一、项目背景及目标

伴随信息科技的迅猛发展，人工智能已成为驱动经济社会高质量发展的核心引擎。大模型作为AI领域的关键突破，在自然语言处理、图像识别等方面展现出显著优势，正在深刻重塑金融行业格局与服务模式。为抢抓AI发展浪潮带来的战略机遇，探索人工智能应用新范式，潍坊银行亟需建设企业级AI智能化基础底座，整合全行AI基础能力，实现AI技术的快速研发、共享复用与高效部署，全面助推智能化升级与数字化转型。基于此，潍坊银行制定了“推进AI中台与业务深度融合，赋能数字化转型”的战略部署，明确将2025年确立为“AI建设元年”，按照“1+N”（1个AI中台体系、N个场景应用）总体架构，全面推进人工智能的建设与应用，采用“统筹推进、敏捷迭代”策略，聚焦“重点项目系统化推进”与“小切口场景快速化应用”两条主线协同发力，持续深化AI赋能成效。

二、创新点

AI中台体系作为全行人工智能技术开发、纳管与应用的基础平台，遵循“分层建设、协同演进”的架构理念，构建了一套覆盖AI能力全生命周期的支撑体系。

基础设施层：依托统一算力资源池，实现对GPU、CPU等多源异构计算资源的集约调度与弹性供给，为模型训练与推理提供稳定、高效的底层支撑。

技术开发层：集成主流深度学习与机器学习框架，提供从数据接入、数据标注、特征工程到模型训练、评估、优化的全流程标准化工具链，结合可视化建模，显著降低AI应用开发门槛，使业务人员也能参与模型构建与迭代。

资源管理层：建立统一的算法及模型资产仓库，对模型需求提出、开发训练、测试验证、部署上线、运行监控、评估退出等全生命周期实施精细管控；同时实现对行内自研与外部引入的异构AI能力的统一接入、标准化封装与灵活编排复用，避免重复建设与能力碎片化。

知识管理层：具备全行多模态知识的统一纳管与语义化治理能力，构建可快速调用、动态更新的企业级知识库，实现知识结构化沉淀与高效流转。通过知识抽取、知识融合与知识推理等机制，形成高质量、可解释的企业知识网络，为模型训练、智能决策与业务场景应用提供精准、可信的知识服务支撑。

应用服务层：以统一API网关与服务编排引擎为纽带，将计算机视觉、自然语言处理、语音识别、知识图谱等AI能力以标准化服务形式开放输出，支撑智能营销、智能风控、智能运营、智能客服等场景快速落地，切实推动智能技术从平台建设走向业务实践，从技术储备转化为业务价值。

三、项目技术方案

潍坊银行秉持轻量化、敏捷化的设计理念，以“小投入、轻投入”模式构建高效、灵活的AI中台体系，实现AI应用的快速研发、共享复用与灵活部署。项目采用“应用场景先行”的建设思路，优先开展小型应用场景试点，验证技术与业务需求的契合度，避免在未经充分验证前大规模投资大模型算力平台。

图1.AI中台架构

第一阶段，构建AI基础能力，分别从算力支撑、基础平台搭建方面实现企业级AI能力落地。一是搭建算力基础设施，通过采购GPU算力服务器，部署算力服务器集群，一方面实现DeepSeek、千问等开源大模型私有化部署，另一方面满足模型训练、推理和数据处理等复杂任务的硬件资源需求。二是建设知识工程平台，企业级知识工程体系作为AI应用落地提质的核心要素和战略支点，具备多模态知识解析、知识增强、知识融合和知识检索能力，精准应对多模态数据识别准确率低、文本数据分词精度低、召回精度不足等问题，更好支撑上层知识搜索、知识问答等场景应用建设。通过构建动态演化的企业级知识网络，有效解决大模型在垂直场景中存在的知识幻觉、时效滞后、领域适应性差等关键问题。三是建设智能体管理平台，通过可视化的流程编排，实现AI原生应用快速、高效地创建和部署，从而实现特定业务场景下的聊天对话、内容创作、图像生成等多种功能的快速开发，并支持复杂场景下的动态任务处理，具备自主决策、多模态交互和多智能体协作能力，在降低AI原生应用开发门槛、提升研发效能的同时，通过多模态融合、实时交互、决策支持等方式提升智能体能力，更好赋能智慧营销、智慧运营、智慧客服、智慧尽调、智慧风控、智慧管理、智慧合规、智慧审计等业务场景应用。

第二阶段，从资源管理能力优化、智能应用能力完善方面进一步提升AI的持续输出能力。一是建设机器学习平台，为业务人员和科技人员分别提供零代码建模、全功能建模工具，统一纳管行内已有文字识别（OCR）、语音识别（ASR）、语音合成（TTS）等成熟AI能力，实现平台能力整合与全行模型资产全生命周期管理，有效解决建模人员开发环境碎片化和模型资产孤岛化的问题。二是建设大模型管理平台，整合DeepSeek、千问、智谱等主流大模型，形成统一大模型资产仓库，实现大模型资产的集中管理，提供可视化训练、微调、评估工具链，支持跨业务场景的模型训练和参数优化，满足各业务场景下对大模型应用的差异化需求。

四、运营情况

自AI中台上线以来，系统运行稳定可靠，各项功能表现优异，已在智能体开发与知识库建设两大方向取得阶段性成果。一是多场景智能体开发成效显著。 基于AI中台，逐步推进营销、运营、风控、办公等核心场景下的智能体应用建设。截至目前，已完成报告撰写、代码辅助、访前一页纸、供应商风险识别等50余个应用的上线，并沉淀了100余个可复用的功能插件，初步形成覆盖多元业务场景的智能体生态。二是全行级知识库建设稳步推进。 围绕知识上传、分类、审核与更新，建立健全知识管理制度，依托AI中台分层次、有步骤地推动从个人、部门到全行级别的知识库体系建设。目前，全行级知识文档数量已达3000余个，有效实现了知识在各主体之间的顺畅流动与共享，使知识服务真正融入日常业务流程，赋能一线作业与决策。

五、项目成效

技术创新显著。通过分步建设机器学习、大模型管理、知识工程及智能体开发四大核心平台，实现多源数据深度融合、模型资源统一调度、知识体系系统构建与智能应用敏捷开发，形成集算法、算力、数据于一体的集约化“AI基座”，为大模型在金融场景的规模化、体系化落地应用奠定坚实技术基础。

应用实效突出。遵循“统筹规划、分步推进”原则，采取“重点项目系统化建设”与“小切口场景敏捷应用”双轮驱动策略。依托AI中台的智能赋能能力，在精准营销、智能风控、智慧运营及便捷化客户服务等关键业务领域实现大模型的快速迭代与深度嵌入，有效提升金融服务效率与客户服务体验，切实以科技力量赋能“服务地方经济”的初心使命。

行业推广性强。探索形成“体系化筑基、轻量化演进、敏捷化迭代、场景化深耕”大模型技术应用路径，形成可复制、可推广的中小银行数智化转型范式，助力推动金融行业数智化转型协同发展，为构建更加开放、智能、普惠的金融服务生态贡献可借鉴的实践经验。

六、经验总结

在AI中台体系建设过程中，潍坊银行形成了以下核心经验：一是顶层规划先行，以“1+N”总体架构明确战略方向，制定分年度推进计划，确保建设节奏有序可控，避免各条线重复建设；二是轻量起步、敏捷迭代，坚持“场景先行、先试点后推广”的务实路线，以小投入快速验证业务契合度，有效控制建设风险与成本；三是业务驱动、技术赋能，始终以业务价值为导向，采取重点项目与小切口场景双轮驱动，推动AI技术从平台走向实践、从储备转化为效能；四是分层建设、协同演进，分阶段构建四大核心平台，各平台独立又联动，兼顾建设可控性与能力系统性；五是注重数据治理与知识体系构建，打通数据孤岛，建立全行级知识库，为AI应用提供高质量数据支撑；六是坚持能力标准化与开放复用，通过统一接口和低代码工具降低开发门槛，形成业务与技术协同创新的可持续生态。