AI原生的金融数字员工生态平台项目（以下简称AI数字员工平台），由平安理财科技团队研发，成功在风控、投研、运营、营销四个场景落地。平台基于PinganGPT(包括千亿级底座及领域知识增强的平安金融大模型）、知识图谱、多模型交互协同决策、RAG、大数据、RPA等技术，打造了金融垂直领域的数字员工“Copilot”助手，实现了领域知识快速迁移、7*24小时自动化运营作业、业务-研发联合共建，创新性地解决了银行理财“资产管理+财富管理”业务模式下的产品多、能耗高、无法通过人力实现可持续发展的行业痛点，在理财行业首创金融数字员工生态，助力实现企业数字化发展。

技术突破：

• 构建了金融、经济两大领域知识图谱，实现企业知识积累与传承；
• 实现多层次金融风险预测模型，显著提升企业风险预警精度；
• 基于大规模并行博弈决策技术，实现投资理财最优组合决策算法；
• 基于知识增强型领域大模型，重构金融理财服务的智能交互范式；
• 通过数字员工能力货架，实现AI能力曲线积累、成长和传承；
• 国内首创业务价值与科技价值估算模型，实现业务+科技的双轮驱动。

方案背景

银行理财子公司作为资管行业的重要参与者，经过几年的快速发展，已经逐渐发展成为理财行业的主力军，根据银行业理财登记托管中心2023年数据，截至2023年6月底，理财产品存续规模达25.34万亿元，投资者数量达1.04亿，理财产品累计为投资者创造收益3310亿元。银行理财“资产管理+财富管理”模式的整个链路很长，存在产品多、策略多、客户多、能耗高、信息获取/传承难、数字化程度低等诸多行业挑战，无法通过人力实现可持续发展，通过科技的力量实现数字化，是理财公司行稳致远的唯一选择。

方案目标

AI原生的金融数字员工生态平台项目目标包括两方面：

一是打基础，即通过AI原生，将资产、产品、客户三个端到端规则化流程化的业务流AI原生化，将大数据平台基础设施，包括数据资产管理，数据应用实现，与AI模型进行集成，做到AI数据应用的低门槛、高便利、多样性、体验好，强共享。

二是建生态，即除了针对大流程、大场景进行模型化实现，还在员工单兵作战的原子层面进行广泛的数字员工赋能，确保数字化运营、数字化决策、数字化管理更加广泛和多样性。借助数字员工助手，业务人员参与，实现“人+数字”双轮驱动。

方案特点

本项目结合金融垂直领域场景，取得了多个技术突破及创新：

创新点一、构建金融、经济两大领域知识图谱，实现企业知识积累与传承

知识构建：（1）针对金融数据噪声大、知识精度低的问题，研发了基于频谱分解的高精度知识发现方法，实现日处理 PB 级金融数据、更新百亿级实体关系、形成百万级舆情标签的能力；（2）基于多模态知识构建了实体覆盖全面、特征丰富、关系挖掘深入的领域知识图谱；（3）针对金融场景知识容错性低的应用要求，研究了知识置信度评估方法、基于图推理的隐含关系补充方法，提高了图谱知识的可信度及完整性。

同业比较：相对现有知识图谱构建技术，通过知识置信度评估和图推理方法有效提高了知识的精度（精度提升15%）和完整性（补充了5~10%隐含关系）。上述知识图谱构建技术为支撑，承建国家普惠金融领域唯一开放创新平台，构建了普惠金融知识图谱；研发了行业领先的时序经济知识图谱，获得吴文俊人工智能科技进步一等奖。

创新点二、多层次金融风险预测模型，显著提升企业风险预警精度

多层次金融风险预测模型：（1）针对金融规律因具有高度时变性传统模型常常失效的难题，研发了可感知环境变化的混频自适应建模框架，以实现模型随金融分布规律改变的及时自动适配，提高了点状风险预警的精度；（2）以该技术为支撑构建了企业财务风险、债券违约风险预警系统。在此基础上，研发了风险传导路径推演算法，构建了面状及重大金融风险预警模型，基于此打造了行业景气指数预测、宽基指数风险预警、宏观经济预警系统。

同业比较：相对国际货币基金组织、世界银行、国际重要评级机构的风险预警模型，所研究的方法在面临重大风险冲击时有更稳健的表现。债券违约预测召回率超90%；面对疫情突发事件冲击，准确预测2020年各季度深圳及中山GDP增速，误差在0.1%以内。

创新点三、基于大规模并行博弈决策技术，实现投资理财最优组合决策算法

投资理财最优组合决策算法：（1）基于大规模并行博弈决策求解技术，构建并行、模块化以及可扩展的投资理财策略系统，在时间和收益双重限制下显著提升交易成交率及盈利率；（2）针对投资理财交易过程中面临的流动性风险和价格波动风险，基于联盟深度强化学习方法构建了动态捕捉历史订单中价差和环境信息的估值智能体，基于蒙特卡洛搜索树与策略网络相结合的形式，拟合市场环境噪声与智能体最优动作序列之间的误差，得到更加稳定的决策序列。

同业比较：支持1012规模金融状态推演的实时调控策略解算，策略求解精度较专家基线提升不少于15%；宽基指数择时策略回撤在偏股型基金中排名位居Top1%,超额收益率成功进Top10%。

创新点四、基于知识增强型领域大模型，重构金融理财服务的智能交互范式

知识增强型行业大模型研发：（1）研发了嵌入与生成的联合训练方法,有效提高行业模型专业知识的含量及复杂逻辑推理能力；（2）研究了基于多智能体强化学习框架的多轮反馈机制，提升多模型之间的协作能力，有效支撑复杂业务决策，，将大模型与原有业务系统深度融合，重构金融服务交互范式；（3）结合先进的迁移学习策略，构建了面向不同应用场景的快速知识迁移框架，并借助知识蒸馏优化技术实现大模型的轻量化，以满足在边缘设备或资源受限环境下的高效运行需求。

同业比较：专业领域问题涉及到的最新知识(近一个月)遗漏率不高于10%；真实场景下涉及到的数字类回答的精度超过98%;非结构化的知识准确率超过 90%；实现模型大小的至少 50%缩减。公司实际使用效果对比表明上述指标显著高于市场上流行的通用大模型能力。

创新点五、通过数字员工能力货架，实现AI能力曲线积累、成长和传承

作为生态体系的底层能力建设及管理平台，能力管理平台是该项目得以高效稳定运行的基础。数字员工能力货架是基于银行理财行业的业务图谱全景，将投资、产品、营销、风险、财企、运营、科技几大业务领域中发碎片化能力进行统一数字化管理，构建包含基础能力、专业能力和自适应AI能力的能力货架。依托能力货架的持续扩充，实现数字员工能力曲线的积累、成长和传承，支持大规模业务能力的数字化积累和传承。

同业比较：数字员工能力货架避免了重复造轮子的资源浪费，同时AI能力的组件化极大提升了AI能力的透明度和使用效率，为行业首创。目前本项目通过货架的方式提供了AI能力、大数据能力、流程处理的原子能力3000个以上，将业务流程通过低代码平台沉淀为能力包的组合，为大规模、高频率、轻量化的AI应用提供了业务基础，业务场景的AI应用率提升了1200%。

创新点六、国内首创业务价值与科技价值估算模型，实现业务+科技的双轮驱动

在平台业务大规模增长后，生态持续扩张方向需要与公司战略目标匹配。平安理财AI数字员工生态体系项目通过效能度量平台为业务部门设置数字员工价值积分体系，构建生态价值网络，准确度量每个数字员工以及每个部门为公司创造的直接和间接价值。

在平安理财AI数字员工生态体系项目中，员工价值积分体系是生态的自我成长源动力。通过制定与公司战略相匹配的价值积分体系，实现了生态内有限资源向高价值需求的倾斜，完成业务侧与科技开发侧之间的最大化价值共创。同时，平台生态可通过调整价值积分衡量的规则标准，完成生态的自发性更新，为新的战略目标做能力资源和开发资源的倾斜。

同业比较：利用价值估算模型，通过考量业务需求的直接价值、间接价值和综合成本在生态中的相对位置，倾斜科技资源，优先解决业务价值更高的需求，从任务驱动转变为价值驱动,为行业首创。

与当前国内外同类项目综合对比

该项目的AI能力先进性在国内外在多项竞赛及金融应用场景中，处于行业领先地位：

方案架构图

数字员工规划蓝图

实现功能展示

首页工作台

智能问答

价值度量

数字员工生态平台建设为端到端的流程自动化技术驱动的三层模型交互协作的智能化方案：

底层模型（知识构建层）基于多模态信息构建知识图谱及企业知识库；中层模型（预测决策层）提供金融风险预警及投资决策辅助；上层（大模型层）则为领域知识增强的平安金融大模型。自动化技术则针对具体应用场景，通过智能调度三层模型（以及RPA及能力货架中的AI工具）形成可服务于不同业务场景的数字员工。本项目结合金融垂直领域场景，主要建设内容如下：

1、平安理财数字化转型的“企业大脑”：AI原生驱动

通过AI+HI的结合，数字员工拥有“流程，数据，AI，算法”等多形态能力。在运营、投研、营销、风控等领域与AI模型充分结合，实现了运营作业自动化，最优资产配置组合，精准营销等。同时数字员工的AI能力通过不断学习进化，能力逐级提升。可执行复杂场景任务的“研究生”数字员工数量占比已提升至50%。传统的清算、估值等操作类系统通过集成数字员工的AI能力，人工操作减少20%，AI的业务场景覆盖已达80%。

2、平安理财数字化转型的 “新能源动力”：数字员工生态

平安理财数字员工搭载了PingAnGPT（千亿级）、知识图谱、多模型交互协同决策、RAG、大数据、RPA等多重技术，具备有人格化、智能化、自动化特征，能够与业务人员交互协作，自动执行日常任务，并提供了AI和数据分析能力，覆盖更多复杂的业务场景，让业务人员专注于更有价值的工作。同时数字员工通过能力货架、知识图谱、联合研发平台实现信息反馈与能力持续生长，形成一个完整的生态。

3、平安理财数字化转型的 “技术底座”

平安理财整合了金融领域AI应用场景技术支持能力，逐步构建完成企业级 AI 中台，实现人工智能模型训练与推理一体化的全生命周期管理和服务体系，有效支持认知智能模型样本管理、特征生成、智能标注、模型设计训练及模型监控等环节。目前AI平台每年支持近 2000 个算法模型的训练、600 多个在线模型推理业务场景服务，平台可容纳300多名算法工程师同步开展算法模型数据探索与训练。

方案案例及效果

本项目已成功在平安理财风控、投研、运营、营销四个场景落地，并取得了非常显著的效果：

一、提升公司整体组织效能

数字员工平台实现了任务在线配置、测试、发布一体化，无侵入式地实现跨应用系统的任务集成，每天增效约 200人时。此外，在多模型协作的支持下，数字员工可以完成语义分析、情感分析、会议纪要等进阶任务，已将数字员工的场景覆盖率提升至90%。

二、公司战略发展的数字支持

以多智能体博弈决策技术为支撑的多模型交互与协同决策技术，实现对复杂问题的专业高效回答。该项目有效的支持了公司多资产、多策略业务战略，打通平安理财投资涉及的7个资产大类、近200个资产细类的系统、数据，并沉淀了平安理财特有的投资分析能力。数字员工通过打通业务端与科技端的需求交付断点，使得AI数字员工可进行业务能力的传承与生长，实现了“滚雪球”式的业务知识能力沉淀。这种新的模式既能够让公司战略有效落地，又能让公司数字化随着AI数字员工的应用推广与能力积累实现可持续的发展。

三、投资投研领域辅助决策效果显著

平安理财的投资经理、投资研究人员每年需要面对10,000场以上投资路演，并且需要对投资路演内容进行有效分类及内容分析，平安理财的投资研究数字员工集成了ASR、NLP、大模型等AI能力，并且集成了跨APP的视频会议数据采集和处理能力，帮助投资经理、研究员自动收听腾讯、Zoom、Wind、Bloomberg直播等各平台渠道投资路演直播，将相关视频音频数据进行分类存储，并对路演内容自动翻译成文本，实现自动摘要、自动标签、自动分类的功能，极大的提升了投资经理、研究员的投资研究、投资决策效率。

以本平台策略指引发行的权益类理财产品规模约370亿元，为客户实现资产增值，产生增值效益18.5亿；为公司提升配置效率，节约配置人力成本，节约成本超800万/年

四、风险管理领域防范效果明显

该项目实现公司全产品300+风控规则、5,700万个标签的实时监控，数字员工通过“AI+HI”结合形式，实时分析互联网舆情新闻，并及时提醒潜在风险，对公司投资组合中的债券信用风险进行预测分析，支持业务人员提前定位潜在投资风险，预警时间较传统评级机构提前4个月以上，覆盖全量2.4万+上市发债企业年报、季报，对90%+报表粉饰企业可相对监管处罚提前6个月以上预警。

五、市场营销领域拓客效果明显

市场营销数字员工通过智能客服与智能推荐，精准分析用户理财目标偏好，为用户提供最优理财产品组合，并基于投研团队对市场的判断，达到优化客群持仓结构的目标，累计贡献30%客户增量，为用户带来超过40亿的收益，帮助平安理财用户持仓收益率超过理财行业平均标准。

六、产品研发领域指导产品创设效果显著

帮助产品部门对理财、公募等行业进行了几十万只竞品分析，实现竞品收益分析、风险分析、归因分析功能，并与平安理财产品进行横向对比，定期生成理财市场报告及深度分析报告，极大的提升了产品发行的数据分析全面性及效率性，支持公司累计发行9个系列超200只产品。

七、金融行业可复制性、可拓展性高

在业务模块上，金融数字员工生态平台的数字员工能力货架覆盖了投资、投研、市场、产品、风控、营销、运营、科技管理等金融行业所有主要业务模块，通过可拆卸、可插拔的模式实现了高复制性和拓展性，这些模块具有很强的通用性，可以非常便捷的在金融行业内进行复制落地。

在技术架构上，金融数字员工生态平台从一开始就基于AI原生进行设计，对算力、算法、模型都进行了松耦合，可支持根据不同场景，不同投入标准，来自由定制算力与模型的组合，实现大平台、多场景、小应用的快速服务模式，支持低成本便捷部署。

在服务模式上，主要的服务模式以SaaS的方式提供，与企业系统平台设计解耦，不同的系统之间可以通过标准化API的方式与金融数字员工生态平台进行交互和调用，实现了业务-平台-服务-模型-数据-算力的海绵式服务生态，具有针对不同企业内部平台的高适配性，并支持自由拓展使用。

所获奖项相关材料

1.平安理财数字员工生态平台内的多资产多策略配置模型取得显著业务效果，获得《银行家》2022中国金融创新奖。

2.平安理财数字员工生态平台内的风控与量化决策模型取得显著业务效果，获得吴文俊人工智能科技进步一等奖。

3.平安理财数字员工生态平台内的风险预警模型取得显著业务效果，获得广东省科技进步一等奖。

方案未来展望

1.技术升级

1）解决流程自动化技术对系统和环境的稳定性的依赖问题：自动化作业流程的顺利执行，依赖于稳定的系统和环境，如果系统的接口变化频繁或其他如网络环境发生变化，容易导致流程执行的中断或出现错误结果。

升级方向:建立“系统自我修复+人工干预”的两级异常响应机制。借助AI的能力，建立和完善系统异常策略库，提升系统的异常自我识别能力与处理能力。同时完善人工响应流程机制，当系统无法自动恢复时，可通过人工干预迅速消除影响。

2）解决AI算法及模型存在的“长尾知识”盲区：“长尾知识”是指模型在训练过程中包含较少的样本或不常见的场景。由于金融垂直领域的专业性、私密性较高，通用的模型和算法对此领域下的场景支持并不太理想，容易出现幻觉。

升级方向: 1.建立完善的金融知识图谱，为模型提供更全面的背景知识；2.迁移学习，将模型在大规模数据上学习到的一般特征和知识迁移到长尾类别中；3. 自我优化，利用在线学习和提示学习策略，使模型能够自我调整并优化在特定场景下的性能，提高对长尾数据的处理能力。

2.提升数据管理水平

数据质量的历史债：数字化建设需要大量的数据支持，而以往在IT粗放的建设过程中，形成了很多的数据孤岛，积累了大量的数据债。数据的完整性、一致性和及时性较差，给企业数字化带来了巨大的挑战。

提升方向：1. 成立数据治理团队和专项，保障数据质量改进的持续化；2. 建立有效的数据治理框架，制定数据质量策略、流程和标准；3. 利用AI技术和工具：如数据质量分析工具，数据血缘分析工具等。