全面防范和化解風(fēng)險(xiǎn)是銀行永恒的主題。據(jù)銀保監(jiān)會統(tǒng)計(jì)，2022年銀保監(jiān)系統(tǒng)對銀行業(yè)機(jī)構(gòu)共開出2223張罰單，罰沒金額達(dá)約15.85億元。其中涉及內(nèi)控不足的違規(guī)成重災(zāi)區(qū)。

例如，某農(nóng)信社員工私自轉(zhuǎn)走儲戶存款上千萬元，被判處無期徒刑，銀行被罰款數(shù)十萬元。類似這樣的違法案件在銀行系統(tǒng)雖非頻發(fā)，但一旦發(fā)生，就會給銀行造成巨大的經(jīng)濟(jì)和聲譽(yù)損失。

01

(資料圖片)

銀行案防監(jiān)督難，如何防范風(fēng)險(xiǎn)？

為了預(yù)防類似案件，現(xiàn)階段銀行案防管控主要采取事后抽檢的“人防”方式，即通過視頻抽檢進(jìn)行日常監(jiān)督，或是案發(fā)之后進(jìn)行視頻取證。但這種方法存在的較大問題是無法做到全面實(shí)時(shí)的監(jiān)管。

以某城商行為例，該行有近500個(gè)網(wǎng)點(diǎn)，平均每個(gè)網(wǎng)點(diǎn)有60個(gè)左右的攝像頭，每日產(chǎn)生的視頻時(shí)長為720,000小時(shí)，如此龐大的數(shù)量，如果投入人力去做監(jiān)督，銀行至少需要配備百人級的專崗團(tuán)隊(duì)才能完成，對銀行來說，這無疑是一件投入產(chǎn)出比極低的事情。

事后抽取還存在其他弊端。如，發(fā)現(xiàn)違規(guī)事件時(shí)可能是一周、數(shù)月之后了，此時(shí)損失已經(jīng)產(chǎn)生。另外，由于人情和人的懈怠性等因素，監(jiān)管容易流于形式，一些有僥幸心理的員工，覺得有漏洞可鉆，就容易鋌而走險(xiǎn)。

因而，銀行內(nèi)控方式從事后核查轉(zhuǎn)變成事前預(yù)防、事中實(shí)時(shí)監(jiān)測對于銀行案件防控和化解系統(tǒng)性風(fēng)險(xiǎn)具有重大意義。

自2020年起，銀保監(jiān)會就出臺了一系列監(jiān)管文件，要求銀行業(yè)金融機(jī)構(gòu)要加強(qiáng)現(xiàn)金管理，探索利用技術(shù)手段，嚴(yán)防現(xiàn)金管理領(lǐng)域違法犯罪行為。在“強(qiáng)監(jiān)管、嚴(yán)問責(zé)”的政策指引下，銀行案防管控工作被提升到更為重要的議程。

2020年，中國銀保監(jiān)會出臺《關(guān)于預(yù)防銀行業(yè)保險(xiǎn)業(yè)從業(yè)人員金融違法犯罪的指導(dǎo)意見》

02

4個(gè)“數(shù)字員工”當(dāng)起銀行案防監(jiān)督員

基于對銀行業(yè)務(wù)場景的深刻洞察，專注于人工智能在行業(yè)中落地的四川仕虹騰飛信息技術(shù)有限公司(簡稱仕虹騰飛）研發(fā)團(tuán)隊(duì)于2018年開始，歷經(jīng)兩年時(shí)間，終于研發(fā)出了“銀行數(shù)字員工系統(tǒng)”。

系統(tǒng)采用端邊云統(tǒng)一調(diào)度的設(shè)計(jì)方案，通過計(jì)算機(jī)視覺、行為識別技術(shù)，將銀行業(yè)務(wù)系統(tǒng)與視頻監(jiān)控系統(tǒng)進(jìn)行融合分析，開發(fā)了200+個(gè)算法模型，面向銀行的不同業(yè)務(wù)場景分類，打造了現(xiàn)金督察員、服務(wù)質(zhì)檢員、交易復(fù)檢員、廳堂助手4個(gè)“數(shù)字員工”，其模型平均準(zhǔn)確率達(dá)95%，為銀行案件預(yù)防提供了高效的技術(shù)手段，幫助銀行實(shí)現(xiàn)全面、實(shí)時(shí)、事前的監(jiān)督分析。

銀行數(shù)字員工系統(tǒng)圖

目前該系統(tǒng)已經(jīng)在省級農(nóng)信社、城商行、法人聯(lián)社等5家銀行，200 多個(gè)網(wǎng)點(diǎn)成功實(shí)現(xiàn)落地和應(yīng)用。2022年6月，銀行數(shù)字員工系統(tǒng)在四川省科技廳授權(quán)的第三方機(jī)構(gòu)組織的科技成果評價(jià)報(bào)告中，獲得了國內(nèi)領(lǐng)先水平的評價(jià)。

據(jù)仕虹騰飛的研發(fā)經(jīng)理胡雷介紹，銀行數(shù)字員工系統(tǒng)上線后，為銀行的案防管控工作帶來了顯著提升，開拓了銀行智能案防的新模式：

以前銀行幾日才發(fā)現(xiàn)問題，現(xiàn)在10 秒鐘內(nèi)就能生成一條預(yù)警信息，1分鐘就可以做出反應(yīng)處置；以前上百人才能做到全面監(jiān)控，現(xiàn)在只需兩人就能完成數(shù)千路的視頻監(jiān)控任務(wù)；以前抽檢只覆蓋 10% 問題，現(xiàn)在能覆蓋 90% 以上問題，還更準(zhǔn)確；以前人看視頻，帶有主觀性，難以發(fā)現(xiàn)一些細(xì)微漏洞，現(xiàn)在 AI 結(jié)合業(yè)務(wù)后，可以提取更多細(xì)節(jié)，將違規(guī)事件扼殺在搖籃里。

胡雷談到，“我們希望用最新的技術(shù)和行業(yè)經(jīng)驗(yàn)，開發(fā)出銀行真正需要的產(chǎn)品。銀行數(shù)字員工系統(tǒng)解決了銀行在智能案防領(lǐng)域從無到有的問題。由于系統(tǒng)覆蓋了銀行的監(jiān)控場景和全流程，做到7×24小時(shí)不停機(jī)，這種技防輔助人防的方式，徹底改變了銀行內(nèi)控監(jiān)督方式，完全能執(zhí)行銀行主要的監(jiān)督工作，包括卡把、加鈔、查庫、交易過程、人員違規(guī)行為等，有助于全面提升銀行風(fēng)險(xiǎn)防控的能力，推動銀行案件管控走向智能化?！?/p>

03

金融專家跨界 AI

借飛槳開發(fā)銀行內(nèi)控系統(tǒng)

胡雷本身經(jīng)歷比較傳奇，算是金融“半路出家”跨界到 AI 領(lǐng)域的專家。2012年，胡雷從德國柏林工業(yè)大學(xué)經(jīng)管類專業(yè)畢業(yè)后，一開始從事的經(jīng)濟(jì)財(cái)務(wù)方面工作，可以說“和技術(shù)一點(diǎn)關(guān)系都沒有”，直到2015年，他在一家跨國公司做 IT 項(xiàng)目經(jīng)理，因工作需要用到 IT ，他便決定自學(xué)計(jì)算機(jī)前后端、數(shù)據(jù)庫、服務(wù)器技術(shù)。2018年底，一次偶然機(jī)會，他參加了百度飛槳組織的 AI 快車道活動，接觸到了飛槳，從那時(shí)起在飛槳的學(xué)習(xí)與實(shí)訓(xùn)社區(qū) AI Studio 上進(jìn)行學(xué)習(xí)，參加了 50 項(xiàng)課程后開始入門 AI，并迅速成長為 AI 技術(shù)專家。

跨行業(yè)背景讓胡雷帶領(lǐng)團(tuán)隊(duì)既能迅速捕捉到金融行業(yè)痛點(diǎn)，又能提出切實(shí)的技術(shù)解決方案?；貞浧溲邪l(fā)歷程，胡雷感慨，每個(gè)環(huán)節(jié)都曾遇到不同程度的挑戰(zhàn)。比如，AI 模型和實(shí)際項(xiàng)目預(yù)期有差距，如何讓算法模型上線后能獲取更高的檢出率、準(zhǔn)確率指標(biāo)，讓客戶更滿意？如何讓模型在低成本模式下進(jìn)行復(fù)用？如何讓模型更具魯棒性去適應(yīng)金融業(yè)務(wù)的不同場景？

當(dāng)然，更大的挑戰(zhàn)還在于對于仕虹騰飛這樣的小創(chuàng)業(yè)團(tuán)隊(duì)來說，似乎并沒有太多精力去開發(fā)每一個(gè)所需的工具。

仕虹騰飛研發(fā)團(tuán)隊(duì)

在多次嘗試對比后，他們看中了飛槳的 PaddleDetection、PaddleVideo 開發(fā)套件。作為計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用工具，飛槳 PaddleDetection、PaddleVideo 表現(xiàn)優(yōu)異。在視頻連續(xù)幀中，基于連續(xù)幀判斷的 PaddleVideo 適合對人員的違規(guī)行為進(jìn)行識別；

而 PaddleDetection 具有豐富的模型和參數(shù)，方便調(diào)節(jié)參數(shù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以及工程化部署，在靜態(tài)幀高精度識別的基礎(chǔ)上支持不同跟蹤算法，切入到不同的復(fù)雜業(yè)務(wù)場景。同時(shí)，使用飛槳也符合銀行基礎(chǔ)設(shè)施國產(chǎn)化的思路。

這里延伸一個(gè)計(jì)算機(jī)視覺的概念。計(jì)算機(jī)視覺是一種讓機(jī)器代替人眼“看”世界獲得圖像的一種技術(shù)。其中目標(biāo)檢測和視頻識別與定位是計(jì)算機(jī)視覺領(lǐng)域運(yùn)用的關(guān)鍵技術(shù)，飛槳為計(jì)算機(jī)視覺開發(fā)者提供了方便快捷的模型套件。

PaddleDetection 是飛槳提供的端到端目標(biāo)檢測開發(fā)套件，不僅覆蓋了主流的全系列通用目標(biāo)檢測算法，還覆蓋旋轉(zhuǎn)框檢測、小目標(biāo)檢測、實(shí)例分割、關(guān)鍵點(diǎn)檢測、目標(biāo)追蹤、行人分析、人臉檢測、車輛分析、運(yùn)動分析等垂類任務(wù)，可以幫助開發(fā)者搭建出各種檢測模型，高質(zhì)量完成各類目標(biāo)檢測任務(wù)；

PaddleVideo 是飛槳開源模型庫 PaddleCV 里提供的視頻識別與定位工具集，能幫助開發(fā)者解決動作識別/視頻分類、目標(biāo)追蹤、視頻-文本學(xué)習(xí)、視頻分割等方面的模型配置與訓(xùn)練難題，可廣泛應(yīng)用到工業(yè)、體育、醫(yī)療、媒體、安全等諸多領(lǐng)域。

開發(fā)過程中，胡雷的研發(fā)團(tuán)隊(duì)將好用易用的飛槳套件工具與公司自研的 AI 中樞平臺結(jié)合，使得視頻流從攝像頭解碼，到完成圖像預(yù)處理、模型推理、邏輯處理等全流程，都能在 GPU 中并行流轉(zhuǎn)處理，且部分流程處理性能快至毫秒級。

胡雷進(jìn)一步解釋，傳統(tǒng)安防視頻監(jiān)控是一個(gè)靜態(tài)視頻幀所得到的靜態(tài)圖像，數(shù)字員工系統(tǒng)由于對接銀行的核心業(yè)務(wù)系統(tǒng)，能統(tǒng)計(jì)傳統(tǒng)安防的檢測結(jié)果，同時(shí)收集多維度信息，形成連續(xù)視頻幀；然后，通過自研的規(guī)則引擎對環(huán)境、動作行為、流程等進(jìn)行場景化識別檢測，從而推導(dǎo)出檢測目標(biāo)在辦理業(yè)務(wù)的屬性，最終將長達(dá)幾分鐘的視頻抽象出來，提取相關(guān)的時(shí)間、身份、環(huán)境等結(jié)構(gòu)化的信息，得到是否違規(guī)的結(jié)果，以供銀行監(jiān)督人員判斷和決策。

比如，在交易監(jiān)控場景中，系統(tǒng)上線運(yùn)行之后，在柜員辦理交易的過程中，系統(tǒng)會根據(jù)預(yù)先配置的需要監(jiān)控的交易類型，對滿足條件的交易按設(shè)定的模型進(jìn)行風(fēng)險(xiǎn)探測，監(jiān)測現(xiàn)場是否有現(xiàn)金、授權(quán)人員是否到位、客戶是否在現(xiàn)場、資金快進(jìn)快出、同一人員到不同網(wǎng)點(diǎn)高頻交易等情況。一旦滿足預(yù)警條件，系統(tǒng)就會向平臺實(shí)時(shí)推送預(yù)警信息，監(jiān)管人員可以通過平臺實(shí)時(shí)、精準(zhǔn)、快捷地調(diào)取該筆交易的錄像進(jìn)行風(fēng)險(xiǎn)確認(rèn)。

據(jù)了解，胡雷加入百度飛槳 AI Studio 社區(qū)后，當(dāng)了成都領(lǐng)航團(tuán)的團(tuán)長，2020年參加了百度 AICA 首席 AI 架構(gòu)師培訓(xùn)。在與飛槳的更多接觸和溝通中，仕虹騰飛與百度建立了更為密切的合作關(guān)系。2021年，仕虹騰飛正式加入飛槳技術(shù)合作伙伴計(jì)劃。

在飛槳助力下，相信仕虹騰飛憑借自身的研發(fā)實(shí)力和金融行業(yè)的沉淀，將不斷深耕開拓金融科技市場，賦能金融行業(yè)智能化升級。