...................................................................................................35 3.2 审计数据整合与标准化................................................................................... 68% ≥95% 40% 为突破这些限制，领先机构已开始探索智能审计路径。德勤 2024 年技术展望显示，采用机器学习模型的审计项目将关键风险 识别速度提升 3 倍，但模型可解释性不足导致 35%的审计结论难以 通过监管复核。这揭示出当前 AI 应用需要解决的核心矛盾：如何 在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 技术实现方案 | 审计价 值指标 | |—————–|—————————————| ———————————-| | 异常交易识别 | 基于图神经网络的资 金流向分析 | 可疑交易检出率提升 35% | | 底稿自动生成 | 按照 AS 2201 标准的结构化输出 | 编制时间缩短 60% | | 准则合规检查 | 实时对照 CAS 21 号等最新准则条款 | 合规问题发现率提高

大多数活动集群将在智能系统的驱动下经历重大转型， 部分集群未来将迈向高度自主化 自主化成熟度 [全球专家组观点] 预警、风险、改进 5 运营采购 8 设置、维修与切换 9 25 50 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 未来状态描述 主要由 人工驱动 主要为 自动化 增强型 人工决策 自主化 质量与生产控制 1 生产制造 2 客户与现场支持 3 半导体 2 航空航天和国防 3 6 高科技消费与企业技术 7 工业设备 金属与采矿 11 石油与天然气 12 10 运输与物流 消费品与服务 4 行业 0 5 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 自主化 增强型人工决策 主要为自动化 主要由人工驱动 16 27 42 24 46 16 12 20 25 25 12 20 Oosterhuis Kristine Renker Patricia Riedl Benjamin Reich Ajaykrishnan Sivaramakrishnan 1 福布斯，《35项关键电子商务统计数据》： https://www.forbes.com/advisor/business/ecommerce-statistics/ 2 埃森哲，《技术展望2025》： https://www

Intermediate Advanced 图表：澳新银行 AI 编程对生产力的提 升 图表： AI 编程为软件开发带来的影 响 45 40 35 30 25 20 15 10 5 0 n 风控管理是银行业务经营的的核心任务之一， DeepSeek 拥有卓越的推理能力，能够助力银行显著提升风险识 别 的效 算法 + 算力 + 场景”四位一体的智能决策体系， 该体系已成功应用于信贷风控、反欺诈监测等 20 余个业务场景，尽调报告生成效率提升 40% ，欺诈风险标签准 确率提升 35% ，构建起覆盖贷前、贷中、贷后的全生命周期智能风控网络。 18 价值创造场景之二：智能风控 n 智能营销助手：依托知识图谱与大模型的协同合作，银行能够精准捕捉客户信息， 量身定制个性化营销策略，精准触

需求。 �� 客户价值： 编解码效率提升：ECS g�i 为微帧科技的 WZ���/��� 及 AV� 编码效率带来了突破性提升。其中， AV� 推理耗时优化超 50%，4K 处理效率提升 35%，显著提高了视频编解码的处理速度和质量。 业务全面加速：依托阿里云国内核心地域及基础设施，构建就近接入网络，为业务提供低延迟 算力支撑，加速了 AI 预处理和编码全流程。 智能调度降本增效：通过采用任务触发弹性 处理市场情绪分析、行情预测、风险评估、自动化客服等关键金融任务，保证任务处理时间在时 延阈值范围内。在这个过程中，ECS g�i 在模型推理加速方面提升了 2.3 倍，推理消耗时长降低 了 35%，算力成本降低了 72%。 PaaS 层：Zoloz 的智能体平台支持金融客户搭建智能体应用，构建企业级智能知识库平台⸺ RAG。在文档提取洞察、智能合规审计等场景中，实测智能体表现优异，任务平均处理时间大幅

elicits reasoning in large language models,” Advances in Neural Information Processing Systems, vol. 35, pp. 24 824–24 837, 2022. The CoT Prompt in the original CoT paper put an example with intermediate

Character.ai 2024 年 7 月每日访问量 ............................................................... 24 图 35 Character. AI 各年龄段用户占比 ....................................................................... 24 56%。前五地区的用户分别是美国、印度尼西 亚、墨西哥、菲律宾和印度。其中活跃用户每天约进行 240 轮对话，平均时长在 2 个小 时。目前网页端的 DAU/MAU 比例为 23%，APP 端 DAU/MAU 比例为 41%。 图35 Character. AI 各年龄段用户占比 资料来源：similarweb 受众人口板块，海通证券研究所 图36 Character. AI 用户全球分布 资料来源：similarweb

.........33 3.2.2 个性化推荐系统.........................................................................35 3.2.3 客户流失预警.............................................................................37 3.3 智能客服 务。 为了更直观地展示客户细分结果，以下是一个示例表格： 客户类别 主要特征 金融服务需求 高净值客户 资产规模>1000 万，投资经验丰富 私人银行、定制化投资组合 年轻白领 年龄 25-35 岁，月收入 1-3 万 移动支付、短期理财、信用卡服 务 小微企业主 年营业额 100-500 万，资金周转需求 大 商业贷款、资金管理、供应链金 融 老年客户 年龄>60 岁，风险偏好低 开发了智能客服系统，通过自然语言处 理技术，系统能够理解客户的需求并提供个性化的服务。这一应用 不仅提升了客户体验，还大幅减少了人工客服的工作量。数据显 示，智能客服系统的响应时间缩短了 50%，客户问题解决率提高了 35%。 综上所述，DeepSeek 技术在金融银行中的应用不仅提高了业 务效率，还增强了风险控制能力，为银行带来了显著的经济效益和 市场竞争力。这些案例充分展示了 DeepSeek 在金融领域的广阔前

l 建议5：问大模型的问题不要涉及政治敏感、黄赌毒、暴力、歧视等（有 法律风险和被封禁的风险） l 建议6：问大模型的问题中不要包含国家机密或者机构的商业秘密（有信 息泄露风险和法律风险） -35- 认识大模型的优势和特色 l 建议7：熟悉大模型的回复特点，掌握提问技巧（提示 词技巧），激发模型的创造力 谢谢！

sub-system(s)associated with the target data mining tasks (x₆) 研究二：基于大语言模型辅助的运行数据的自动化分析方法 35/80 Feature selection for data mining tasks Generation of data mining tasks GPT · · A template-based

UMI[38], HumanPlus[39], GELLO[40], GC-DA[41] MineDojo[31], VRB[32], Baker 等[33], RoboCLIP[34], Seo 等[35], Han 等[36] 图 1 基于大模型的具身智能工作概览 Fig. 1 Overview of embodied intelligence work based on large Proceedings of the 39th International Conference on Machine Learning. Baltimore, USA: PMLR, 2022. 35 Han L, Zhu Q X, Sheng J P, Zhang C, Li T G, Zhang Y Z, et al. Lifelike agility and play in quadrupedal