克服数据碎片化与人工智能在交易盈利能力中的局限性

在FF News虚拟论坛的专题会议上，行业专家齐聚一堂，共同探讨银行业务中的一个关键瓶颈：数据碎片化与遗留架构如何直接导致金融机构在交易流程中蒙受盈利损失。

参与讨论的嘉宾包括：

• Ian Horne，FF News主持人

• Mariia Komissarova，Raiffeisen Bank International数据与人工智能零售业务负责人

• Breno Alves De Oliveira，PAYABL首席产品官

• Kirill Lisitsyn，Torus联合创始人兼首席执行官

小组讨论深入探讨了未被充分利用的数据资产所隐藏的运营成本、非确定性人工智能的局限性，以及金融机构必须采取的策略，以将原始数据转化为市场生存的核心基础。

利润流失的根源：遗留系统与结构化数据障碍

对于像Raiffeisen Bank International这类在市场上历经数代的金融机构而言，遗留基础设施是阻碍优化的首要内部障碍。Mariia Komissarova解释说，导致银行在交易流程中失去盈利能力的核心挑战，从根本上来说是一个数据问题。

由于历史银行应用程序各自运行于独立的信息孤岛中，以透明、有序的格式收集和整理企业交易数据极为困难。缺乏结构化框架，精确计算单笔金融交易的盈利能力几乎无从实现。

这一困境源于历史遗留的数据治理方式及现代框架部署的缺失。诸如"数据网格"这类先进的组织化范式虽已在市场上出现，但在大型银行企业中的普及程度依然有限。

随着全球金融行业在身份验证和交易处理领域经历深刻的人工智能变革，解决数据层面的问题已不再是可有可无的选择。构建清晰的数据基础，已成为企业长期生存的绝对前提。

海量数据摄取的隐性成本

遗留机构常见的误区是认为采集更大量的数据自然会带来更高的商业价值。五至七年前，传统行业惯例的重点在于尽可能收集多样化的数据点，包括将社交媒体网络的数据导入企业服务器。

现代交易生态系统已超越了这种思维模式。金融机构正逐渐发现，单纯存储和维护海量非结构化信息，会产生巨额的服务器及数据工程费用。

"收集和存储如此大量的数据，成本相当高昂，如果你不加以利用，你也会在这场定价竞争中开始落败……"

当一家公司在未能主动从数据中提取商业价值的情况下，却承担着沉重的运营存储成本，便会在竞争激烈的定价博弈中落于下风。由于其基础设施成本被人为抬高，它无法向商户提供最优惠的费率。

正如Kirill Lisitsyn所强调的，现代数据战略必须优先从现有数据资产中提取真实价值。只有在明确的业务用例确立之后，机构才应投入资本获取额外的数据流，从而避免不必要的运营障碍和成本积累。

非确定性陷阱：为何大型语言模型无法修复劣质数据

在各机构致力于整合使用完全不同软件语言、采用非标准化数据格式的遗留系统之际，许多机构转向人工智能和大型语言模型（LLMs）来自动化代码和数据转换工作。Breno Alves De Oliveira指出，金融科技公司擅长摄取复杂数据并将其重新整理成易于理解的格式，而人工智能工具大大加速了这一过程。

然而，Komissarova就核心交易基础设施过度依赖生成式算法发出了严重的技术警告。大型语言模型本质上是非确定性的，这意味着其输出结果基于概率而非绝对值，使其面临算法幻觉的系统性风险。

在交易领域，错误会直接影响财务账本，任何精度上的偏差都是不可接受的。将不准确或非结构化的数据输入大型语言模型，会大幅增加生成错误计算结果的概率，可能给金融机构造成数以百万计的损失。

小组一致认为，不存在任何技术万能药；企业不能简单地将杂乱无章的数据集丢给生成式模型，就期望得到完美无误的业务逻辑。构建可靠的数据层需要在时间和资金上进行严谨的投入，同时还需要具备能够正确构建数据管道的专业内部人才。

平衡方程式：确定性混合核心

为了在不牺牲绝对财务精确性的前提下，安全地借助现代人工智能的速度优势，小组成员提出了一种混合结构架构。该模型将确定性处理引擎与灵活的语言接口相结合，以简化终端用户的工作流程：

• 确定性基础：核心数据层必须严格保持确定性。Torus等专业智能平台有意将其后端逻辑构建为专注于完全的数学精确性，而非"80%概率"模型，确保方案费用与交易记录得到完美核对。

• 对话式界面：一旦建立了经过验证的数据完整性基准，机构便可在其上叠加大型语言模型来解析数据，从而简化用户交互并加速分析任务。

这一结构化基础使机构能够借助数据湖等概念来制定和测试商业假设。历史上，发现处理趋势或评估定价变量需要进行大量的人工数据库查询。

有了统一的混合核心，产品团队可以迅速测试假设，评估其成功概率。最终，这一框架使银行能够同时分析内部统计数据、竞争对手格局和宏观市场变化。这种数据驱动的方法引导着对转化流程、交易路由和产品体验的精准调整，将必要的资本投入转化为企业盈利能力的可预测驱动力。

虚拟论坛小组的核心要点：

• 数据结构瓶颈：跨采用不同格式的遗留系统收集数据，使精确追踪交易盈利能力变得极为复杂。

• 数据停滞的高昂代价：在没有明确用例的情况下存储海量数据，会推高运营开销，削弱银行在商户定价方面的竞争力。

• 价值优于数量：现代数据智能优先从现有资产中提取最大效用，而非购买外部数据流。

• 非确定性人工智能的风险：由于生成式人工智能模型基于概率，将其用于非结构化核心数据存在财务计算错误的风险。

• 混合系统蓝图：成功的架构将100%精确的确定性数据层与其上的对话式大型语言模型工具相结合，供用户解读使用。

• 假设驱动的创新：重新构建核心数据框架，使团队能够快速验证处理变更，降低资本投入风险。

本文《克服数据碎片化与人工智能在交易盈利能力方面的局限性》最初发表于FF News | Fintech Finance。