导读恒生作为一家专注于助力金融领域客户实现智能化产品落地的服务机构，积累了丰富的产业实践经验。在协助企业落地智能化产品的过程中，我们遭遇了一系列关键难题，包括但不限于性价比、准确率等核心问题。同时，随着技术的快速演进，自 2019 年以来，特别是大模型兴起之后，金融知识图谱领域也出现了新的发展范式。在此，我们将基于实际案例，深入分享在实践过程中所积累的宝贵经验，同时对新范式是否会替代知识图谱，以及大模型如何助力解决知识图谱先前面临的问题展开探讨。
主要内容包括以下几大部分：
1. 金融场景的困局与破局
2. 大模型技术带来的新范式
3. 产品功能与设计的演进
4. 落地挑战与未来变化
分享嘉宾｜李明明 恒生电子股份有限公司 AI产品经理
编辑整理｜李天星
内容校对｜李瑶
出品社区｜
01
金融场景的困局与破局
1. 聚焦金融+AI 领域
恒生知识图谱团队在过往实践中，成功搭建了如下几类重要应用场景：
2. 金融知识图谱平台
基于上述场景，我们构建了金融知识图谱平台。该平台与常规图谱产品的主要差别点在于：
这是曾经的一个案例——铜掌柜暴雷事件，通过事件影响传导，针对该事件对产业链上下游相关系企业以及股权关系关联企业可能产生的影响进行了定量分析。
3. 金融场景的困局与破局
金融知识图谱面临诸多问题，从 AI 产品经理角度来看，困局主要在以下几个方面：
上述问题导致金融知识图谱产品愈发偏向于另外一种规则引擎。
02
大模型技术带来的新范式
1. 新范式：KG+LLM 的一些方向
大模型的兴起为知识图谱带来了新的契机。
尽管三个方向都有尝试，但目前比较成熟的是前两种方式。
2. 质疑
陆奇老师层提出，知识图谱真的不行。
对此我们也展开过相关讨论。
用知识图谱做大模型，是不是马拉火车？在 2020 年前，普遍认为图谱技术会引领 AI 发展，但现在人们则质疑 LLM 是否一定要套图谱的外壳。
03
产品功能与设计的演进
AI 或大模型在金融领域落地，需要考虑三个核心因素：准确率、成本、速度。
以如下三个问题为例，针对不同场景，大模型和知识图谱各有其优势。
问题 1：蚂蚁和恒生电子的关系是什么？这种问题使用纯 LLM 的方式更优，更新图谱性价比不高。大模型基于外部信息检索的结果更符合业务人员认知，且可以避免知识更新不及时带来的问题。
问题 2：反洗钱系统中张三和李四的关系是什么？在这个问题中，张三和李四代表行业专有名词或公司内部数据。针对这种专业知识的多跳关系搜索，采用图谱方案更优，无论速度还是专业性与精确度上都更具优势。
问题 3：机构 A 和 XXX 债券的关系是什么？或者机构 A、机构 B 频繁买入 XXX 债券说明了什么？这种既涉及通用知识又涉及私域知识的情况下，大模型和图谱结合的方式则更为有效。
知识专业性越强、私域化和时效性要求越高，同时企业图谱完备度越高时，更偏向采用图谱产品；反之，则更偏向选择大模型。当前，大模型的适用领域持续扩展，而知识图谱的应用空间正在被不断压缩。
基于上述思考，我们对产品做了一些改变，上图中橙色部分，如图数据库、图谱的查询分析算法等还是以图谱为主；红色部分，如信息抽取、三元组表示和图谱构建等，则转向 LLM 为主；蓝色部分，如知识推理等，根据场景与客户情况进行区分。
04
落地挑战与未来变化
1. 落地挑战
2. 未来变化
323AI导航网发布
相关文章
