议题说明：

本议题旨在探讨大模型在信用评估、欺诈检测和客户服务场景中的微调策略，分析其共性与差异，以优化模型性能。对于企业而言，理解这些策略有助于更有效地利用大模型解决实际问题，提升业务效率。**

议题主持人：苟志龙 某股份制银行 高级工程师
主持导语： 在本次议题中，我们将邀请多位行业专家分享他们的观点和经验，分析大模型在信用评估、欺诈检测、客户服务场景中的微调策略，共同探讨其共性与差异，以优化模型性能。

李双宏 国金证券 AI算法工程师
大模型在客户服务等场景中的应用都需要针对特定任务进行微调。
在信用评估、欺诈检测和客户服务中，大模型的微调策略存在以下共同点和不同点：
1 . 共同点
数据处理和微调：这三个领域都需要对数据进行有效的清理和处理，以确保训练出高质量的模型。
2 . 不同点
（1）学习方式不同
信用评估和欺诈检测通常采用监督学习方式，而客户服务则更倾向于使用无监督学习方式。
（2）核心目标不同
信用评估主要关注借款人的信用风险，欺诈检测专注于识别欺诈行为，而客户服务更注重个性化推荐和用户体验。
通过针对各自领域的特点进行微调和优化，大模型在信用评估、欺诈检测和客户服务中能够更好地发挥作用，提高预测准确性和服务效率，从而为金融机构提供更好的决策支持和客户体验。
（3）具体技术不同
例如信用评估侧重于信贷历史的分析，需要关注客户的信用记录、还款能力等特征。微调策略可能包括引入更多的金融领域数据，使用特定的信用评分算法等。
例如客户服务强调自然语言处理，需要对模型进行微调以更好地理解和回应客户的问题和需求。微调策略可能包括引入大量的对话数据，使用自然语言处理技术，如语义理解、意图识别等。

金海波 昆仑银行 大数据负责人
在微调过程中，需要根据具体任务需求进行调整和优化，以获得更好的性能和泛化能力。
大模型在信用评估、欺诈检测和客户服务中的微调策略共同点与不同点如下：
1 . 共同点
（1）使用预训练模型：在所有这三个场景中，为了提高性能，通常会使用预训练的深度学习模型作为基础。预训练的模型已经学习了许多通用的语言和模式，这有助于减少微调过程中需要的数据和计算量。
（2）使用特定历史数据微调：为了使模型更好地适应特定任务，需要使用与任务相关的数据对模型进行微调。例如，在信用评估中，可以使用信贷历史数据；在欺诈检测中，可以使用过去发生的欺诈行为数据；在客户服务中，可以使用历史对话数据。
2 . 不同点
（1）任务目标：这三个场景的目标是不同的，因此微调策略也会有所不同。信用评估主要关注预测信贷风险，欺诈检测关注识别异常行为，而客户服务则侧重于提供准确和有用的信息。
（2）数据特性：每个场景的数据特性也不同。信用评估通常涉及结构化数据（如信贷历史），欺诈检测可能涉及各种类型的数据（如交易数据、行为数据等），而客户服务则主要涉及自然语言文本（如对话历史）。
（3）模型输出：由于任务目标不同，模型的输出也会有所不同。信用评估可能产生一个分数或评级，欺诈检测可能需要标记异常行为，而客户服务可能需要生成自然语言响应。
（4）数据安全：大模型应用往往需要用到内外部数据。此时需要进行隐私数据脱敏。外部数据需要控制数据源的合法性，内部生产数据涉及个人信息给到模型部门使用，都需要去除个人信息。

许小龙 某金融企业 大模型工程师
在微调大模型时，需要平衡保证泛化能力和满足特定业务需求。
大模型在信用评估、欺诈检测和客户服务中的微调策略确实有着各自的共同点和差异。
1 . 共同点
微调步骤：无论在哪一领域，都需对预训练的大型语言模型进行特定的任务微调，以提升模型在该领域的性能。这意味着，基础的微调步骤，比如数据处理和清理、选择合适的微调方法（如Freeze方法、P-Tuning方法、Lora方法等），以及调整模型参数以适应新的任务需求，都是必需的。
2 . 差异点
核心内容和技术手段：在信用评估中，重点在于分析借款人的信贷历史，评估其信用风险，这可能涉及到对财务报告、信用记录等结构化数据的深度分析。而在欺诈检测中，模型需要能够识别出交易或行为中的异常模式，这通常需要监督学习的方法，并可能依赖于时序分析等技术来捕捉欺诈行为的独特信号。至于客户服务，则更多地强调自然语言处理能力，用以理解客户询问并提供相应的答复或支持，这往往需要无监督学习技术，以从大量的非结构化客户服务记录中学习和进化。
3 . 挑战
泛化能力和业务需求：如何在确保模型具有足够泛化能力的同时，有效地进行微调以适应特定的业务需求。这可能需要在微调过程中寻找合适的平衡点，以避免过拟合，并确保模型在新数据上的表现同样出色。具体可以从如下几个方面思考：
（1）数据质量
大模型的性能很大程度上取决于数据质量。在微调大模型时，需要对数据进行清洗和预处理，以提高数据质量和模型性能。
（2）模型选择和参数设置
在微调大模型时，需要选择合适的模型和参数设置，以提高模型性能。不同的模型和参数设置可能会对模型性能产生不同的影响，需要进行实验和比较。
（3）业务场景和需求
在微调大模型时，需要考虑业务场景和需求，选择合适的微调策略和参数设置，以满足特定业务需求。同时，需要平衡保证泛化能力和满足特定业务需求的要求。
（4）模型可解释性和可靠性
在微调大模型时，需要考虑模型的可解释性和可靠性。模型的可解释性可以帮助业务人员理解模型的决策过程和结果，模型的可靠性可以提高模型的稳定性和可靠性。大模型推理场景，常出现大模型幻觉问题，一般会使用向量数据库。前期推理数据有一定延时，向量数据库里面存放最新的知识，避免化幻觉和频繁微调。
综上所述，尽管这三个领域都在使用大型语言模型并进行微调以提升性能，它们在侧重点、采用的学习类型以及期望达成的目标上都有所不同。因此，在设计和实施微调策略时，需要仔细考量每个领域的独特要求和限制。

董生 某国有银行 数据应用分析专家
相同的点在于都需要大量的采集客户行为、属性、资产、偏好、产品等数据进行相关的学习和分析。
几个领域中有非常多的共性数据可以相互加以利用，这点针对的是模型集训练的中间结果。
不同点就非常的明显了，业务领域的不同，决定提高的产品服务的不同，导致场景的侧重点也不同。为了支持这些，选择的算法也不尽相同。例如反欺诈，支持向量机应用的就相对广泛，客户服务多使用聚类分析和关联规则学习及决策树的模型算法；信用评估中逻辑回归和神经网络算法会多一些。
挑战在于如何在保证泛化能力的同时，有效微调模型以满足特定业务需求。为了应对这一挑战，可以采取以下策略：
（ 1 ）引入领域专家知识：在微调过程中，结合领域专家的知识和经验，提供更准确的标签或注释数据，以提高模型的特定任务性能。
数据增强：通过生成或合成数据的方式，增加特定领域的训练样本数量，提高模型的泛化能力。
（ 2 ）持续学习和微调：定期更新模型，使其能够适应不断变化的业务环境和数据分布，保持模型的准确性和可靠性。

议题共识总结

通过专家们的分享，我们可以看到，大模型在信用评估、欺诈检测和客户服务场景中的微调策略既存在共同点，也存在差异。
一、共同点：
（1）数据处理和微调：在所有场景中，都需要对数据进行有效的清理和处理，进行微调以训练出高质量模型。
（2）预训练模型：使用预训练的深度学习模型作为基础，以减少微调过程中需要的数据和计算量。
（3）针对特定任务：在所有场景中，都需要针对特定任务进行微调，以提高模型在特定领域的性能。
二、差异点：
（1）学习方式：在信用评估和欺诈检测中通常采用监督学习方式，而客户服务使用无监督方式。
（2）核心目标：信用评估主要关注借款人的信贷风险，欺诈检测关注识别异常行为，而客户服务侧重于提供准确和有用的信息。
（3）数据特性：信用评估通常涉及结构化数据（如信贷历史），欺诈检测可能涉及各种类型的数据（如交易数据、行为数据等），而客户服务主要涉及自然语言文本（如对话历史）。在内外部数据使用过程中，需要注意数据安全和隐私保护。
（4）模型输出：由于任务目标不同，模型的输出也会有所不同。信用评估可能产生一个分数或评级，欺诈检测可能需要标记异常行为，而客户服务可能需要生成自然语言响应。
（5）评估框架：智能客服在语义理解、内容创作、推理能力、数学能力、人格模拟，多模态跨模态等方面进行评估。
可以看到，尽管这三个领域都在使用大型语言模型并进行微调以提升性能，但它们在侧重点、采用的学习类型以及期望达成的目标上都有所不同。因此，在设计和实施微调策略时，需要仔细考量每个领域的独特要求和限制。