对话华福证券：大模型如何解决证券开户低效难题？

元宇宙app官方版下载 2024年02月26日 14:58 21 Connor

图片来源@视觉中国

在证券市场，提高客户满意度的同时确保业务流程的高效与合规性是一大挑战。尤其是在开户流程中，客户和业务办理人员面临着提交大量文件、资料的繁琐过程，以及资料的人工审核和多次核对，这不仅消耗了大量时间和劳力，还有可能因资料错误或缺失导致开户失败。

钛媒体App获悉，针对这一问题，腾讯云与思迪信息合作，通过其TI-OCR多模态大模型技术为华福证券的见证开户系统实施升级，开户业务的办理效率提高了50%。

以机构开户场景为例，此前单个用户所需材料多达12-13份，开户协助人必须根据系统提示将材料一一上传到指定位置。作为券商非专业柜台人员的开户协助人，一来受流动性影响、二来需要长期培训，因此加剧了开户资料上传的操作难度。

据了解，在此次升级后，见证开户系统的人工成本大幅降低，开户效率得到大幅提升。借助多模态大模型的能力，传统的OCR应用可以大幅增加泛化性，解决了手写体识别、数字栅栏干扰、自然场景下图片识别等识别难点，以及OCR应用训练样本需求庞大、训练时间长等技术痛点。

同时，大模型加持下的见证开户系统，还能针对同一管理人信息进行复用，无需重复多次填写。视频组合见证环节，客户端也仅需排队一次，视频见证人员即可完成多个产品的逐个见证与确认上传，减少业务流程的重复性，增强客户的体验感。

以下为钛媒体App与华福证券数智赋能部研发中心总经理谢琪、运营管理部负责人林佳以及腾讯云智能高级产品架构师丁鹏的对话，略经编辑：

提高机构开户业务效率

问：华福证券在使用了TI-OCR大模型等数据技术后，在机构开户场景方面的运作效率有哪些显著提升？能否分享一些具体实例？

林佳：华福证券引入智能分拣项目主要是为了解决非现场见证开户时资料上传的痛点。机构开户需要提交的材料非常多，通常包括12-13份不同的文件。在没有智能化工具的情况下，开户协助人员需要手动上传这些材料，这不仅耗时而且容易出错。通过引入智能分拣技术，开户协助人员只需拍照上传材料，系统自动完成分类和上传，大大提高了效率和准确性，缩短了前端操作时间，增强了员工体验。

展开全文

问：过去处理这么多材料需要多少人力和成本？引入TI-OCR模型后，人力成本和整个环节缩减到什么程度？

林佳：在引入智能分拣技术之前，业务办理人员需要长期培训，以提高对业务的熟悉度。如果长时间不接触这类业务，办理机构开户的时间可能需要以小时计。智能分拣技术降低了操作难度，简化了流程，从而降低了人力成本和提高了运营效率。

机构开户是券商账户业务中最复杂的项目之一，需要填制大量材料和表单，这对业务办理人员的要求非常高。新手入门需要一段时间的培训，尤其是对机构开户，由于其复杂性，培训周期相对较长。

问：除了开户环节，华福证券还有没有其他环节融入AI技术？

林佳：除了TI-OCR的AI能力，我们还在客户业务办理之外的见证审核工作台进行了智能化升级，提供了图片切片、语音识别、信息RPA获取等多维度的智能辅助工具，提升了运营操作的准确性和效率。此外，我们还引入了数字人技术和语音语义识别，提升了客户服务的智能化和便捷性。

问：为什么选择和腾讯云合作？看重的技术点是什么？

林佳：券商运营是文档密集型业务领域，涉及大量文档交互，如客户业务办理、投资者、系统参数设置等。这些文档中，部分具有行业标准，部分为公司内部标准化表单，还有格式各异的表单。由于文档的标准化程度不一，识别这些材料的能力非常重要。经过对比，腾讯云的TI-OCR能准确识别这些材料，并在参数设置上快速获取要素，实现自动配置参数。目前市面上的产品要么是针对特定文档证件识别，要么训练平台易用性不强，要么训练或输出成本高，较难满足我们运营业务复杂的应用场景。

问：面对新技术，华福证券每年的实际投入是多少？

谢琪：华福证券非常重视科技领域的投入，近几年科技方面的投入保持高速上升趋势。AI和大模型是我们重点投入的技术方向。我们成立了专门的技术小组，专项研究AI领域的规划和应用，增加了相关业务项目和基础研究的投入。我们的研究更多侧重于应用场景挖掘，通过AI实际帮助到业务或员工，而非仅仅是基础科研型研究。

“成本与传统OCR相当”

问：腾讯云为什么会选择在OCR领域进行深度布局？目前这个技术在金融市场的需求量如何，大模型的应用对金融机构的成本支出会有什么影响？

丁鹏：我们选择在OCR领域深耕，主要是因为金融机构和其他行业正加速数字化转型，需要处理大量的证件、单据等文本图像类非结构化数据。尽管传统OCR技术已广泛应用于固定版式的文件，但对于个性化的非标准版式图像文件，识别准确率和结构化信息的处理仍面临挑战。

我们开发的OCR建模训练平台覆盖数据导入、生成、标注和发布全流程，利用大模型的泛化性，以少量样本解决垂直领域的应用问题。金融领域对此有大量需求，包括单据处理、柜面业务办理授权凭证、对账单据、国际结算单据等多个场景。虽然大模型的参数量较大，但我们通过模型训练和推理加速框架，以及私有化部署中的模型经过了蒸馏和裁剪等小型化处理，实现了成本效益的平衡，使得推理成本与传统OCR相当。

问：大模型应用过程中的幻觉问题有什么解决办法？

丁鹏：我们从多个层面解决这些问题。首先，我们确保使用合理的训练数据，并对数据进行安全过滤。其次，技术层面通过有监督强化学习避免生成垃圾档案。在产业应用中，我们采用增强检索和RAG框架解决事实一致性问题。此外，腾讯云在安全领域的深耕，通过在大模型应用的输入输出端接入审核模型进行安全过滤，确保回复的合规性和专业性。

问：券商在大模型方面有哪些落地应用？

丁鹏：券商的大模型应用除了在文档多模态领域，还包括财富管理、舆情监管、机构投研等业务。腾讯云专门为资管行业和券商开发了大模型应用，如投顾助手和智能舆情应用。成功的关键在于真正解决客户的业务问题，考虑到金融行业的复杂性，包括数据及合规安全问题。我们确保大模型的可落地性，追求性价比，通过技术优化确保合理的算力成本，实现大模型的有效应用。（本文首发于钛媒体APP，作者｜蔡鹏程，编辑｜刘洋雪）

更多宏观研究干货，请关注钛媒体国际智库公众号：

标签：证券低效开户难题模型