一、项目背景及目标

（一）项目背景

在金融高质量发展的时代要求下，信用风险防控成为银行稳健经营的核心。2023年中央金融工作会议明确提出风险“早识别、早预警、早处置、早化解”的“四早”要求，监管部门亦持续强化对商业银行风控精细化、智能化的考核标准。近年来，九江银行在金融科技赋能业务发展方面持续发力、积极作为，产生了一系列面向金融业务的场景应用，在行内产生了非常大的实用价值，同时也获得了行外的高度认可。比如，作为902数字风控项目群中重点建设之一的“信用风险预警系统”，正是为面向四早中的“早识别、早预警”而生，旨在通过汇聚处理行内外客户风险原始基础信息数据，经大数据模型加工处理形成可理解性强、执行性强的风险预警信号，便于及早发现授信业务及客户风险，从而及早采取措施进行干预或退出，保障信贷资金安全，防范或减轻可能产生的授信风险，该系统应用获得了《金融电子化》杂志社2021年颁发的金融业风险管控突出贡献奖、城银清算2024年颁发的风险管理创新优秀案例等奖项。同样作为902数字风控项目群建设的重点系统“智能风控系统”，依托大数据、人工智能等技术和人工经验沉淀，实现自动化、智能化决策分析，在风险识别、风险预警、风险暴露、风险处置及新业务拓展方面不断创新，大大提升了风险识别评估的精准度，提高了授信决策效率，该系统应用获得了城银清算2024年颁发的风险管理创新优秀案例等奖项，入选了由国家金融与发展实验室金融科技研究中心指导的第五届“NIFD-DCITS金融科技创新案例”，并收录在人民日报出版的《数智创新+金融强国：金融科技创新实践》图书。尤其是，九江银行也积极利用大模型技术，开展创新应用与实践，构建了九江银行金融大脑——“九银大脑”，荣获了2024年中国人民银行金融科技发展奖“三等奖”。

作为服务区域经济的中小城商行，虽然前述金融科技应用取得了可观的成效，获得了一定的认可，但是更多地集中在单环节、单系统应用，跨环节场景、跨系统应用还存在不足，内外部多维度的风险信息集成利用还存在短板，高阶的面向客户的综合风险识别能力还有所欠缺，基于此，我行依托902数字风控项目群既有成果，启动AI大模型风控升级项目，旨在通过技术创新破解上述痛点，提升风险“早识别、早预警、早暴露、早处置”能力，提高风险控制水平，为更好服务实体经济资金融通，助力中小城商行信贷业务高质量发展保驾护航。

（二）项目目标

项目主要目标分为四个方面：

一是融合串通行内关键业务系统与基础技术平台，形成跨系统的集成能力，更大发挥金融科技功效。通过在行内关键业务系统中集成九银大脑AI大模型能力，可以使用户在不跨系统界面的前提下使用大模型智能分析能力，首要保证了数据安全，避免了客户隐私数据泄露问题，并且在业务系统嵌入大模型能力，业务同事更加熟悉操作方式，减少了新系统学习培训时间，降低了AI使用壁垒，将AI融入业务，使业务人员可以在本系统内获取基于大模型的专业金融视角，更大发挥金融科技功效，真正将AI赋能业务。

二是建立多模态信息数据识别与分析能力，更早更精准的识别客户信用风险，通过多模态数据的融合分析，构建更加全面、准确的客户风险画像。在信贷业务全流程环节，通过利用多模态大模型及OCR增强技术技术对客户基础信息、外部征信、收支流水、贷前调查报告、贷后检查报告等多元数据的综合分析，更早、更精准地识别客户信用风险，提升风险识别的全面性与准确性，为风险决策提供有力支持。

三是建立相适应的风险应对处置机制，针对识别出的风险及时采取干预措施，有效规避信贷损失，保障银行资产安全。建立适配的风险应对处置机制。根据识别出的信用风险等级和类型，制定差异化的风险处置策略，建立风险预警与处置的联动机制，实现风险信息的快速传递和响应，提高风险处置效率。同时，建立风险处置应对效果评估体系，定期对风险处置措施实施效果进行评估，根据评估结果及时调整风险处置策略。

四是通过风险识别与风险防控能力的提升，助力开展业务创新，更好满足企业融资需求，更好服务实体经济发展。基于“大数据+大算力+强算法”相结合的大模型技术，对授信客户风险进行自动扫描，形成客户风险简报，精准定位客户风险，辅助授信准入、贷前尽调、贷中审批、贷后管理等环节，创新金融服务模式，助力实体经济发展。

二、项目方案

（一）技术架构设计

本项目以大模型等模型层为技术底座，构建了从底层能力到上层应用的完整闭环，集成Qwen-32b、DeepSeek-R1、Qwen-VL等多类型大模型及文档解析、知识库嵌入、排序模型等专用算法，构成AI能力引擎；封装搜索引擎等通用工具，构建专业知识库通过Query改写、召回重排等技术提高返回内容的可用性，通过提示词管理、智能定义、Agent应用编排实现任务流程自动化；服务层聚焦业务支撑能力建设，涵盖知识库搭建、报告模板生成、Agent管理等能力；Agent中心作为业务协同枢纽，整合关联方分析、股权穿透、财务数据提取等20+核心分析能力，实现跨模块数据流转与智能决策，最终实现全面赋能风险排查、风险预警等核心场景，兼具技术前瞻性与业务落地性。

三、创新点

本项目在技术应用、工程实践和业务模式上实现了多项创新：

（一）技术创新

1.多模态融合与复杂场景解析创新：创造性结合OCR增强技术与多模态大模型，有效攻克了金融领域非标准合同、混合影像存在歪斜、重叠、手写体、多表头等复杂场景的识别难题，显著提升数据输入的准确性和可用性。

2.知识驱动的高效模型压缩与部署创新：采用“大模型驱动数据集构建-->知识蒸馏能力迁移-->高质量数据微调小模型”的技术路径，让小模型学习大模型提炼的专业知识，得到“小而精”的小模型，实现小模型学习专业知识的效果，优化模型的性能和部署效率。

3.多Agent协同的智能风控体系创新： 构建基于多智能体协同的框架，实现贷前、贷中、贷后全维度风险穿透式排查，并通过动态风险画像生成与自动化任务指令，将传统被动响应、抽样检查模式升级为主动预警、全量覆盖的智能风控新模式。

（二）场景创新

将AI大模型技术创新性地应用于信贷业务全流程，从贷前的客户筛选与评估，到贷中的实时风险监测，再到贷后的还款跟踪与风险预警，实现全流程智能化风险管理。例如在贷前，通过大模型对客户基础信息、行业动态、市场趋势等多维度数据的综合分析，挖掘潜在优质客户，同时精准识别高风险客户，为信贷决策提供科学依据。在贷中，利用大模型实时分析客户交易流水、资金流向等数据，及时发现异常交易行为，自动触发风险预警机制，采取相应的风险控制措施。在贷后，基于大模型预测客户还款能力和还款意愿的变化，提前制定风险应对策略，如调整还款计划、加强催收力度等。此外，针对不同类型的客户群体，如小微企业、个人消费信贷客户等，定制个性化的风险评估与管理场景，满足多样化的业务需求。

（三）应用机制创新

建立基于AI大模型的智能决策机制，实现风险识别、评估与处置的自动化和智能化。通过将大模型与业务规则引擎相结合，根据预设的风险阈值和决策策略，自动生成风险处置建议，并将相关信息推送给对应的风险管理角色，实现风险信息的快速传递与响应。同时，引入实时反馈与动态优化机制，根据风险处置的实际效果和业务数据的实时变化，自动调整风险评估模型和决策策略，确保风险管理的有效性和适应性。另外，构建跨部门协同的风险管理机制，打破传统的部门壁垒，实现业务部门、风险管理部门、技术部门等多部门之间的信息共享与协同工作，共同应对复杂多变的信贷风险。

四、项目过程管理

系统开发与联动阶段（2025年5月至2025年9月）

同步开展相关跨系统功能开发，实现系统间的数据交互与业务协同，搭建风险管理全生命周期工作台与风控全流程系统集群。在开发过程中，严格按照软件开发规范和流程进行操作，加强代码审查和测试，确保系统的质量和稳定性。定期组织项目进度汇报和沟通会议，及时解决开发过程中遇到的问题。

试点应用与机制建设阶段（2025年10月至今）

建立相关运行管理机制，选择试点机构开展试点应用，收集试点反馈，优化系统功能与风险管理机制，为全面推广奠定基础。在试点应用过程中，安排专业的技术人员和业务人员进行现场指导和支持，及时解决试点过程中出现的问题。对试点数据进行深入分析，根据分析结果对系统功能和风险管理机制进行优化和调整。

五、运营情况

基于现有的环境与902数字风控项目群成果，通过AI大模型在信贷风险全链路的深入融合及应用，深度融合大数据、人工智能、大模型等新兴技术，汇聚行内外海量多维数据，通过“九银大脑”大模型集成OCR增强、多模态解析及Agent协同框架，构建了AI驱动的智能决策机制，实现风险识别、评估与处置全流程自动化和智能化。以“早暴露、早处置”为核心目标，较传统授信后人工检视，风险识别维度更广、颗粒度更细，能更早、更全面捕捉客户信用风险，实现传统信贷业务的业务流程重构和效率提高，提高全流程智能化信贷风控能力。

六、项目成效

通过AI大模型在信贷风险全链路的深入融合及应用，基于数据驱动和智能交互，实现传统信贷业务的业务流程重构和效率提高，提高全流程智能化信贷风控能力，本项目已推广至全行使用：

风险识别能力增强：利用AI大模型对授信标准化信息，储存客户信息的PDF、图像等非标准化信息基于多模态能力直接解析，形成可追溯、可解释的多维度风险评估体系，构建更加全面、准确的客户风险画像。较传统授信后人工检视，风险识别维度更广、颗粒度更细，能够更早、更精准地识别客户信用风险。利用AI风险报告对我行人工双线贷后519笔业务进行了风险评估，与人工贷后检查结论交叉验证，风险识别准确率达64.55%，初步实现“早识别、早预警”目标。

风险识别效率提升：基于大模型技术的“AI风险报告”以大语言模型为底座，通过大数据驱动，自动获取、加工行内外相关数据，对授信客户的各维度指标进行综合分析，按给定格式自动生成风险报告。风险排查覆盖率提升至100%，排查周期由1周缩短至1天，人工信息收集整合时间减少70%+，风险识别效率实现跃升。

建立人工核验体系，筑牢风险防控防线：针对AI识别的高风险线索、复杂业务场景及异常数据，建立分层级人工核验机制，明确核验标准、流程与责任分工。人工团队聚焦核心风险点开展深度复核与交叉验证，有效过滤AI误判信息、补全隐性风险细节，进一步提升风险识别的可靠性与严谨性。通过“AI初筛+人工精核”的人机协同模式，既发挥技术高效优势，又依托人工经验规避潜在风险漏洞，形成“精准识别-高效处置-严谨兜底”的闭环风控体系。

行业示范效应：本项目的技术和部分场景具备可复制性，为众多中小城商行提供了利用AI大模型实现信贷智能化升级、突破资源和技术瓶颈的宝贵经验和可行路径，推动银行业整体风控水平提升。

七、经验总结

1.技术选型需贴合自身实际：中小城商行在数字化转型中，应避免盲目追求“大而全”的技术方案，优先选择“轻量化、易落地、可迭代”的技术路径，既能发挥AI大模型的技术优势，又能控制成本与实施难度。

2.业务与技术深度融合是关键：风控系统的落地离不开业务人员的参与，项目实施全过程需推动业务团队与技术团队协同，确保模型设计贴合实际业务场景，系统功能满足一线操作需求，避免“技术脱离业务”的情况。

3.持续迭代优化是长效保障：信贷风险场景不断变化，风控模型与系统需建立常态化迭代机制，定期根据市场变化、业务发展、监管要求进行优化，才能保持风控能力的先进性与有效性。