場景描述
傳統(tǒng)小模型質(zhì)檢模式面臨三重困境：
- 1、運(yùn)營效率低下，小模型質(zhì)檢需要對證券違規(guī)的20余項(xiàng)質(zhì)檢點(diǎn)，例如代客交易、夸大營銷、提供問卷標(biāo)準(zhǔn)答案等進(jìn)行逐一配置，需要積累大量正則或語料實(shí)現(xiàn)模型的搭建，一個(gè)模型搭建需要耗時(shí)2人天，并且需要持續(xù)積累優(yōu)化以提升效果，比較費(fèi)時(shí)費(fèi)力；
- 2、對于“分層展業(yè)”的重要質(zhì)檢場景，小模型質(zhì)檢并無較好的搭建方案，難以對此類問題進(jìn)行有效監(jiān)督；
- 3、小模型質(zhì)檢的準(zhǔn)確率和召回率較低，無法實(shí)現(xiàn)全面的風(fēng)險(xiǎn)規(guī)避。
解決方案
1、基于大模型語義理解的“券商通用違規(guī)”智能體：實(shí)現(xiàn)1個(gè)智能體即可精準(zhǔn)捕捉暗示返傭、不當(dāng)承諾、夸大營銷、內(nèi)幕交易等20余類違規(guī)點(diǎn)，實(shí)現(xiàn)對違規(guī)場景的精準(zhǔn)識別和違規(guī)原因分析；
2、基于大模型語義理解的“分層展業(yè)違規(guī)”智能體：通過對接客服人員的資質(zhì)信息（如投顧、非投顧），并結(jié)合大模型的深度語義理解能力，完美解決小模型難以實(shí)現(xiàn)的分層展業(yè)質(zhì)檢，及時(shí)發(fā)掘越界展業(yè)行為；
3、全量數(shù)據(jù)處理中樞，實(shí)現(xiàn)每日5萬條會話的100%覆蓋。該系統(tǒng)上線后，模型迭代周期縮短至3天，大幅減少繁復(fù)的模型運(yùn)營工作；質(zhì)檢準(zhǔn)確率召回率顯著提升，有效助力管理層精準(zhǔn)把控業(yè)務(wù)節(jié)點(diǎn)的合規(guī)健康度。
成效
華福證券與中關(guān)村科金聯(lián)手打造的證券行業(yè)大模型智能質(zhì)檢系統(tǒng)，通過AI大模型技術(shù)創(chuàng)新，突破傳統(tǒng)小模型質(zhì)檢瓶頸，為證券行業(yè)數(shù)字化風(fēng)控提供了創(chuàng)新實(shí)踐樣本。
通過AI大模型技術(shù)與業(yè)務(wù)場景深度融合，實(shí)現(xiàn)100%全量質(zhì)檢，質(zhì)檢準(zhǔn)確率提升40%，投訴率降低12%，助力華福證券合規(guī)展業(yè)，高質(zhì)量發(fā)展。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請綁定手機(jī)號后發(fā)表評論