大模型在信用卡行业的应用探索

2022年11月，OpenAI发布ChatGPT3.5，迅速引起各界广泛关注，引发了人工智能领域新一轮发展热潮。ChatGPT作为一款基于人工智能技术的大语言模型（LLMs），在文本生成、对话理解、多领域知识覆盖等方面具有卓越表现。本文基于ChatGPT的技术原理，简要介绍国内大模型的发展现状，重点介绍大模型在信用卡行业全生命周期的应用，并探讨未来金融行业大模型的发展方向。

ChatGPT3.5发布后，引起社会各界广泛关注和讨论，上线5天用户注册量达100万，上线2个月月活用户超过1亿，成为迄今为止用户增长速度最快的消费级应用程序。它不仅可以通过谷歌三级程序员考试，在雅思和托福考试、司法考试、编写文案和论文、诗词歌赋等方面也有非常优异的表现。2023年3月14日，OpenAI发布ChatGPT4.0，它是基于GPT架构开发的对话式AI模型，通过学习大量的现成文本和对话集合，根据用户的文本输入产生相应的智能回答，可以像人类那样进行即时对话。因此，可以把ChatGPT简单理解为一个由AI驱动的聊天机器人。2024年2月15日，OpenAI发布的Sora再次震惊世界。Sora模型的核心能力在于，能够根据用户输入的文本描述，生成长达一分钟的高质量视频，这些视频不仅视觉质量高，而且与用户的文本提示高度一致。这一成果的发布，预示着视频制作和内容创作方式的革命性变化。

然而，ChatGPT的成功并非偶然，而是得益于一系列先进的技术和创新。其中，最为核心的就是Transformer架构、预训练加微调和多轮对话处理等训练方法，这些技术的应用使得ChatGPT能够实现对自然语言的理解和生成，并提供高质量的对话体验。

一、国内大模型的发展现状

全球范围内大模型已进入了一个高速发展期，各大科技企业和研究机构如微软、谷歌、Meta、亚马逊等在这一领域投入巨大，均推出了面向企业、开发者和个人的众多产品。在国内市场，互联网企业也紧跟技术脚步，研发出多类产品，其中BAT发布的大语言模型产品在中文应用方面表现出色。国内大语言模型产品及访问方式详见表1。

根据头部大模型评测机构（CMMLU、C-eval、SuperCLUE）的综合数据，国内市场已发布的大模型产品在中文表现方面完全可以代替ChatGPT等一众国外产品。

大语言模型有三种使用场景：一是普通用户打开产品网页，通过手机号码注册就可以直接对话访问，基本功能完全免费，部分高级模型需要充值才能使用。二是开发者用户可以通过程序调用大模型的API接口进行访问，并将访问结果整合至自身产品中，调用过程中需要考虑数据安全问题。三是公司用户下载各大公司开源的大模型训练结果并在本地部署，通过训练打造属于本公司个性化的大模型产品。

二、大模型在国内信用卡行业的应用场景

目前，国内外发布的大模型虽然在实现细节、网络架构、训练数据以及优化策略等方面各具特色，但其训练原理基本相同，都是基于深度学习技术，尤其依赖于大量规范语料库的学习和神经网络的训练与优化，这也是为什么国内大模型在中文表现方面可以追赶和超越国外产品的原因。这些大模型凭借强大的能力，能够在信用卡的全生命周期内发挥重要作用，覆盖客户服务、市场营销、风险防控、产品研发、运营维护以及综合办公等多个关键环节，不仅能够有效提升客户满意度，降低人工成本，提高工作效率，还能够为员工提供创意灵感，从而整体改善工作流程。以下结合ChatGPT的工作原理，深入探讨大模型在信用卡行业的应用场景。

1.客户服务

信用卡行业传统客服通常是通过人工客服或预设的问答文档用机器人自动回复客户问题。所谓的线上智能客服，大多是一种基于规则的自动化程序，只能回答预先设定的相关内容、执行特定任务，内容单调且覆盖问题范围有限。银行可通过客服渠道、App、微信银行、网站、社交平台或其他线上渠道创建数字人助手，借助大模型这一超级知识大脑，为客户提供各领域的问答帮助，如账单日、逾期、溢缴款等信用卡常识。这将有助于提高新客户在行内微信银行、App等渠道的访问量和客户黏性，通过与潜在客户的对话，收集客户需求、偏好和目标，持续优化信用卡产品。

对于存量客户，银行可在其登录某一渠道验证身份后进行实时互动，方便客户通过输入语音、文字、图片等信息查询账单、可分期金额，咨询业务流程、热门权益、活动说明、推荐办卡奖励规则、分期产品办理要求、App某一功能所在位置等。银行可基于大模型理解客户表达，精准掌握客户真实需求，结合上下文语境，自动生成用于解答、服务咨询的对话，快速回答客户的问题，同时跳转到对应业务界面。通过内部数据训练、人机交互方式的变革，银行让用户体验到真人的服务品质，实现7×24小时全天候真正的智能客户服务，从而降低客服人工成本，提升客户满意度和品质体验。

2.市场营销

优质的信用卡营销方案能够有效激发客户兴趣，增强客户黏性，提高信用卡的使用率和客户转化率。银行结合营销目标，将业务需求输入至本地大模型，模型将依托客户的基本信息、消费历史及行为偏好进行深度训练。同时，结合业务人员的具体需求，大模型能够生成针对特定客群的信用卡优惠活动、返现计划、奖励机制、专属特权、增值服务及积分兑换等大量方案。银行可从这些方案中筛选出未曾实施的活动，并运用AB Test模式与过往营销方案进行对比，通过实际效果的验证，识别出哪些方案表现更佳，从而持续优化营销策略；将营销结果数据再次输入本地大模型，基于反馈数据进一步优化新的营销方案，通过这种方式不断迭代提升转化率。此外，本地部署的大模型与AIGC技术的结合，不仅能自动化生成营销资料，还能为业务人员提供丰富的营销主题设计方案；配合智能绘图工具（如Midjourney等），自动生成营销图片、海报和banner，从而有效降低人工成本，实现个性化营销方案的快速落地。

在智能外呼营销场景（新户开卡、客户促活、现金分期、商品分期、销卡挽留等）中，目前市场上的智能外呼机器人话术呆板，一旦客户识别出对方是机器人，便会迅速挂断电话，外呼效果不理想，客户体验感差，影响企业形象。银行利用本地已训练好的大模型按照一定表结构如联系方式、姓名、行为偏好、开场话术等，生成一份外呼营销名单，然后将大模型对接客服外呼系统按照名单进行外呼，结合自动语音识别技术（ASR）、文本到语音合成技术（TTS）等语音合成模块技术，使客户通过语音的方式与大模型进行交互，实现真正的“千人千面”话术营销。在与客户交流的过程中，本地大模型可以结合上下文回答客户的各种问题，使客户在获取到有价值的信息后不会立刻挂断电话，为后续的业务开展提供了有利条件，由此可显著提升与客户的互动质量和体验。

3.风险防控

识别客户风险等级并降低不良率，一直是信用卡行业的核心任务之一。大模型通过深度分析海量的交易数据、用户行为及历史风险模型，能够精准识别出客户潜在的风险因素和异常行为。这一功能不仅能为业务人员提供具体的风险因素作为参考，而且能自动生成风险客户名单，业务人员仅需验证名单准确性，提前干预潜在的不良行为即可，从而有效防控风险。

对于优质客户，适度提升信用卡额度不仅有助于扩大消费，还能促进分期业务收益的增长。银行借助本地训练的大模型，通过输入全量优质客户的信用评分、还款历史及收入数据等详细信息，使模型能够自动完成预测与风险评估，生成调额名单，并将这一名单与调额系统对接，即可实现自动提额功能。业务人员只需定期监控提额客户的消费表现，评估提额效果，便能确保策略的有效性和精准性。通过这一流程，银行在确保风险可控的同时，进一步优化客户体验，推动信用卡业务的健康发展。

4.产品研发

研发一款畅销的信用卡产品，对于银行的营收至关重要，同时也对产品研发人员提出了更高的要求。除了基本的金融知识之外，产品研发人员还需要掌握行业内已经发行的各种畅销卡产品的特色与权益、新户礼品、申请说明等详细信息；此外，还需熟悉国内外上千家同业银行的产品特征，以确保新研发的信用卡产品具有行业竞争优势。然而，对于产品研发人员来说，这样的学习成本非常高。为了解决这一问题，银行可以将全行业产品的学习资料提供给大模型，让它通过训练学习，整合碎片知识，并结合当前客户的潜在需求和不同人群的标签，如时尚特征、Z世代等，直接给出具有某种特色的产品及其相关权益、新户礼品、申请说明等信息，由此银行就具有了一种全新的产品研发流程和业务解决方案。新流程下，产品研发人员只需要对大模型提供的众多产品方案进行论证，并通过进一步的调研来衡量产品的覆盖群体、预计发卡量、营收情况、合作机构等后续工作即可。这种流程大大降低了产品研发人员在前期调研的成本，使其能够更多地专注于理解客户需求，并最终在众多方案中甄选出最适合客户需求、兼具个性化和综合性的产品方案，从而提高银行的经营收入。

5.运营维护

大模型凭借强大的文本处理能力，能够读取相关代码并编写详尽的运维文档，提供代码注释、操作指南、故障排除步骤和常见问题解答等信息；同时，还能够针对特定问题生成清晰易懂的解释和操作步骤，帮助运维人员更加高效地处理问题，减少操作失误和故障发生的可能性。

传统运营管理需要耗费大量人力和时间成本，定期输出运营周报、月报、场景评估报告和对应的优化方案，复杂场景甚至要对多个系统的多个模块进行数据汇聚和集中监控。银行基于自主训练的金融垂直大模型，利用生成式AI大模型多模态、跨模态的内容生成能力，对接信用卡部门内部系统，通过插件将大模型的多维能力与外部工具、资源、知识等优势融合。同时，大模型可为一线运营人员提供时效性更高、交互更便捷、内容更丰富、边际成本接近于零的运营支撑能力，如指标趋势分析、运营图表生成、运营报告生成、运营分析和方案推荐等。

自动化技术目前已经很成熟，可以通过模拟人类的键盘和鼠标操作，帮助银行自动化、重复性、标准化地执行繁琐的业务流程，如对账、调账、数据录入、报表生成等，以提高业务效率和减少工作量。将大模型与RPA技术结合，通过语音和文字就可以自动生成RPA的个性化主题代码，并完成自动化部署。银行利用大模型与现有技术的深度融合，可以节约大量的时间和人力资源，从而提高工作效率。

6.综合办公

在综合办公方面，大模型可以基于银行的历史项目文档、办公文档、业务数据、会议纪要等训练数据，创建内部知识库。当银行在商讨一个项目方案或重大决策时，可以在开会之前或过程中，咨询大模型对该问题的看法，使其结合历史数据给予客观的意见。如果在大模型上封装ASR、TTS语音合成模块，就可使其直接参加会议讨论。如此，银行增加了一个了解全部历史数据、客户数据的智能语音助手，效率可想而知。

大模型服务于行内员工的另一种场景，就是编写文档。员工日常工作包括编写会议记录、汇报材料、项目文档等，通常占据员工大量的时间，不但耗时耗力而且很多文档内容极其相似，而通过本地训练的大模型就可以解决这些问题。此外，新入职的员工在了解企业背景、过往项目案例、业务经验、处室工作职责时，同样也可以咨询大模型，不需要死记硬背某些业务知识，方便新员工或调岗员工短时间内迅速上手。

三、未来展望

迄今为止,许多机构已经深刻认识到大模型的能力,并将其应用于实际业务中。

2023年3月，彭博社推出金融领域垂直大模型BloombergGPT，为金融行业提供了高效解决方案。国内相关企业也涉足此领域，度小满、蚂蚁科技等已发布相关产品。度小满开源的“轩辕”大模型已在众多金融机构试用，并在多业务场景初见成效。国内银行业也积极拥抱大模型技术，如工商银行、农业银行、平安银行及北京银行都在多个场景中探索应用大模型，提升了金融服务的智能化水平。

2024年，生成式AI将从模型层走向应用层，从而更好发挥大模型的潜在价值，但是在实际操作中银行还面临一定难点。影响场景落地的因素大致包括硬件算力费用、模型可解释性、企业数据量级、数据隐私安全、专业人才培养等方面。因此，未来的研究方向可能会聚焦在以下几方面：一是提高模型的性能和效率，减少训练和推理的计算成本，简化本地部署流程；二是解决模型可解释性和透明性问题，使得用户可以理解模型的生成过程和背后的逻辑；三是收集整理企业的数据资产，为未来AI普及做准备；四是研究如何解决模型中的隐私泄露问题，并制定相关规章制度及保护措施；五是银行内部培养人工智能及大数据方向的技术人才，不断学习积累技术经验，为真正实施AI场景做准备。

综上所述，大模型在信用卡行业的应用探索已初见成效。从个性化推荐到风险控制，从客户服务到数据分析，大模型正逐渐改变信用卡行业的业务模式和用户体验。随着技术的不断进步，大模型将进一步释放信用卡行业的创新潜力，为消费者提供更便捷、更智能的金融服务，推动信用卡行业的数字化转型和升级。