克服數據碎片化與AI在交易盈利能力中的局限性

在FF News虛擬競技場的專題會議上，業界專家齊聚一堂，共同探討銀行業運營的一大關鍵瓶頸：數據碎片化與老舊架構如何直接導致金融機構在交易流程中損失獲利能力。

與會嘉賓包括：

• Ian Horne，FF News 主持人

• Mariia Komissarova，Raiffeisen Bank International 數據與AI零售業務主管

• Breno Alves De Oliveira，PAYABL 首席產品官

• Kirill Lisitsyn，Torus 聯合創辦人兼執行長

小組深入探討了未被充分利用的數據資產所隱藏的運營成本、非確定性人工智慧的局限性，以及金融機構將原始數據轉化為市場生存核心基礎所必須採取的策略。

獲利流失的根源：老舊系統與結構化數據障礙

對於像Raiffeisen Bank International這樣歷史悠久的多世代金融機構而言，老舊基礎架構是優化工作的主要內部障礙。Mariia Komissarova指出，導致銀行在交易流程中損失獲利能力的核心挑戰，本質上是一個數據問題。

由於歷史銀行系統各自獨立運作、互不相通，以透明且有條理的格式收集和整理企業交易數據極為困難。若缺乏結構化框架，精確計算單筆金融交易的獲利能力幾乎無從實現。

這一困境源於歷史遺留的數據治理問題及現代框架部署的缺失。「數據網格」等先進的組織架構理念雖已在市場上出現，但在大型銀行企業中的普及程度仍然有限。

隨著全球金融業在身份驗證與交易處理領域經歷深刻的AI變革，解決數據層問題已不再是可選項。建立乾淨的數據基礎已成為企業長期生存的絕對必要條件。

大規模數據攝取的隱性成本

老舊機構常見的誤區在於，認為獲取更大量的數據自然能帶來更高的商業價值。五至七年前，傳統行業慣例的重點在於盡可能收集多元化的數據點，包括將社群媒體數據導入企業伺服器。

現代交易生態系統已超越這種思維模式。金融機構正逐漸發現，單純儲存和維護龐大的非結構化數據，會帶來巨額的伺服器與數據工程費用。

「收集和儲存如此大量的數據，成本相當高昂，如果無法加以利用，你也會在這場定價競爭中逐漸落後……」

當一家企業在未積極從數據中提取商業價值的情況下，承擔了沉重的運營儲存成本，便會在競爭激烈的定價賽局中落於下風。由於基礎架構成本被人為推高，其無法向商家提供最優惠的費率。

正如Kirill Lisitsyn所強調的，現代數據策略必須優先從現有數據資產中提取真實價值。唯有在明確的業務應用場景確立之後，機構才應投入資本獲取額外的數據來源，從而避免不必要的運營障礙與成本累積。

非確定性陷阱：為何大型語言模型無法修復劣質數據

在各機構努力整合使用截然不同軟體語言、採用非標準化數據格式的老舊系統之際，許多機構轉而借助人工智慧與大型語言模型（LLMs）來自動化程式碼與數據轉換工作。Breno Alves De Oliveira指出，金融科技公司擅長攝取複雜數據並將其重組為易於理解的格式，而AI工具大幅加速了這一過程。

然而，Komissarova就核心交易基礎架構過度依賴生成式演算法一事，提出了嚴正的技術警示。大型語言模型本質上具有非確定性，其輸出結果以概率為基礎而非絕對準確，這使其面臨演算法幻覺的系統性風險。

在交易世界中，錯誤直接影響財務帳目，任何精確度的下降都是不可接受的。將不準確或非結構化的數據輸入大型語言模型，會大幅增加產生錯誤計算結果的可能性，潛在損失可能高達金融機構數百萬美元。

小組一致認為，並不存在技術上的萬能解藥；企業不能簡單地將雜亂無章的數據集丟給生成式模型，然後期待其輸出完美無誤的業務邏輯。建立可靠的數據層需要投入大量的時間與資本，同時還需要具備技能的內部專家來正確構建數據管道。

平衡方程式：確定性混合核心

為了在不犧牲金融精確性的前提下，安全地把握現代AI的速度優勢，與會嘉賓提出了一種混合結構架構。該模型在確定性處理引擎與靈活的語言介面之間取得平衡，以簡化終端用戶的工作流程：

• 確定性基礎：核心數據層必須嚴格保持確定性。Torus等專業智慧平台有意將其後端邏輯設計為專注於完全的數學精確性，而非「80%概率」模型，確保方案費用與交易記錄完美對賬。

• 對話式介面：一旦建立了經過驗證的數據完整性基準，機構便可在其上疊加大型語言模型來解讀數據，從而簡化用戶互動並加速分析任務。

這一結構化基礎使機構能夠充分利用數據湖等概念，制定並驗證商業假設。過去，發現一個處理趨勢或評估一個定價變量，需要進行大規模的人工數據庫查詢。

借助統一的混合核心，產品團隊可以快速測試假設，評估其成功的可能性。最終，這一框架使銀行能夠同步分析內部統計數據、競爭格局與宏觀市場變化。這種數據驅動的方法可引導對轉化流程、交易路由和產品體驗進行有針對性的調整，將必要的資本投資轉化為可預期的企業獲利驅動力。

虛擬競技場小組的重點摘要：

• 數據結構瓶頸：跨越使用不同格式的老舊系統收集數據，使準確追蹤交易獲利能力的工作極為複雜。

• 數據停滯的高昂代價：在沒有明確應用場景的情況下儲存大量數據，會推高運營開銷，削弱銀行在商家定價方面的競爭力。

• 價值優先於數量：現代數據智慧優先從現有資產中提取最大效用，而非購買外部數據流。

• 非確定性AI的風險：由於生成式AI模型以概率為基礎，將其應用於非結構化核心數據存在金融計算錯誤的風險。

• 混合系統藍圖：成功的架構將100%精確的確定性數據層與頂層的對話式大型語言模型工具相結合，供用戶解讀使用。

• 假設驅動的創新：對核心數據框架進行重新工程化，使團隊能夠快速驗證處理變更，從而降低資本投資的風險。

本文《克服數據碎片化與AI在交易獲利能力中的局限性》首發於FF News | Fintech Finance。