在银行金融科技的发展历程中，不同时代呈现出不同的特点。在1.0到3.0阶段，银行逐渐深化信息应用，利用信息来辅助决策和提供参考。而在当前的4.0阶段，银行已经实现了全面的内外部连接，实现了全要素和全量数据的实时流动，同时，银行也运用人工智能技术从庞大的数据中提取宝贵的经验知识，由数字驱动业务决策，变革业务模式。
但在推进人工智能规模化应用的过程中，银行主要面临如下挑战：
第一，门槛高。人工智能技术栈多而杂，全套应用技术门槛高，如果采用技术栈堆砌，而非按照建模流水线进行技术和流程融合，AI模型和AI服务能力的研发难度居高不下。
第二，共享难。随着人工智能建设进入规模化应用，如何实现全量AI资产的沉淀、管理、共享成为关键。但现实规模化建设中，样本、模型等AI资产的沉淀和共享往往在单一项目组或部门内闭环，多机构、多部门间相似模型、相似智能化需求的资产共享较难。
第三，评价难。在人工智能应用过程中，智能应用的建设者由于对人工智能的数据闭环运作原理不了解，往往聚焦现有模型对业务的赋能，忽略对模型本身的持续迭代。这种情况下，较多业务系统存在运营埋点不足的问题，使AI在业务的实际应用效果、持续优化方面缺少数据支撑，主观有余，量化不足。
为支撑人工智能技术在银行的规模化应用，中国工商银行基于MLOps理念建设统一的人工智能平台，助力智慧服务、智慧产品、智慧风控、智慧运营、智慧生态等超过2000个业务应用落地，实现人工智能技术的规模化业务应用。
工商银行人工智能平台建设的关键点在于：
第一，夯实公共能力。围绕人工智能的三要素，数据、算法、算力，建设企业级数据中台，实现数据沉淀共享；面向云原生，建立弹性可伸缩的算力云，对上层用户屏蔽技术细节；算法封装沉淀，形成开箱即用。
第二，降低应用门槛。工商银行建成一站式建模AI工作站，打造拖拉拽配置化的智能决策建模、自动化机器学习建模、0编码计算机视觉建模等低门槛、多样化的金融专业建模流水线，降低数据科学人员模型训练部署门槛，解决数据科学人才短缺的挑战，已落地2000+模型，模型研发效率提升约40%。
第三，AI资产沉淀共享。如何有效将AI资产进行流转交付、资产沉淀、资产共享，是企业最大限度降低AI 建设成本，形成共享共建生态的关键所在。工商银行通过沉淀模型样本AI资产、建立AI资产管理能力、提炼AI资产模板，实现AI资产“全面、可见、可用”管理。
第四，模型运营迭代。工商银行建立统一纳管的智能服务中心，沉淀通用+专用智能服务，建立分层分类整合纳管、编排及服务暴露能力，实现异构智能服务接入的统一标准、过程的统一管理、归档的统一视图，解决异构AI服务的标准不统一、管控难、缺少统一视图等痛点。
沙丘社区通过深度研究中国工商银行人工智能平台建设，为其他银行提供经验借鉴。
▎查看完整内容：