推动人工智能在业务领域的应用，推动金融服务渠道、服务模式向主动化、个性化、智慧化发展，并指出要统筹优化数据资源、算法模型、算力支持等人工智能核心资产，尝试人工智能在不同金融业务场景中的具体应用路径与实践方法，推动智能化金融产品和服务的创新[3]。

随着智能化技术的发展，金融需求与供给也面临着重大变革与挑战，金融需求的多层次、多样化与金融供给的不平衡、不充分之间仍存在着较突出的矛盾，以大数据、人工智能等新兴技术为基础的数字经济能够更好地匹配供需，通过新的投入要素、新的资源配置效率、新的全要素生产率促进高质量发展[4]。故金融业需要加快数字化转型，而智能化无疑是推动金融数字化转型和高质量发展的利器。

从经济社会对智能金融的需求来看，在智能化时代的经济社会生活当中，各类经营实体和社会大众对金融服务的需求会越来越呈现出多层次、差异化、低成本的特点，而智能化金融产品和服务显然是解决不同层次客户差异化需求的重要手段。金融服务通过感知智能技术迅速捕获客户需求，并为客户适时地、精准地适配到所需金融服务，使其享受到“所需即所得、所想即所得”的智能金融服务。

从金融产品与服务的供给来看，智能金融的发展是从根本上解决金融产品与服务在供给方面不平衡、不充分的重要路径。通过金融业务场景中智能化方法、工具和技术的深入应用，促使诸多线上化、数字化金融产品与服务在质上得以升级，为客户提供了更贴近自身实际状况的金融资产配置、更低的获取成本和服务成本，最终触达客户的智能化金融产品与服务往往更贴近市场客户对金融服务的深层次需求。因此，从总体上来看，智能金融有助于推进金融产品创新，也有助于增强金融业服务实体经济的能力，切实提升供给侧结构性改革的金融服务效能。

作为金融业的核心主体之一，商业银行较早开始了智能化建设的布局与探索，以发掘新经营模式与新增长引擎。本文以商业银行业务领域的智能化应用为视角，基于财富管理、投资研究、风险内控、运营管理等典型业务场景的研发实践，就智能金融建设的主要框架，包括主要内容、实现机理、应用架构和实际业务效果等进行研究分析，并就全面推进金融机构智能化建设的路径机制进行了系统性思考，以期为金融业数字化转型和高质量发展提供经验分享与有益建议。

二、智能金融应用实践的主体框架与机理

人工智能与金融的结合主要在业务应用层[5]，故智能金融建设的内容与方向主要在于探索大数据、人工智能等技术在具体业务领域中的高效应用，构建适配业务场景需求的应用框架及其解决方案[6]。为此，需要将数据、技术与应用结合起来考虑。数据是生产要素，是智能化建设的基础；技术是生产力，决定着新的研发方式；应用则是生产目标，是数据和技术的最终落脚点。大数据、人工智能等新一代技术与原有产品研发流程的深度融合，推动着这类数据驱动产品的研发应用[7]。在具体智能化应用研发中，建立科技研发部门与业务应用部门深度合作与交流的机制，科技研发人员需要在深入理解业务场景需求及传统产品研发模式差异的基础上，探索研发与业务运行相适应的，以数据资产体系、算法模型技术体系为核心的智能化应用研发体系，最终形成涵盖数据、技术、应用的智能金融研发体系及框架（如图1）。

图1 智能金融应用研发体系及框架

在实际智能金融应用研发过程中，影响金融业务智能化效能的主要因素有两个：一是基于业务场景多模态数据所进行的数据资产开发，二是基于数据资产与业务目标所构建研发的应用型算法或模型。其中，数字资产与应用型算法模型之间的影响机制有着鲜明的特点：首先，数据资产是算法模型参加场景运算的重要输入元素，因此数据资产本身的质量如何必然会对在此基础上构建的人工智能算法及其应用模型的效果产生直接影响；其次，应用型算法模型构建、运算的过程同样会生成基于场景的、宝贵的金融数据资产，这也就使得应用型算法模型所采用的技术架构必然也会在一定程度上对场景化金融数据资产生产过程和质量产生重要的影响。

（一）基于金融业务场景的数据资产体系

金融数据资产开发是指对金融业务及相关市场的原始数据进行结构转换、提炼降维、数值计算和转化映射等工程化处理，使数据成为更具有业务应用价值的资产。金融行业业务场景众多，这其中业务数据所呈现的形态往往也是多样的，有些信息中甚至充斥着超出业务场景本身的噪声，而含有噪声信息的数据资产对业务场景关键信息的承载量、展现力通常也会打折扣[8]。这类业务数据不一定可以直接拿来进行业务场景分析或探索，而是需要运用深度学习模型来提取含噪业务数据的抽象表征，从而转化为可供应用研发的数据资产[9]。在具体业务实践中，基于相关业务领域的原始数据类型及特点，金融机构通常会依托企业级大数据平台的数据采集整合、加工计算能力以及相关智能化方法技术推进金融场景数据资产的开发。本研究主要从金融业务场景的具体数字智能实践出发，展示如何形成金融业务领域丰富且具有高可用性的场景化数据资产体系[10]。

1.业务应用型的指标表征库

业务应用型指标表征库是从原生的金融场景出发，基于业务流程及规则，从数据关联、业务工程化的角度构建出能有效应用于业务分析及建模预测的特征指标，从而为价格研判、风险识别、偏好识别等算法模型提供稳定、高质量的数据支持，提升预测的精确性及智能化金融服务的效果。

业务应用型指标表征库构建过程中，需要应对两个挑战。一是数据更新架构的设计。以金融资产特征指标库为例，由于金融市场资产相关的数据量十分庞大，每日全量更新可行性较低，需要采用多层次、模块化的架构，通过全量与增量一体化的批量更新机制（见图2），才能有效解决动态指标库这类数据资产在更新机制设计上的难题，而在具体读取数据时还需要编写高度定制化的表结构转换函数。

图2 金融数据资产动态特征指标库实践框架与机理

二是数据表逻辑问题的处理。金融市场数据资产中动态特征指标库的建设数据往往来自不同的业务系统或外部数据库，各种数据表存在较多的逻辑不一致的现象，如不同表数据项含义有差异、数据表全量与增量更新结果不同、表格式批量转化信息丢失等问题，这些都会严重影响数据的加工与应用，需要逐项排查、理顺逻辑后制定具体的解决方案。通过反复试错，依托金融企业大数据平台最终建成集成不同维度的应用型特征指标库（如表1 所示），包括基于市场行情、技术指标等金融市场资产的动态特征指标库以及基于客户基础信息、交易行为信息的客户动态特征库等。

表1 应用型动态特征指标库元数据解析示例

2.金融业务应用型知识图谱

知识图谱是指将事物之间的关系通过图的结构进行连接而形成的关联网络，它以实体、关系、属性三元组的形式存储信息[11]，其中实体和属性存储在图的节点中，关系则由图的边来表示。知识图谱应用的显著优势在于，一是能够将不同领域、不同模态结构的数据连接起来，为业务分析提供更丰富、更全面的信息支持；二是将不同事物之间的联系以直观的图连接表示出来，具有更加明晰的表达能力，提升数据分析结果的可解释性；三是将分割的信息进行关联，集成起来形成基于业务逻辑的、图谱化的业务知识应用体系，通过进一步的图计算、图分析与推理，可以探查出图谱背后蕴藏的信息。

金融业务应用型知识图谱的构建主要分为两大部分。一是语义框架的设计，是指确定相关金融业务领域中实体，以及实体之间关系的完整架构，这是进行后续开发的基础。以金融投研领域企业债券语义关系挖掘、探察为例，从债券评级的业务逻辑及关注点出发，重点搭建起涵盖空间、时间、物理、概念、上下位等维度的语义关系架构（见图3）。二是知识内容的构建，是指基于语义框架中定义好的实体及关系类型，将各类相关数据进行连接，开发出成型的金融知识图谱。在具体实践开发中，除了结构化的关系型数据，还涵盖大量的非结构化文本数据，这就需要从这些非结构化金融文本当中自动化地提取出实体、关系、属性值等信息[12]，这也是整个开发过程中最关键和最有难度的环节，离不开自然语言处理、深度学习等人工智能技术的融合应用。

图3 企业债券知识图谱语义关系设计的实践框架（部分示例）

经过以上环节的持续开发与验证，构建出金融投研领域的企业债券知识图谱（见图4），该金融知识图谱可以清晰展现城投债券在政府背景、地区经济、资产负债、公司治理等多方面、各层次的关联关系，极大地提升了债券研究的效率，辅助债券投资工作的分析判断[13]。同时，构建了资金交易账户关联图谱（见图5），该关联图谱从人工智能技术角度来看为有向循环图（贝叶斯网络），主要表现出不同账户之间资金的流向与交易情况，同时也将资金账户类型、所有者信息等整个交易链条中涉及的其他各类信息进行连接，为深入识别账户之间的关联路径强弱、挖掘异常交易提供了更有效、更为可靠的分析和判别基础。

图4 城投债券知识图谱应用

图5 资金交易账户关联图谱应用

（二）基于智能化算法的应用模型体系

智能金融建设常常需要运用基础型算法、模型来对业务场景进行数理抽象与刻画，这就需要在智能金融建设过程中特别要注意将基础算法进行定制化的设计与二次开发，形成符合金融业务实际的场景应用型智能化算法模型，以更好地激活金融数据资产的价值[14]。本文在场景化数据资产基础上，通过分析AI 算法如何对业务信息进行深度挖掘和提取，揭示了金融业务领域的应用型算法模型在实现更精准的业务分析预测方面的实现机理。在具体的研发实践中，应用型算法模型主要面向金融机构的财富管理、投资研究、风险内控、运营管理等业务领域进行开发应用，基于相关场景的数据资产，依托AI 基础平台丰富的基础算法库及全流程建模能力，对具有较强特征识别及预测能力的深度神经网络进行灵活重构，设计出了新型网络拓扑结构。

1.金融文本信息提取模型

该类模型主要基于金融数据资产，特别是个人客户相关的动态特征因子库，把市场上可供选择的基础金融资产的主要特征，包括预期收益、波动率等与待服务客户的基础信息、行为特征等相互结合起来，搭建起资产端与客户端的桥梁，将差异化的金融资产及组合动态推介给与其更为适配的客户。

这里以在金融文本信息提取场景中广泛使用的条件随机场双循环神经网络模型为例来说明其构建应用过程。在单向LSTM 模型的基础上再增加一层反向循环层构建双向LSTM 即Bi-LSTM 模型，通过将正反两层网络的处理值拼接起来可以更全面地考虑上下文的语义特征；条件随机场（CRF）将当前时刻的输出序列与前、后时刻的输出序列相关联，进而达到更有效地解决序列标注和预测问题的目的，两者结合起来可以更精准地对金融文本（例如：“安庆政府为安庆城投提供财政支持”）进行字词划分，并自动识别词语“安庆城投”是分析的目标主体，在此基础上根据目标词的位置，对左侧文本“安庆政府为”，右侧文本“提供财政支持”进行特征赋权，最终将三部分处理值组合起来，便能全面地提炼出整条文本的语义特征[15]。该模型的实践框架及业务应用机理如图6所示。

图6 Bi-LSTM+CRF模型实践框架与业务应用机理

在相关金融业务研发实践中，该模型一方面应用于金融知识图谱数据资产的开发，从大量非结构化数据信息中提取实体与属性，构建知识图谱的顶点；另一方面应用于RPA 流程机器人，从金融业务公告文本中识别关键信息，实现关键信息的自动化提炼与整理。

2.关联风险识别模型

关联风险识别模型主要是通过图神经网络这类基础算法来设计、研发的，其应用则是以上文描述的业务应用型知识图谱这类数据资产为基础展开构建。这类应用型关联风险识别模型已广泛应用于金融行业的投资研究领域，特别是分析研判市场上哪些企业在经营过程中可能会出现风险事件等。

该类模型所采用的图网络是指基于特定场景中各主体之间的语义关系形成的网络拓扑结构，完整的图网络能够将不同领域、不同类型的数据结合起来，蕴含着丰富的深层业务信息；而循环神经网络（RNN）能够记忆目标主体在网络上一时刻运行时的状态值，并将其嵌入当前时刻的数据计算中来，适用于时序数据的业务分析。循环神经网络模型则是将这两者结合形成GRN 模型，该模型能够根据业务演变动态地提取图网络中的关联关系特征[16]，挖掘出隐含的业务逻辑，对金融风险事件发生的可能性进行更为前瞻的预测，如图7所示。

图7 GRN模型实践框架与业务应用机理（以金融欺诈预测为例）

在相关金融业务研发实践中，该模型以前述企业债券、资金账户等关联图谱数据资产为基础，探索城投债券或资金转移领域的深度关联特征，广泛应用于投资研究中的金融事件预测中，通过分析企业与企业、企业与行业、企业与市场等关联关系及其动态变化，研判企业可能面临的金融风险；该模型也可以应用于识别金融欺诈交易；还可以用来探查资金往来账户交易形成的网络中所蕴含的信息，并能对金融机构内控管理中的违规操作及异常行为进行提示与预警[17]。

3.个性化推荐客户的行为序列模型

客户对金融产品的点击、浏览等动态行为能在相当程度上反映出其对产品偏好的变化[18]，金融产品风险、收益的动态表现对客户的购买行为也会产生较大的影响。客户行为序列（CBS）模型把这两者结合起来，将资产风险、收益的时序变化作为金融资产的重要特征来构建客户行为序列，进而更深入地平衡客户对金融产品的需求随其兴趣偏好以及产品风险收益变化而动态调整所带来的影响，更精准地预测出与不同客户相匹配的金融产品，如图8所示。

图8 BSM模型的实践框架与业务应用机理

在相关金融业务领域研发实践中，该模型以金融业务场景的应用型数据资产，尤其是客户、资产相关的特征指标为基础进行研发训练，主要用于基金、理财等财富管理产品的智能化筛选与配置，在不同时点发掘出与客户更适配的金融产品及资产组合，为客户提供动态化、个性化财富产品推荐。

三、智能金融的具体业务应用与效能

近年来，以商业银行为主要代表的金融机构立足于财富管理、投资研究、风险内控、运营管理等业务场景，搭建起了基于相应业务的场景化数据资产体系以及应用型金融算法模型体系，并以此为支撑研发了智能投研、智能投顾、智能案防、RPA 流程机器人等多种智能化金融产品和服务，形成了金融业务领域的智能化应用体系，在多个维度进一步增强了金融机构的业务经营质量和效益，切实提升了金融业服务实体经济的水平和能力。为此，本文将从具体金融业务应用场景出发，就智能金融的业务应用实践及效果进行分类解构和阐释。

（一）智能投顾——财富产品个性化推荐与配置

智能投顾主要应用于财富管理领域，旨在为客户推荐符合其特点的个性化财富管理产品以及相匹配的资产配置组合，具体来说主要包括两个方面。一是根据客户的历史购买、点击等行为信息，结合资产特征的变化，生成不同时点针对不同客户的个性化财富产品推荐；二是构建全方位的客户画像，以及当前市场的有效资产组合，通过客户端特征与资产端组合的映射匹配，形成与客户类型、特征最适配的财富产品组合。

通过进一步解构智能投顾产品的落地与应用架构（如图9 所示），可以发现，该智能应用首先是对股票、基金等金融资产及客户相关数据进行工程化处理，形成财富管理领域的标签画像、特征指标、知识图谱、规则引擎等数据资产；再基于标准化数据资产以及主流的AI算法，构建起资产配置与营销推荐相关的多种应用模型，形成单一资产推荐、资产组合匹配、智能筛选等财富管理场景下不同的业务功能。

图9 智能投顾产品的业务应用架构

智能投顾产品及服务在财富管理业务领域应用后主要业务效能表现在：一是能提高对客户与财富管理产品的识别与匹配程度，将合适的资产推荐给合适的客户；二是能更精准地判断金融资产的风险与收益趋势，在控制风险的同时为客户争取更大的理财收益。从总体效果来看，该项智能化服务一方面为金融机构直销银行业务的发展提供了新的动能，促进了财富管理业务市场规模的稳健增长；另一方面，社会大众也可借此渠道，以稳健的方式获得与自身偏好更为适配的、更为个性化的智能财富产品及配置服务（如表2所示）。

表2 智能投顾个性化资产配置效果

（二）智能投研——金融文本结构化及知识网络构建

智能投研平台主要应用于金融投资研究领域，核心建设目标有两个：一是实现金融文本的工程化、结构化、标准化处理，提升对繁杂金融信息梳理、整合的效率；二是基于结构化的金融信息实体，构建金融信息关联网络，形成对金融知识的积累与沉淀，从而辅助投研人员更精准地研判金融市场走势。

通过进一步解构智能投研产品的落地与应用框架（如图10 所示）可以发现，以城投债行业的评级报告、行业公告、新闻报道等非结构化金融文本作为数据基础，依托前述的Bi-LSTM-CRF 模型提取实体信息，采用PCNN 网络提取关联关系[19]，然后基于提炼出的实体和关系构建城投债领域的知识图谱，形成债券行业知识的沉淀，最终实现两个功能：一是助力投研工作中关键信息的智能化检索、查询；二是与图神经网络（GRN）模型相结合，基于金融知识网络进行信息挖掘分析，提升金融事件预测的精准性。

图10 智能投研平台的业务应用架构

智能化投研产品应用后，能实现非结构化数据的抽取、存储、关联以及知识检索的全流程、自动化运行，极大地方便了投研机构研究人员撰写报告的效率，整体上助推了投研机构工作效能的提升。这里以投研机构城投债评级报告的编写为例，具体展示智能投研平台的处理效能（如表3 所示）。如果投研人员人工进行文本数据的查询、梳理与提炼，其花费的时间大概在2 个小时左右，且难以对非结构化历史信息进行关联与体系化沉淀；而智能化投研产品可以在1 分30 秒内完成金融文本的结构化解析，并进一步形成债券知识网络图谱，实现更快速、精准的检索、分析与预测。

表3 智能投研平台的文本解析应用效能

（三）智能机器人——金融信息自动抽取与录入

智能RPA（Robotic Process Automation）机器人是一款机器人流程自动化软件，能模拟一系列人工操作，实现与现有系统的高效互动，从而提升工作效率。这款机器人（RPA）已在各主要金融机构的风险管理领域、运营管理领域有了广泛而深入的应用。

在智能RPA 的具体应用实践中，重点在于将RPA 技术与AI、大数据结合起来（如图11 所示），打造智慧化的IPA（Intelligent Process Automation）产品及服务。例如采用Bi-LSTM+CRF 模型，从企业理财公告中识别和抽取关键的理财信息，并以结构化格式存储展示，可以实现对理财重要信息的快速、自动化整理与阅读；还可以通过将CNN与RNN结合完成目标图片中的特征提取及语义识别，自动将图片等格式财务报表转换成excel格式并录入系统。

图11 各类RPA产品的业务应用架构

目前以商业银行为代表的金融机构已在企业金融、风险管理、运营管理、交易系统管理中心等业务管理部门上线了多款RPA 产品，涵盖财务报表机器人、监管报表机器人、对账机器人、订单管理机器人、对公开户机器人、理财信息机器人等，极大地促进了相关金融业务处理效率的有效提升。如表4 所示，财务报表机器人使原本的手工录入流程从每套4 小时降低到每套7 分钟左右；理财信息机器人使原本需要50 分钟摘取1 份信息的工作降低到10 分钟完成。

表4 主要RPA机器人的业务应用效能

（四）智能案防——业务规则指标化与图关联分析

智能案防主要应用于金融机构的风险内控领域，针对商业银行内部资金违规转移、账户异常交易等会计风险事件，采用智能化风险识别技术与方法，对风险案件进行更及时、精准的筛查与防范，减少各类会计案件导致的声誉风险与资金损失。

在智能案防产品的业务落地与应用过程中，基于客户、账户、交易、机构等多维度数据，一方面对会计案防领域的风险识别逻辑进行指标化拆解，形成可灵活组合配置的业务指标，实现行业知识的结构化沉淀；另一方面构建账户资金交易知识图谱，采用图计算、知识推理等技术挖掘深度的关联风险特征，并结合图网络模型对可疑账户进行智能预测（如图12所示）。

图12 智能案防的业务应用架构

智能案防产品上线后，实现了从规则指标拆解、关联特征提取、组合规则配置到风险账户预警等会计案防业务各环节的自动化运行。如表5 所示，在近一年内，对商业银行近3000 万个个人活跃账户进行风险排查，筛选出的90%可疑账户被确认为高风险账户，极大地提高了会计风险案件核查的及时性与精准性，提升了金融机构风险管理的智能化水平。

表5 智能案防的风险排查效能

四、金融智能发展的实践路径与建设机制

（一）智能金融建设的路径启示

从金融机构在财富管理、投资研究、风险内控、运营管理等不同业务领域智能化应用的实践框架、应用架构及业务效果可以总结出：推进智能金融发展的关键在于统筹推进数据体系、技术体系、应用体系，实现智能化在具体金融业务场景中的研发落地和推广应用。具体来说，在数据体系层面，基于金融大数据平台对相关业务领域的各模态数据进行工程化、自动化的加工、处理和集成，搭建起相关领域的业务特征库、指标库和基于知识图谱的图示化数据资产。在技术体系层面，主要依托企业级的人工智能基础平台以及通用算法库，从初始化基础数据资产出发，面向金融业务场景研发各类业务应用型的智能化模型。在应用体系层面，以AI算法模型为基础支撑，随着业务场景的演进不断迭代优化，并能持续运营以支持客户端各类智能化产品及金融服务稳健运行，提升用户的智能化体验及业务经营的效益。金融业务领域的智能化实践在不同程度上有力推动了金融业的数字化转型和高质量发展，为金融行业转型发展提供了数据支撑和技术保障。

（二）智能金融的建设机制思考

智能金融建设是一个系统性工程，需要统筹宏观导向设计、中观技术架构、微观平台建设等各个层面建设机制，协同推进智能金融的建设和应用。

1.在宏观层面，需要形成跨学科的复合型技术体系

智能金融促进数字化转型离不开数字基础设施的发展创新，而这一创新过程本质是一个社会技术系统的数字化转型[20]。故智能金融建设需要充分结合经济金融的运行特点与前沿科学技术的发展趋势，持续引进新的思维、方法、技术。

一是要将系统科学的思维融入智能化建设。随着我国金融业开放程度不断扩大，金融业在国际市场展现出某些比较优势的同时，市场运行中的不稳定性、模糊性、复杂性和不确定性也日渐凸显，这对金融智能化建设也产生了深远的影响，要求金融机构的经营管理者更深刻理解和把握金融行业的场景丰富、数据密集、模态多样、维度跨越等特点，在智能金融建设过程中，将数据科学、统计物理、非欧几何等相关学科的机制在金融业务中进行协同融合及具体应用，提升对金融市场不确定性的预测与把控，不断通过数字智能手段优化信用中介、投资定价等金融核心职能，从而更好地适应时代变化带来的机遇与挑战。

二是要充分借力第四次工业革命中迅猛发展的新型科技成果，特别是新一代信息技术演化催生的数字基础设施进一步支撑了5G网络、物联网与人工智能、区块链等数字技术的系统化、泛在化应用[21]，给新时代的经济金融活动和社会生活带来了更多智能化元素，加速了以智能化为主要创新标志的数字经济时代的到来。因此，要充分利用人机共存、物理与虚拟交互并行的时代，不同业务场景的数据在时间、空间、结构和规模等特点上存在的差异，更合理地对数据的智能计算交互架构进行优化与重构。

2.在中观层面，需要构建垂直交互的建设架构

在智能金融建设过程中，数据、技术及应用是环环相扣，又相互影响的，故有必要构建三者之间顺畅的垂直交互架构，如图13所示。

图13 垂直交互式建设架构

一是基于金融生态搭建小场景演进式垂直研发架构。金融业务应用研发应优先从生态流程、垂直场景切入，依托小场景运营所必须依赖的数据特征，结合场景化智能型算法模型，不仅可以推出适合具体生态场景的智能化产品及服务，还可以更好地串联起生态场景，使得业务流程的运营更顺畅、更高效。同时，在这类垂直型研发生态场景中已应用过的深度神经网络算法模型的结构，也可以推广到其他的业务场景中，节省智能模型结构探索的时间成本。

二是注意围绕金融场景生态建立起业务数据与智能技术以及场景应用之间的闭环机制。金融业务中的众多生态场景从构建研发、测试上线到运营维护都需要业务分析、数据流转、智能化技术应用相互协同，动态交互支撑整个体系的运转：业务需求梳理成精细化业务模型架构，业务模型转换成精准的数据资产开发需求，智能化算法的应用研发过程与基础数据资产的融合等这些环节的相互衔接与协同无一不是场景生态闭环研发机制必要性的印证。

3.在微观层面，要深化相关平台的融合建设

以人工智能技术引领的新一代科技革命正在引发技术—经济范式的重大变革，造就了生产要素、生产方式等各方面的重大革命[22]。相应的，在疏通数据、技术、应用之间交互架构的同时，也需要进一步深化各相关技术平台的研发建设，充分发挥新生产模式下智能技术对金融业转型发展的促进作用。

一是要推进数据资产的高质量开发。数据已成为市场经济的生产要素之一，未来金融业务大都会通过大数据产品或服务来支撑业务应用，而金融场景生态中的初始数据往往包含着与业务本身关联程度并不高的噪声数据而且结构各异，这就需要在数据资产建设过程中特别要注重不同业务场景、异构化数据之间的协同加工与高效处理，为智能金融建设更广泛、更深入的应用提供坚实的数据支撑。

二是要注重人工智能基础技术平台研发。作为推动数字经济时代生产力变革的主要动力之一，以深度神经网络为代表的人工智能算法在构建金融生态数据资产、助力金融业务决策智能化方面发挥着越来越重要的作用。例如，基于AI技术的精准化推荐及个性化服务是企业创新并创造价值的重要模式[23]，而金融业务的复杂性和数据的模糊性使得单线条化数据分析方式越来越难以达到预期的业务效果，即使在特定场景的某一类智能应用也越来越需要融合视觉、语音、文本、图网络等多模态的数据计算、推理引擎，因此搭建涵盖完整算法体系的，具备全流程、多引擎、自动化建模能力的AI 基础平台就显得至关重要。

三是要注重应用服务的产品化实现。金融机构之间的竞争越来越聚焦到如何构建金融生态的能力以及支撑该生态体系化运作的关键科技能力上来，与此同时，金融机构的业务、产品之间也越来越需要有更多的集成与融合，这就必然需要通过服务模式智能组合输出更优质的业务效能。

五、结束语

智能金融是推进金融业转型发展的重要实践路径，也是金融机构构建数字化金融生态、高质量满足金融服务需求的重要手段，已成为金融业转型发展的必然选择。本文以商业银行相关业务领域智能化建设实践为主线，从业务应用的视角，对智能金融的业务应用、开发实践进行了解析与总结，并就金融业如何在转型发展中，更好地将新技术与金融业务场景有效融合、高效落地、广泛应用，切实拓展金融机构服务实体经济和社会大众的广度和深度等问题进行了探索分析。在此基础上，本文也为金融机构如何将业务应用与科技研发更高效地融合起来推进行业整体数字化转型进行了研究和思考，给出了具体实操性方案和建议。金融行业智能化实践需要将形成复合型技术体系、打造垂直交互的架构设计、注重融合应用型平台建设三个层面统筹起来协同推进，为更高效地开展智能金融体系建设和应用提供有力支撑。