渣打银行 (SCB) 正在通过以严格治理且以成果为导向的数据为基础,解决人工智能 (AI) 应用中所面临的种种复杂问题,该行集团首席数据官 Mohammed Rahim 如是介绍。
Rahim 于 2024 年 12 月被任命为该职位,此前他在渣打银行内部多个数据职能部门工作了 19 年,如今他正引领银行数据相关工作,直接支撑其 AI 野心,同时在内部和外部重新塑造银行的叙事方式。
Rahim 在接受 Computer Weekly 采访时表示:“我们正逐步抛弃‘数据驱动’这一表述。我们已经重新定位我们的叙事,因为这不仅仅是为了数据而收集数据,而是为了达成既定成果而利用数据,其核心目的是更好地服务我们的客户。”
这一理念构成了渣打银行在数据管理和 AI 部署方面的基本策略。目前,该行正处于完成一项正式的 AI 战略阶段,计划在今年年中向董事会做出汇报,该战略摒弃了仅为技术而技术的做法。
Rahim 补充道:“我们的 AI 战略绝不是纯粹为了 AI 而使用 AI,而是为了实现我们的业务目标。”他进一步说明,这些目标主要围绕将渣打银行定位为面向高净值及跨境客户的领先银行,并特别关注可持续发展。
在运营方面,渣打银行正在建立一个中央 AI 平台,同时对现有数据平台进行升级改造。Rahim 的团队与技术同事合作,共同负责构建所需的保障机制。
他解释说:“在我的部门中,我们将设立一个中央团队,为 AI 建立保护措施,例如负责 AI 的责任管理,并确保拥有合适的平台和技术生态系统来支撑我们的 AI 战略。”
这一中央能力支撑着一个“中心—分支”运营模式,旨在将 AI 能力和应用案例开发推广至银行各个业务部门和职能领域,既满足各自特定需求,又保持中央统一监督。
在落地 AI 的初步步骤中,最近推出的 SC GPT 起到了关键作用,该内部大语言模型类似于 ChatGPT,目前已向 41 个市场的 70,000 名员工开放使用。Rahim 表示,该工具已处理超过 150,000 个指令,并且与以“中心—分支”结构针对高影响力 AI 应用案例的更有针对性的开发形成互补。
Mohammed Rahim,渣打银行 “我们已经重新定位我们的叙事,因为这不仅是为了数据而数据,而是为了达成成果 —— 更好地服务客户。”
至关重要的是,这些 AI 项目的成功在很大程度上依赖于基础数据的质量、相关性和治理水平。渣打银行运营着一个全行范围的数据湖,目前正进行现代化改造。
Rahim 说明,重中之重是确保数据适用于特定用途。“这意味着我们要明确希望实现的成果,并确保所采集的数据点能够满足该成果的需求。”他补充道。
在开发 AI 模型时,渣打银行根据具体应用场景评估数据需求,同时也越来越注重能力的整合,以避免重复劳动。例如,Rahim 指出,与其让多个团队各自构建语言翻译工具,银行更倾向于确保拥有适用于中央翻译能力的准确数据。
除了数据的准确性,Rahim 强调数据还必须能代表真实世界。他提到了数据漂移这一概念,即数据虽然准确,但因发生变化可能会导致 AI 模型输出出现偏差。
Rahim 举例说明:“在疫情前,信用卡公司会根据你旅行的频率向你推荐里程卡;但疫情期间,所有人的航空里程都归零,信用卡公司检查其算法时发现根本没有推荐任何产品。数据本身是准确的,但算法没有针对数据进行调整,已经不能真实反映现实情况。”
为此,Rahim 表示,渣打银行致力于确保数据和算法随着世界变化持续适应预期成果。
渣打银行使用数据的主要目的是提升客户体验,而非直接实现货币化。Rahim 描述了一个试点项目,该项目利用 AI 协助呼叫中心座席。通过将保单文件输入 AI 模型,座席能够迅速查询复杂场景(例如提前还贷的影响),从而为客户提供更快捷、准确的答复。他指出:“提升客户体验正是我们在聚焦 AI 战略时的核心所在。”
在解决大型组织内部数据孤岛问题时,Rahim 也承认需要在打破壁垒和遵守日益复杂的法规之间寻求平衡,这在跨境数据流动方面尤为明显。“我们如何在打破数据孤岛的同时又不违反法律?这正是难题所在。”
渣打银行的方案是对其数据湖基础设施进行现代化升级,引入更为完善的访问控制机制。Rahim 解释道:“我们仍然认为建立一个中央数据湖是正确的方向,但它必须经过现代化改造,以适应不同的限制要求。”
他将这一概念形容为“围绕数据构建一层楼笼”,即通过基于角色、地理位置和数据驻留法律等因素的控制措施,规定谁可以查看哪些数据。目前,渣打银行的数据湖基础设施主要部署在本地,但银行正在评估本地与云端混合部署的最佳方案,以应对复杂要求。
此外,渣打银行还成立了一个负责 AI 的委员会,该委员会制定了一个框架,整合了数据隐私、网络安全、架构治理和风险管理等多方面的观点。AI 模型在部署前必须经过严格检测,特别是在隐私保护和潜在偏见方面。Rahim 表示:“我们非常重视应用负责任的 AI 标准,我们会尽可能避免在算法中使用非常敏感的数据,因为我们不希望造成意外的偏见。”
展望未来,渣打银行正在组建生成式 AI 小组,致力于开发与战略目标相契合的高影响力案例,涉及运营、财务和合规等领域。与此同时,银行正更新其负责任的 AI 框架,以应对生成式 AI、具备代理能力的 AI 以及开源模型所带来的特定挑战,例如托管地点、潜在偏见和安全风险。
渣打银行还积极提升全体员工的 AI 素养,包括开展“promptathons”活动,通过系列工作坊教授员工如何高效与 AI 模型互动。同样重要的是强化个人责任感,确保员工明白,虽有 AI 协助,但最终输出的责任仍由人来承担。“虽然 AI 可以为你重写邮件,但责任依然在你身上。”他如是说。
好文章,需要你的鼓励
Meta 正研发一项通过姓名识别人脸并追踪用户日常活动的“超级感知”技术,计划应用于新款智能眼镜和 AI 耳机,同时重新评估隐私策略,助推 AI 技术在穿戴产品中的应用。
Google 在 Gemini API 中推出自动缓存功能,通过复用重复数据为开发者节省最多 75% 的调用成本,有望缓解高额 API 费用问题。
Korl 利用 OpenAI、Gemini 及 Anthropic 等模型,从 Salesforce、Jira、Google Docs 等多个平台整合数据,自动生成定制化客户沟通材料,如幻灯片、演讲稿及季度业务回顾,同时保证数据安全性,并提升运营效率。
文章探讨了代理型 AI 的崛起,重点介绍微软 Azure AI Foundry 与 NVIDIA 技术如何通过强大语言模型和智能代理,实现企业级应用创新,提升运营效率与服务质量。