构建普惠金融数智底座：AI大模型与数据湖驱动业务量化提效

主讲人：谢任东（腾讯全球数字生态大会）

一、 突破金融服务广度与成本的战略困境

在当前的普惠金融与产业金融发展中，金融机构面临着“扩大服务覆盖面”与“控制运营/风险成本”的战略冲突。传统的业务模式在下沉至中小微企业及海量个人用户时，暴露出明显的效率瓶颈：

• 核心业务渗透受限： 早期AI应用多停留在边缘环节（如办公辅助、基础客服），未能深入影响放款规模、通过率、收益率及逾期率等核心风险收益指标。
• 人工审核成本高企： 面对信贷授信、商户入驻等复杂场景，传统的非标单证（如合同、门头照、营业执照）处理依赖大量人工核验，耗时长且易出错。
• 数据底层架构臃肿： 随着多模态数据（文本、图像、行为数据）爆发，传统大数据组件面临计算资源调度慢、系统维护难度大、数据加工及查询时效低下的痛点。

二、 部署“云+智能”全景架构与多模态处理引擎

为打破上述瓶颈，腾讯云通过“AI、大数据、云基础设施”三大核心技术协同，为金融机构提供了一套从底层算力到上层Agent（智能体）的完整技术栈：

• 构建“湖仓一体”智能数据湖： 基于 Iceberg 构建湖仓一体能力，统一存储、计算与元数据管理。通过核心组件容器化改造及统一引擎处理流批任务，大幅精简数据链路。
• 部署多模态大模型矩阵（MaaS）： 提供基础混元大模型与金融行业大模型，结合 TI 平台矩阵（TI-One训练平台、TI-Matrix应用平台、TI-OCR、TI-DataTruth），实现从特征工程、模型微调（SFT）到工作流编排的全链路支持。
• 打造自动化“工厂流水线”式审核引擎： 融合文档细粒度拆分技术、NLP大模型意图识别、OCR、LBS位置服务与人脸防护盾等技术，将复杂非标资料的解析与业务规则库（如申请日期≥合同签订日期、金额大小写一致性）进行自动化比对。

三、 驱动核心业务指标量化提升

通过底层架构重塑与AI引擎的深度嵌入，金融机构在风控、运营与研发维度的系统效能获得量化提升（数据来源：腾讯金融云实测及客户数据）：

• 数据加工与查询极速化： 某机构引入智能数据湖后，数据加工时效由近1小时大幅缩减至5分钟；明细数据查询效率提升 4-7倍，聚合查询效率提升 3-6倍。
• 信贷审核降本增效： 在端到端合规审核全流程作业中，大模型智能审核方案使工作效率提升 60%，审核准确率提升 30%，并已实现跨部门覆盖 10+ 个核心业务场景（涵盖信贷、跨境支付、供应链金融等）。
• 多模态识别精准度突破： 在复杂的商户进件环节，定制化的细分标签自适应审核规则使门头照名称识别准确率达到 大于90%，经营场景识别准确率达到 约90%，大幅缩减人工复核成本。

四、 落地全链路风控与信贷营运场景

上述技术栈已在多家持牌机构的核心业务流中转化为实际的商业价值：

• 某跨境支付公司（多模态进件审核）： 针对每日新入网及变更商户，建立“事前审核-事中反补-事后复核”的工业化流水线。模型试运行后接管事前入网审核，仅对不合规商户交由人工复查，大幅提升了监管合规满足度及商户入驻效率。
• 某持牌消费金融机构（智能分流与质效）： 聚焦客户服务旅程，打造基于文本大模型的意图识别与话术推荐系统。实际应用后，文本意图识别率与推荐话术采纳率双双提升，并实现智能工单自动生成，直接驱动“投诉转监管率”显著下降。
• 某金融科技公司（全业务场景融合）： 利用预训练金融数据并精调公司业务数据，打造金融风控大模型与智能Agent（如百事通风险智能顾问）。实现了个性化广告转化率提升、反欺诈（防AI换脸）精准拦截，并带动日均服务数与建模效率的整体跃升。

五、 沉淀全栈自主可控的AI原生能力

金融机构选择腾讯云的核心逻辑，在于其实现了从底层硬件到上层智能应用的高确定性与技术前瞻性：

• 彻底的自主可控根基（一云多芯）： 构筑了全面适配国产芯片（鲲鹏、海光、飞腾、龙芯及信创ARM/x86/MIPS）的云基础设施底座。支持公有云、金融云、专有云（TCE+TCS）及分布式云（CDC+CDZ）等灵活部署形态，保障金融业务稳定合规。
• 混合云算力弹性调度： 搭建混合云算力调度平台，纯靠全栈自主可控的AI云原生架构与容器化技术，显著提升泛在算力利用率。
• 数据资产向业务价值转化： 强化数据合规与隐私保护，通过Data+AI深度融合，沉淀通用AI中台能力。标志着金融科技的发展已从“立梁架柱”的基础建设阶段，正式迈入“厚积成势”的智能化核心竞争力重塑阶段。