在数据管理方面，华侨银行正在打持久战。
华侨银行集团数据办公室负责人唐纳德·麦克唐纳 （Donald MacDonald） 多年来一直指导该银行的高级分析和人工智能方法。他的团队是金融服务集团的核心，该集团包括大东方保险、华侨证券和新加坡银行，并在新加坡、马来西亚、香港、中国和印度尼西亚开展业务。
“集团数据办公室是整个华侨银行集团高级分析和人工智能的卓越中心，”他说。“我拥有数据资产、数据平台和数据战略，但我的大部分时间都花在了价值创造上——我们如何使用这些数据来增加收入、提高生产力或降低风险。”
基础
对于麦克唐纳来说，扩展人工智能的关键是多年的基础设施投资。“阻碍大多数公司的是他们没有投资于数据，”他解释道。“在华侨银行，我们在过去 20 年里一直在这样做。我们的数据分类得很好。然后，我们将如何应用它来推动最大价值？
这一长期战略支撑着他的团队如何决定要开展哪些项目。“银行中人工智能有数千个潜在用例，因此需要有选择性，”他说。“我们着眼于预期回报、成本节约、所需工作量、可重用性，以及数据是否合乎道德。”
合规和风险团队扮演着双重角色。“他们既是客户，也是监督职能，”他解释道。“我们在构建模型时遵循他们的政策，但我们也为他们提供服务，从反洗钱到欺诈检测。”
Cloudera 的核心
华侨银行历程的核心部分是与 Cloudera 长达十年的合作伙伴关系。“2015 年，我们意识到传统数据仓库对于我们的雄心壮志来说成本太高且速度太慢，”MacDonald 说。“Cloudera 和 Hadoop 让我们能够以极少的时间和成本引入非结构化数据。”
他估计，与旧系统相比，通过 Cloudera 集成数据“成本约为 10%”。“在我们的前十年里，我们引进了 50 个系统。在过去的十年里，我们引进了 300 多个，“他补充道。如今，华侨银行的数据和机器学习都位于 Cloudera 上。
好处不仅仅是成本。“过去，设置 Cloudera 基础设施需要四个月的时间。现在可以在一小时内完成，“他说。
基于云的本地部署
尽管云服务兴起，华侨银行仍将其大部分敏感数据和人工智能工作负载保留在本地。“我们今天有 30 多个生成式 AI 应用程序在生产中运行，”MacDonald 解释道。“其中很多都使用非常敏感的信息，我们不希望这些信息超出我们的防火墙。”
安全性是一个原因，但成本是另一个原因。“对于一个联络中心用例，如果我们在公共云中运行它，我们将花费 300 万美元的 API 调用，”他说。“我们有 30 个这样的用例。本地 GPU 和开源大型语言模型使其更加实惠。
创新也发挥了作用。“云巨头发布了一些东西，但在两到三个月内，开源社区就会迎头赶上。对我们来说，这些模型已经足够好了。
实时和负责任的人工智能
华侨银行的 350 个系统中只有 20 个是实时运行的，仅用于毫秒级至关重要的情况。“并非每个用例都需要实时，”MacDonald 解释道。“但对于诈骗检测等问题，我们在不到 15 毫秒的时间内处理支付交易。如果我们发现了一个可能的骗局，我们可以在钱离开账户之前阻止它。
该银行的人工智能战略扩展到生成工具，专为普遍使用和特定角色而设计。员工可以访问华侨银行 GPT 来获取内容，使用 Buddy 作为知识助手，使用 Document AI 进行翻译和摘要。Copilots 是为团队量身定制的，例如负责编码的 Wingman 和负责销售的 Holmes，他们每天处理 200,000 页的研究以提供谈话要点。
最引人注目的例子之一是私人银行业务。“过去，入职需要 10 天，每个客户需要 40 份文件，”他说。“现在，我们的代理解决方案在不到一个小时的时间内完成，同时提高了质量和标准化。”
从几个月到几天
MacDonald 承认实施速度取决于复杂性和集成需求，但由于二十年的基础工作，进展很快。“如果我们有数据，大多数用例可以在不到一个月的时间内构建完毕，”他说。“与 20 年前相比，这非常快，当时项目需要几个月的时间，而且一切都是临时的。”
生产力的提高是切实的。“对于开发人员的生产力，我们报价提高了 20%，”他说。“编写代码只是工作的一部分，但像 Wingman 这样的人工智能工具会产生明显的影响。”
华侨银行的方法反映了一个明确的理念：建立基础，尽可能集中化，并负责任地应用人工智能来推动价值。对于麦克唐纳来说，这些教训很简单，但来之不易。“与十年前相比，我们今天能做的事情是无法比拟的，”他说。“这是一个不同的世界。”