DeepSeek如何影响银行业

微信扫码，打开到小程序

DeepSeek 如何影响银行业 通义智能 PPT 张鲲 conten t目录 01 DeepSeek 为何一夜之间爆火？ 02 银行拥抱 AI 的常见误区 03 DeepSeek 如何重塑银行业？ 04 行业影响：缩小技术鸿沟，推动生态变革 05 挑战与未来展望 DeepSeek 为何一夜 之间爆火？ 01 低门槛优势：大幅降低使用 / 注册门槛， AI 平民化 使用成本低 DeepSeek 使用成本极 低，网页 /APP 免费， API 费用低，进一步 AI 平民化。 中文友好环境 针对中文用户优化，界 面与操作指南均支持中 文，降低语言障碍，提 高使用效率。 中文训练 数据占比超 90% 注册无门槛 注册流程简便，无需复 杂验证，即时注册即时 使用，快速融入 DeepSeek 的智能生态。 https://juejin.cn/post/7467164101137416211 技术革新驱动：低成本与高性能的突破 训练成本革命 算法优化如 MoE 架构、 MLA ，实现同效能低成 本，训练成本 10% ， 推理成本仅同类 1% ， 大幅削减银行算力投入。 开源生态赋能 开放模型代码与框架， 中小银行可二次开发， 打破技术垄断壁垒。 强 大的社区支持，加速功 能迭代与问题解决。 本地化部署优势 多个尺寸开源模型支持 私有化部署，满足金融 数据安全与合规要求， 如江苏银行本地化微调 案例。 性能与成本双赢 DeepSeek 在保证高性 能的同时，显著降低银 行技术成本，加速 AI 普及。 热度传播路径 捧上天 • 拳打 ChatGPT ，脚 踢 Gemini ，摩擦 Claude • 颠覆现有 AI 产品， 绕开 CUDA ， NVDIA 完 蛋了。 • 560 万美元的训练成 本吊打几个亿的训练 成本。不能说不好， 有点饭圈趋势 踩下地 • 无脑贬低，毫无技术 含量，蒸馏抄作业。 • 甚至拿汉芯来比，又 是一地鸡毛 • 拿一些偶尔出现的幻 觉和 bug 来完全否 定之。 典型 误解 银行拥抱 AI 的常见误 区 02 银行拥抱新技术误区——为 AI 而 AI 银行拥抱新技术 误区 人无我有 人有我优 不管有没有用，先得有 解不解决问题先不说，新 闻稿先发 照猫画虎 脱离实际 看到他行案例或者供应商 方案，直接复制到本地， 不考虑适用性 未充分评估可能导致资源 浪费。 只看别人 不看自己 过于关注在行业里的地位 和发声，不考虑解决内部 实际问题 需精准定位业务需求，选 择合适的结合点。 只仰望星空 不脚踏实地 管理层关注快速创新迭代 基层疲于提升基础数据质 量和完成手工报表 DeepSeek 如何影响 银行业？ 03 内容采集与生成：内外 AI 分离，合规前提下保持数据实时性 01 自动化尽调报告 整合财报与舆情数据， DeepSeek 自动生 成初步分析框架，显著提升报告编制效率 02 合规审查智能化 针对大量的监管合规要求，批量、快速的 审核合同文本、协议条款、用户授权文本 等，辅助人工审核，大幅提升审核效率， 如江苏银行合同质检场景应用。 03 舆情监控 实时分析社交媒体与新闻，识别潜在风险 （如客户投诉趋势预测、企业客户舆情风 险预警等） 互 联 网 / 公 有 云 金 融 机 构 内 网 私有云版 DeepSeek or 其他 AI 产品 客观数据：内部 交易数据、客户 数据 监管文件 公网版 DeepSeek or 其他 AI 产品 行业标准、规范 工商数据 & 其他公 开数据 流程数据：流程 规范、制度等 主观数据：业务 知识、经验等 其他银行采 购数据，如 公安司法、 风险多头 尽调报告 生成 合规审查 舆情监控 防火墙 防 火 墙 知识管理：从静态数据库到动态知识引擎 模型规模 最低 GPU 显存 推荐 GPU 型号 纯 CPU 内存需求 适用场景 1.5B 4GB RTX 3050 8GB 个人学习 7B 、 8B 16GB RTX 4090 32GB 小型项目 14B 24GB A5000 x2 64GB 专业应用 32B 48GB A100 40GB x2 128GB 企业级服务 70B 80GB A100 80GB x4 256GB 高性能计算 671B 640GB+ H100 集群 不可行 超算 / 云计算 DeepSeek-R1 + ollama + AnythingLLM DeepSeek-R1 + ollama + Dify ChatBI 技术路线图 <2015 2016-2019 2020-2021 2023- 2021-2022 纯学术探索 核心技术 NL2SQL 技术缺陷：精度低 检索式 BI 核心技术：基于检索的 NL2SQL 技术缺陷：无语义理解 第一代对话式 BI 核心技术： NL2SQL （规则模 型） 技术缺陷：精度低、配置成本 高、意图理解弱 第二代对话式 BI 核心技术： NL2SQL （规则模型 + 深度 模型） 技术缺陷：精度低、需要训练模型 第三代对话式 BI 核心技术： NL2DSL （规则模型 + 大 模型） 技术优势：数据可信、生成可控、可 干预、模糊语义理解 BI 分析可分为统计型、归因型、预测型、决策型四个层次 展现数据，了解现状，发现问题 统计型 利用体系，以小见大，见微知著 预测型 拆解指标，建立体系，找到根因 归因型 直面问题，督办改进，完成闭环 决策型 4 BI 分析 层次 ChatBI—— 统计型分析 统计型 归因型 预测型 决策型 • 针对所输入的问题进行提 前阅读，模糊字段会触发 联想， 匹配字段枚举值 • 若干次优解作为推荐问题 备选，模糊语义场景下对 齐提问意图 • 基于主题下的模型数 据进行问答，提问中 可以方便地进行主题 和模型的切换 划定范围 模糊匹配 业务黑话 • 笨办法：做配置表 ChatBI—— 统计型分析 统计型 归因型 预测型 决策型 ChatBI—— 统计型分析 统计型 归因型 预测型 决策型 • 规则模型，提问精准命中底层数据 • 平台配置，辅助企业个性化问题识别 语义清晰的问题 语义模糊的问题 • 基于大语言模型解析意图 • 意图调整：用户可以直接对解析结果进行干预 和调整，以获得自己最终想要的数据结果 • 意图解析：通过直观的展示意图解析的过程和 结果，方便用户对齐查询意图 2023 年杭州分行存款余额 今年对公贷款余额排名第一的客户经理 近三年上海分行的不良率变化情况 今年存款做得怎么样 今年的销售明星是谁 近年来上海的坏账情况 可信 归因型分析：维度归因 统计型 归因型 预测型 决策型 统计分析 数据解释 下钻分析 归因型分析：指标归因 统计型 归因型 预测型 决策型 通过归因分析，发现线上申请总量过低、笔均交易额降低，需要分析具体线上各渠道申请变化情况， 是否有渠道终止合作等；以及笔均交易额的变化情况，是否有渠道或产品设置了交易限额 归因分析结果 KPI 第一维度：直接影响 第二维度：间接影响 第三维度：渠道 / 产品 / 客 群 户均余额 同比 -5% 户均额度 XXX 万 户均额度 使用率 YY% 卡数量 同比 -8% 申请总量 XX 万 通过率 YY% 透支余额 同比 -10% 户均额度 XXX 万 卡量增长 YY% 通过率 1% 转化率 76% 申请总量 -6% 转化率 40% 户均额度使用率 -2% 使用率 XX% 户均额度 0.5% 户均额度 xxx 万 线下申请总量 -1% XX 万 线上申请总量 -9% XX 万 B 产品通过率 -1% 通过率 YY% A 产品通过率 1% 通过率 YY% B 客群户均额度 1% YYY 万 A 客群户均额度 0% XXX 万 笔均交易额 -5% YYY 万 户均交易笔数 -1% XXX 笔 归因 预测型分析：典型场景是投诉预测 统计型 归因型 预测型 决策型 投诉倾向 背景 银行希望更好地预测客户行为，了 解引起客户投诉的服务因素 发现 确认常见的投诉路径，在早期预警 指导下采取纠正行动 影响 银行确认了投诉倾向排名前 X% 的 流程，客户投诉数减少 Y% 高 高 低 演亦文化 3 月 3 月 30 日 • 页面访问量 63 次 • 利用交互式语音应答 （ IVR ）系统咨询 • 电话咨询：查询费用 3 月 31 日 • 客户数据匹配 • BAI 调查 演亦文化 4 月 4 月 14 日 • 页面访问量 49 次 • 覆盖检查 4 次 4 月 28 日 • 电话咨询：技术支持 演亦文化 5 月 5 月 2 日 • 页面访问量 13 次 • 页面访问量 4 次 5 月 5 日 • 电话咨询： 升级投诉，覆盖 5 月 7 日 • 页面访问量 25 次，包含“联 系我们”页面 5 月 8 日 • 页面访问量 • 行为准则 • 有所不满 5 月 8 日 • 投诉 “ 我已经和你们公司说明了情况，你们的网站一直显示已接收了我的即期汇票， 但是实际上还在我的账户里等待被接收，导致我无法进行网上支付。请抓紧 处理这个问题，我付了款，但是你们没接收，导致我逾期好几个月了。” 预测型分析：同样可以建立指标树完成 预测 统计型 归因型 预测型 决策型 通过归因分析，发现电话进件量、功能访问量、问卷调查评分等因素会导致投诉量变化，进一步 分析，技术支持和投诉建议的通话长度和客户数，以及联系我们 / 在线客服的访问量，可以有效 预测投诉量的变化 归因分析结果 KPI 第一维度：直接影响 第二维度：间接影响 第三维度：渠道 / 产品 / 客 群 功能访问量 业务功能 联系我们 电话进件量 技术支持 投诉建议 投诉量 投诉建议 电话进件中选择投诉 建议的进件数量 技术支持 电话进件中选择技术 支持的进件数量 联系我们访问量 访问联系我们或 线上客服的流量 业务功能访问量 访问正常业务 功能的流量 技术支持客户数 XX 万 技术支持通话长度 XX 万 投诉建议客户数 通过率 YY% 投诉建议通话长度 通过率 YY% 业务功能跳出率 YYY 万 业务功能渗透率 XXX 万 在线客服访问量 YYY 万 联系我们访问量 XXX 笔 问卷调查评分 预测型分析：将归因逆向运用即可预测 通过归因分析，发现线上申请总量过低、笔均交易额降低，需要分析具体线上各渠道 申请变化情况，是否有渠道终止合作等；以及笔均交易额的变化情况，是否有渠道或 产品设置了交易限额 归因分析结果 KPI 第一维度：直接影响 第二维度：间接影响 第三维度：渠道 / 产品 / 客 群 户均余额 同比 -5% 户均额度 XXX 万 户均额度 使用率 YY% 卡数量 同比 -8% 申请总量 XX 万 通过率 YY% 投诉量 通过率 1% 转化率 76% 申请总量 -6% 转化率 40% 户均额度使用率 -2% 使用率 XX% 户均额度 0.5% 户均额度 xxx 万 线下申请总量 -1% XX 万 线上申请总量 -9% XX 万 B 产品通过率 -1% 通过率 YY% A 产品通过率 1% 通过率 YY% B 客群户均额度 1% YYY 万 A 客群户均额度 0% XXX 万 笔均交易额 -5% YYY 万 户均交易笔数 -1% XXX 笔 预测 统计型 归因型 预测型 决策型 透支余额 同比 -10% 户均额度 XXX 万 卡量增长 YY% DeepSeek 能做吗？注意力机制类似指标树结构，都是寻找变 量之间的关系 行业影响：缩小技术 鸿沟，推动生态变革 04 中小银行逆袭机会 低成本模型赋能 DeepSeek 的低成本特性，使中小银行无需巨 额算力投入即可享受先进 AI 技术，显著降低技 术门槛。 资源差距缩小 开源生态让中小银行能与大行站在同一起跑线， 通过微调模型适应自身业务，提升竞争力。 创新空间扩大 技术平权激发中小银行创新活力，利用 AI 优化 服务，降本增效，大量内部汇报材料的编写， 低成本的部门级知识库等。 挑战与未来展望 05 风险与争议 模型幻觉 生成内容可能含事实性错误，需人工校验以 防误导决策。 数据隐私 客户信息泄露风险增加，强化加密与访问控 制成当务之急。 THANKS PPT 内容由通义 AI 生成，访问 tongyi.ai 智能生成更多 PPT