拒绝盲目投入！民生银行用漏斗式筛选锚定大模型高价值场景

民生银行建立了“想、试、落、推”漏斗式的筛选机制，先收集业务部门所有需求，再进行验证测试评估其价值，选择高价值的场景落地并推广，确保资源始终聚焦于高价值场景。

来源｜智探AI应用

作者 | 欧文

以下为全文

近日，在中国国际服务贸易交易会-第七届中国金融科技论坛，《睿见Economy》报道称，中国民生银行数据管理部总经理沈志勇发表专题分享，详细介绍了该行在大模型领域的探索与实践体会。

沈志勇指出，民生银行为推动大模型落地，将从技术体系架构和场景推进机制两方面发力。

在技术体系架构方面，由于大模型技术体系是AI体系的重要组成部分，民生银行将其拆解为基础设施层、数据与模型层、平台层、应用层四个层层递进的层级，以此支撑大模型从技术到业务的落地。不过，仅靠层级架构还不够，为保障整个技术体系的有效运转，还要重点做好架构治理、人才建设、安全合规与制度体系这三大支撑工作。

在场景推进机制方面，民生银行建立了“想、试、落、推”漏斗式的筛选机制，先收集业务部门所有需求，再进行验证测试评估其价值，选择高价值的场景落地并推广，确保资源始终聚焦于高价值场景。对于筛选后的场景，民生银行分为劳动密集型和知识密集型两类推进，同时采用“集中+分散”的组织形式，由基础技术组提供统一的算法模型支撑，对接多个业务领域组。值得一提的是，民生银行还将“AI解决方案架构师”视作关键桥梁角色，这类人才从算法团队中培养而来，同时深耕业务场景，有效推动技术落地。

此外，沈志勇表示，在推动大模型落地的实践中，其场景应用能否成功，关键取决于“数据基础”与“群众基础”两大要素。像那些有NLP技术积累且被深度耕耘的“熟地”场景，由于数据沉淀充分，大模型落地应用往往能快速出成效；业务部门若能深度理解技术逻辑并积极参与配合，也能提升项目落地效率。

同时，沈志勇提到机器学习的本质是对模型的筛选，将大模型分为4个等级进行筛选与评估，才能确保最终筛选和训练出的模型，性能能符合场景需求。

对于大模型本身，沈志勇强调，要避免大模型“万能论”和“无用论”两种极端心态，因为任何模型都难以满足任意的知识需求，好的大模型应用需要扎实的信息化和数据化基础；若初期尝试大模型未达预期标准，应再给予训练与调试以适配场景的空间。

最后，沈志勇认为，银行作为金融机构，应聚焦核心业务场景，技术层面以适度实验为主，与科技企业构建良性分工模式；运用大模型时，银行还需重视安全性和风控问题。

智探AI应用交流群，有兴趣的朋友请添加群主：cosmic-walker 备注：公司+姓名+职务+AI入群。