大模型增强下的图智能在金融场景的应用与实践
大模型增强下的图智能在金融场景的应用与实践
大模型的增强为图智能技术带来了深远的应用变革。结合大模型的分析能力，图智能可以帮助企业从海量的结构化和非结构化数据中提取关键的业务信息，敏锐感知市场动态，及时调整策略和风险管理手段，实现更精准的风险评估和投资决策支持。
在日前举办的 ArchSummit 全球架构师峰会上，枫清科技（Fabarta） 图智能解决方案架构师贾志鹏结合自身的实践经验，分享了大模型与图智能技术结合的三种方式和当前图智能在金融领域落地过程中遇到的挑战，以及图智能结合大模型在营销场景和金融知识库下的应用案例，帮助企业更好地了解行业现状和未来发展趋势，获取实践经验。
图智能技术概述
图智能技术——“可解释的智能”
图智能技术是一种可解释的智能，其核心在于通过图数据的构建和分析，将隐藏在数据背后的决策因素和数据情况直观地呈现出来。例如，在信用卡申请业务中，通过图数据可以直观地看到围绕某个IP地址有多少用户提交了申请，以及这些用户是否使用了相同的MAC地址。这种可视化展示有助于快速发现潜在的欺诈风险。
图智能技术的关键组件
为了实现可解释的目标，图智能技术通常包含以下几个方面：
- 图数据库技术：用于存储图数据并支持高效的查询。
- 图计算引擎：用于执行各种图算法，包括学术界和工业界应用的各种算法，以及定制化的算法。
- 图可视化：让数据和分析结果能够更直观地呈现给分析师或终端用户。
- 图分析：综合应用上述手段，围绕业务目标采集数据，构建图谱并进行相应的分析工作。
图智能技术在金融领域的典型应用
在金融领域，图智能技术主要应用于以下五个场景：
- 知识库服务：将企业文档形成知识库，方便用户获取所需知识。
- 反洗钱、反欺诈和智能风控：通过构建交易图谱，分析团体性行为的关联关系。
- 智能营销：通过分析客户关系，进行精准营销。
图智能技术的构建方式
知识图谱的构建
知识图谱的构建过程主要包括数据获取、实体关系抽取、知识整合和质量评估等步骤。然而，知识图谱的时效性是一个挑战，因为知识会过时，需要持续维护和更新。
基础图谱的构建
基础图谱主要处理结构化数据，如企业股权关系等。由于数据结构相对稳定，基础图谱的构建和维护相对容易，主要挑战在于梳理业务算法逻辑。
图智能分析
图智能分析的流程包括业务理解、数据来源确认、实体关系加工、探查分析和结果传递等步骤。在实际应用中，需要根据具体业务需求选择合适的数据处理方式，并逐步完善图谱。
图智能技术面临的挑战
- 底层数据挑战：现有数据多为非结构化或半结构化，需要大量精力进行数据处理和迭代调整。
- 使用问题：如何有效使用构建好的知识图谱，特别是在理解业务需求和选择适当模式方面存在挑战。
结合大模型技术应对挑战
大模型技术为图智能技术的应用带来了新的可能性，主要体现在两个方面：
辅助图谱构建：大模型可以自动或半自动地处理结构化和非结构化数据的关系，加速构图过程。但需要注意的是，金融行业对数据的权威性和严谨性要求较高，因此在实际应用中仍需进行人工校验。
优化图谱使用：通过大模型可以实现更智能的图谱交互和应用，如帮助风控经理进行深度探索、自动生成风控报告等。
实际应用案例
- 元数据构图：通过大模型补全元数据信息，建立映射关系，生成完整的图模式。
- 营销场景应用：通过分析客户交易记录和App浏览行为，建立标签关联，实现精准营销。
- 金融风控应用：结合大模型解读报告文档，生成风控报告和政策解读。
- 金融知识库应用：通过图增强的RAG（检索增强生成）技术，实现更智能的知识问答和信息检索。
总结
图智能技术在金融领域的应用前景广阔，但同时也面临着数据构建和使用方面的挑战。通过结合大模型技术，可以实现图谱的自动化构建和智能化应用，进一步提升图智能技术在金融领域的应用效果。