导
语
文因互联创始人、首席科学家鲍捷博士在一次采访中，分享过一个小知识：现在大家手机上习以为常的“指纹解锁”就是人工智能，只是随着指纹解锁的应用普及，如今大家并不觉得它像大模型、Agent一样“高大上”。所以我们现在关注、讨论的各种AI先进技术，也会随着应用普及，逐渐变成工作生活中的“白米粒”。
类似的还有地图导航、人脸识别等等。回到我们今天的话题，一起先看看现在的AI到底牛不牛？有多牛？
场景能力：以银行消保场景为例
最近，各银行2024年Q4消保工作会议、消保自评工作正在陆续进行，今天就从银行消保视角展开思考：
#“消保”
银监发【2013】38号-《银行业消费者权益保护工作指引》
银行业消费者权益保护，是指银行业通过适当的程序和措施，推动实现银行业消费者在与银行业金融机构发生业务往来的各个阶段始终得到公平、公正和诚信的对待。
在金融领域中，信用卡、个人贷款、理财等产品是商业银行消保的主要集中位置，银行需要规范产品描述内容，规避推广表述不合规的风险，还需要妥善处理好各类消保投诉事件，不断积累内部审核规则，规范员工行为提升客户服务质量。
step 1
让AI自主学习审核规则
消保场景中的审查规则主要来源于内外两个方面，一是法规政策和行业通识，二是内部规章制度和案例经验。从实用性和复用率来看，审核工作更多接触的是法规政策和行业通识。从规则总结的难度来看，内部案例通常很难转化为结构化的可复用知识点。
“AI+消保”的第一步是基于对审核规则的梳理和及时调用，赋能消保合规和投诉处理。
用AI把审查规则转变为可赋能企业内部具体工作的专家知识。这一步的工作原理是基于文因金融大模型的丰富行业 know-how 和文因“Just In Time”范式的敏捷建模能力，低成本且高效地解析法规政策文件和过往案例，自动提炼出关键场景的有效知识点，沉淀为企业内部知识，为下一步工作奠定可靠基础。
step 2
让AI分析产品内容和投诉案例
掌握了审核规则是消保工作的知识储备前提，想减轻人工压力，需要让AI进入合规管理、投诉处理的具体工作流。
消保部的业务人员对内需要管理审查，对外需要服务用户，具体工作中会涉及大量内部合规管理、案例分析和宣讲教育资料。
基于大模型、自然语言处理等技术落地数据管理和业务分析目标，可以根据需要呈现为智能检索、问答等方式，实现内部知识的快速查找调用，并展示原始材料的来源和具体内容。基于客户服务需要，辅助撰写话术文案或汇总分析文档，助力提升服务品质。
step 3
让AI用“知识”实现流程的自动化
把工作丢给AI的“终极目标”，不仅仅是用AI工具来减少人工投入，更重要的是在数字化转型的过程中，一步步升级整体业务工作流程，实现由内而外的智能化变革，最终为企业带来更高维度的发展动力和成长空间。
如果说前两步还属于是“带AI徒弟”的阶段，那么这一步就属于“出师”阶段，从入门徒弟成长为左膀右臂。基于内部工作流梳理、业务分析的流程自动化，不是仅仅逻辑程序上的RPA（Robotic Process Automation，机器人流程自动化）。
基于具体业务需求，AI可以成长为具备合规推广、智能客服、知识支持等能力的综合智能体，人工从枯燥的工作中拔冗，基于业务需求不断优化工作流程，思考宏观层面的规划建设。
AI+消保：基于大模型的业务分析与知识管理
文因的业务分析产品可实现单文件核查、多文件交叉复核、文档一致性比对、文档引用点提示等功能。不仅可以应用于消保审核，可根据业务需要，兼容/拓展更多内部审核场景应用。
基于金融领域的强专业性和知识密集的特点，对文档的版面、篇章结构、表格等进行专业的智能化解析。支持PDF、扫描件、DOC、TXT、HTML、Excel、PNG等多文档格式。关注表格（有框、无框）的特殊性，进一步分析相关数值并提取、定位，再根据逻辑规则等进行核查，最终给出判定结果。
1
大模型+业务分析
文因AI核查平台不仅可应用于消保审核，由于内置专业金融知识引擎，支持金融专业文档解析，如公众公司各类公告、发债企业各类公告、评级报告、银行产品文档、信贷报告文档、券商研究报告、监管机构问询监管函、法律法规原文、法律合同、会计师事务所全流程工作底稿等。
功能场景
#01 核查错误统计
场景：错误自动统计，细分错误类型自动分析。
自动统计细分项目的错误、正确数量，根据统计结果进行错误原因侧重点分析。为机构内部知识系统，沉淀业务知识。
#02 适配多种展示方式
场景：根据操作习惯，多种方式呈现“错误”。
结合使用场景导出带批注的文件，并基于业务人员操作便利需求，支持在线可视化等展示方式。结合NLP技术，进一步优化系统的使用体验和便利程度。
#03 适用规则动态展示
场景：查阅该份文档核查过的规则。
分析上传文档特性后，选择不同的核查规则进行核查，支持搜索适用规则。灵活机动的动态展示方式，在实现人机协同友好的同时，基于大模型构建业务专家系统，让核查规则的选择更简单。
依托大模型技术，处理海量含有复杂数据关系的文档，进行财务分析、指标查询等核查操作，实现真正运转高效的“数字化”升级——完成数据到知识的转化，构建企业认知智能。
2
大模型+知识管理
通过增强 AI 能力，应用于知识采集、知识生产、知识应用等各环节，利用大模型技术实现对知识的深度分析与挖掘，辅助业务决策。利用RAG解决知识局限性、幻觉问题、数据安全性问题。基于此构建创新性方案，加强自然语言理解能力，并经多个业务场景验证，有效对抗大模型幻觉，提高内容生成准确性。
功能场景
#01 知识获取
随着企业信息化水平的不断提升，文档类型繁杂、数量庞大，采用传统知识库方式进行知识梳理近乎是不可能完成的任务。利用大模型技术构建知识库，可进行知识自动提取，真正实现自主知识沉淀与积累。训练大模型使其具备特定领域知识结构提取能力，能够进行自动化知识提取。
#02 知识提取
以大模型为基础的知识库系统迭代，加速了传统问答系统中的用户意图理解和上下文情境理解处理，极大地提升了知识获取和加工的效率。支持读取文本、数据库、表格等多格式文档，并提供多场景、多粒度、多轮次、多形态的知识问答交互方式。采用自然语言表达抽取任务内容，并对抽取结果进行条件约束。
#03 知识库
1、场景化知识库构建。针对不同类型的知识结构、不同场景应用，支持多种知识库构建方式，灵活应对不同的应用需要。语义知识、摘要知识、章节知识等不同的知识库内容构建，避免单一构建方式带来的知识难应用的问题。
2、大模型知识库问答。将大模型知识库问答和传统知识库问答相融合。大模型通过文本切分、分段，自动生成 Q&A，与传统知识库内容相结合，保证已有知识库的知识延续性。
3、快速构建知识库。文因知识库支持用户以 Q&A 问答对及文本导入的形式，快速构建知识库，可实现知识库权限配置，提升企业数据安全性。
4、灵活任务编排。通过可视化任务组合编排，让大模型接入各类工具，并设置参数配置，满足不同的业务场景需要。
#04 问答&搜索
快速、准确地获取知识，支持智能问答的同时，还可进行多模态知识获取。
以大模型为基础的知识库系统迭代，提升了传统问答系统中的用户意图理解和上下文情境理解，极大地提升了知识获取和加工的效率。
支持读取文本、数据库、表格等多种格式的文档，并提供多场景下、多粒度、多轮次、多形态的知识问答交互方式。除了常规的文本知识搜索以外，也可以提供图片搜索等非文本形态知识搜索，还可以根据数据查询内容以表单、图表形式展现搜索结果。
