如何防范銀行數據泄露風險？業內：通過加密技術等手段，可實現數據在DeepSeek的訓練中“可用不可見”

每經記者 陳植    每經編輯 馬子卿    

DeepSeek對銀行信貸等業務生態的變革日益顯現。

記者多方了解到，近日多家銀行在接入DeepSeek并完成本地化部署后，正在測試DeepSeek在銀行信貸業務場景的應用成效。

一位國內金融科技平臺負責人向記者透露：“以往，對公業務客戶經理只能在網站四處搜索獲取企業輿情信息，難免出現漏查狀況，貸款企業輿情風險分析準確度不高；在接入DeepSeek后，通過后者的強推理能力，其生成的企業盡職調查報告輿情風險分析準確度超過90%；此外，DeepSeek的強推理能力，可以讓企業某些信息自動準確地“匹配”企業風險報告相關內容輸入要求，令報告自動填充率明顯提高。”

他直言：“目前，我們與多家合作銀行內測均發現，DeepSeek在企業風險報告、盡職調查報告的自動填充率與輿情風險分析準確性等方面，均不亞于其他大模型。”

蘇商銀行高級研究員孫揚表示，蘇商銀行已應用DeepSeek VL2多模態模型處理非標材料，如表格、影像資料、文檔圖片等識別，將提升信貸材料綜合識別準確率至97%。此外，蘇商銀行將DeepSeek的蒸餾技術應用于信貸風控、反欺詐等20多個場景，使盡調報告生成效率提升40%，欺詐風險標簽準確率提升35%。

隨著DeepSeek在信貸場景的應用日益普及，互聯網助貸平臺也在積極接入DeepSeek提升普惠信貸智能化水準。

近日，數禾科技完成了DeepSeek-R1-32B與DeepSeek-R1-671B（滿血版）的本地化部署，進一步提升在線普惠信貸風控及服務的智能化水準。

數禾科技CTO章積偉向《每日經濟新聞》記者透露：“在互聯網普惠信貸場景，金融機構需綜合評估貸款人征信報告、職業、收入狀況、以往還款記錄等眾多數據信息，再做出相對科學的信貸決策。以往，對這些用戶數據信息的梳理評估，金融機構主要依靠基于專家經驗的AI風控引擎。在接入DeepSeek后，金融機構可以借助DeepSeek強大推理能力所形成的信貸風控建議，成為金融機構完善信貸風控體系的新輔助工具。”

此外，如何妥善解決DeepSeek所帶來的“幻覺”挑戰，仍是金融機構在信貸場景用好DeepSeek的一大挑戰。上述金融科技平臺負責人告訴記者，在與銀行開展測試過程，他們偶爾會遇到DeepSeek強大推理能力所帶來的“反作用”。比如，DeepSeek偶然會“自說自話地”地虛構企業某些業務狀況，影響銀行的信貸決策準確性。

值得注意的是，隨著DeepSeek在金融機構信貸場景的應用日益廣泛，它是否會取代其他大模型，正成為業界關注熱點。章積偉告訴記者，DeepSeek系列大模型將與現有其他大模型形成多元互補格局，進一步提升數禾科技在智能信貸服務領域的質效。

他表示，由于大模型性能不同，金融機構要讓大模型在信貸場景充分發揮降本增效作用，就需要根據不同大模型性能與優勢進行融合使用。目前，DeepSeek的一大特點，是助力企業在多種智能化場景復雜推理任務處理方面實現質的提升。

DeepSeek的強推理能力，將提升信貸風險預警準確度

隨著大模型在金融場景的應用日益增多，越來越多銀行與助貸機構都致力于通過大模型提升信貸業務智能化操作水準。

尤其在信貸業務風險管理方面，銀行希望大模型技術能帶來更精準的風險評估與風險預警能力。

以往，銀行在進行信貸審批時，如何綜合評估用戶的信用記錄、收入情況、負債水平等因素，從而更全面精準地研判違約風險，主要依賴基于專家經驗的傳統風險評估模型，但這容易引起“人為誤判”。

在大模型技術在信貸場景得到應用后，銀行通過大模型技術，對海量用戶數據信息和非結構化數據（比如用戶部分金融行為等）進行分析，挖掘傳統風險評估模型難以發現的風險因素與潛在風險信號。

前述金融科技平臺負責人告訴記者：“通過對用戶社交媒體數據、新聞報道等非結構化數據的全面分析，DeepSeek能捕捉到企業、個人的負面輿情信息，包括企業經營糾紛、個人不良信用傳聞等，并將這些信息納入銀行的信貸風險評估體系，令信貸風險評估更全面準確。”

在信貸風險預警方面，DeepSeek正發揮新的作用，比如它能實時監測市場動態與客戶行為變化，及時發現潛在的信貸風險事件。尤其是當利率波動、行業狀況出現異動、客戶金融交易行為出現異常時，DeepSeek能根據預設的風險模型與閾值，快速向銀行發出預警信號，銀行能夠提前采取相應的風險應對措施。

“DeepSeek的強推理能力，結合相應的數據訓練，能幫助銀行捕捉到企業個人某些異常行為所帶來的潛在信貸風險隱患，有效降低潛在的不良率。”這位金融科技平臺負責人向記者指出。據評估，基于DeepSeek的信貸風險管理系統幫助銀行對潛在風險事件的預警準確率提升約20%，這也是當前DeepSeek相比其他大模型，在信貸場景應用領域所呈現的獨特價值。

章積偉向記者透露，在接入DeepSeek后，普惠信貸業務智能化水準提升還體現在三大方面。一是智能決策中樞得到強化，因為DeepSeek有效提升數據處理速度與準確性，對信貸逾期率、不良率等指標的趨勢預測提供更科學的分析支持；二是風險管理系統開發效能得到提速增效，因為DeepSeek提供更精準的代碼補全和錯誤監測，風險管理系統開發效率提升的同時，開發成本也相應降低；三是DeepSeek本地化部署后，可以覆蓋文檔處理、跨團隊協作的全棧式AI解決方案，令企業能更快響應用戶在信貸申請等環節所提出的各種疑惑，有效提升用戶信貸體驗。

此外，他強調說：“面對AI換臉、AI擬聲等深度合成技術被濫用所出現的新型欺詐行為，DeepSeek的強推理能力與深度學習算法，再結合歷史數據的訓練，可以構建更強的智能模型，進而更精準地識別上述新型欺詐行為，進一步減少金融機構的業務損失。”

章積偉向記者表示，DeepSeek將推動數禾科技進一步構筑企業級AI中臺，進而重構信貸審批數字化鏈路，為普惠金融業務流程數智化轉型提供有力支撐。

通過加密技術等手段，可實現銀行數據在DeepSeek的訓練中“可用不可見”

上述金融科技平臺負責人向記者透露，盡管DeepSeek在信貸場景的應用成效相當不錯，但在實際操作環節，銀行仍需借助數據參數更大的大模型，先對用戶海量信息數據進行處理，再借助DeepSeek的強推理能力，令AI生成的企業信貸報告準確性與全面性進一步提升。

為了更好地發揮DeepSeek在信貸場景的應用成效，銀行正著手對數據處理與數據分析架構進行升級。

這位金融科技平臺負責人告訴記者，以往銀行的數據處理架構主要以關系型數據庫為主，側重針對結構化數據的存儲處理，難以滿足DeepSeek對海量非結構性數據的處理需求，如此DeepSeek的強推理能力的充分發揮，容易遭遇某種制約，而企業個人信貸報告的輿情事件風險分析準確度也難以得到進一步提升。

“我們正與合作銀行溝通，引入新的大數據平臺與分布式數據存儲技術，實現對用戶海量結構化數據、半結構化數據與非結構化數據的統一存儲管理。”他告訴記者。

此舉目前最大的挑戰，不在于分布式數據存儲技術的引入，而是銀行在存儲管理上述數據時，如何持續增強數據質量管理——比如通過數據清洗、去重與標準化格式化操作，提升數據質量與準確性，從而給DeepSeek在信貸場景發揮強推理能力提供更好的數據基礎。此外，當銀行使用DeepSeek處理涉足多個信貸系統的復雜業務場景時，如何保證數據的一致性與完整性，又是一大挑戰。

一位銀行對公業務部門人士向記者透露，當前他們在測試DeepSeek的信貸場景應用成效時，還發現如何讓DeepSeek與銀行現有數據安全技術適配，也是亟須解決的挑戰。

具體而言，銀行在使用DeepSeek時，基于對用戶數據隱私安全保護的要求，需采取加密技術、訪問控制技術和數據脫敏技術等措施，確保敏感數據在傳輸、處理過程的安全性，其中包括先對客戶身份證號碼、銀行卡號等敏感信息進行加密處理，在數據輸入DeepSeek前還得做好脫敏操作等。

但在實際操作過程，“投喂”給DeepSeek的數據來源相當廣泛。其中包括銀行內部數據、外部合作伙伴與第三方數據，且數據質量參差不齊，容易存在數據缺失、錯誤與重復等狀況，既影響DeepSeek模型的訓練效果與預測準確性，又容易不小心出現數據泄露風險。

“針對DeepSeek在信貸場景的數據訓練使用要求，我們一方面增強對數據清洗、驗證與修復，先確保訓練數據的準確性與完整度，另一方面也采取加密技術、聯邦學習等隱私計算技術，實現數據在DeepSeek等大模型訓練方面的‘可用不可見’。”他告訴記者。

在他看來，隨著大模型技術在信貸等場景的應用日益普及，金融場景的多個大模型并行應用時代已經悄然來臨。

他告訴記者，通過初步測試，他們發現將DeepSeek與其他大模型并行使用，所生成的企業信貸報告與個人信貸風險評估報告更加精準。究其原因，是DeepSeek的強推理能力，提升了用戶輿情事件的風險分析準確度，而其他大模型對用戶海量結構性數據與非結構性數據的處理，令信貸報告的整體質量較以往客戶經理人工操作更好。

近日，騰訊理財通在接入DeepSeek-R1模型滿血版同時，繼續支持混元大模型應用。

記者獲悉，不同大模型在騰訊理財通的金融場景應用側重有所不同，比如依托混元大模型的龐大金融數據參數，騰訊理財通可以結合全市場基金及股票實時行情，以及A股、港股、美股深度研報及財報，為用戶提供準確、實時大盤分析與市場走勢解讀；借助DeepSeek深度分析推理能力與騰訊理財通專業投研分析，用戶可以獲得熱門投資行業分析、基金篩選、基金診斷、資產配置分析、智能客服等個性化投資理財與陪伴服務。此外，在接入DeepSeek后，騰訊理財通還將進一步整合專業金融信息數據、微信公眾號文章等資源，提供專業性更強、時效性更高的金融服務。

前述金融科技平臺負責人向記者指出，隨著財富管理、信貸等金融場景的多個大模型并行時代來臨，銀行等金融機構正根據大模型性能特點進行“分工”，令他們“各司其職”。其中一個比較明顯的趨勢是，部分銀行將自研的金融大模型用于數據清洗去重與標準化處理，將DeepSeek用于數據分析推理。甚至還有銀行正嘗試將DeepSeek開源大模型融入自研的金融大模型，一站式地提升信貸風控精準性與財富管理服務智能化水準。

記者注意到，銀行在多個大模型并行應用的布局進展相當迅速。

近日，中原銀行采用本地化方式，部署DeepSeek R1滿血模型、R1蒸餾模型與JanusPro多模態模型，支持與銀行內部應用高效集成對接，根據實際應用進行持續調優，滿足各類金融場景應用需求。未來，中原銀行計劃充分發揮DeepSeek大模型在深度思考推理等方面的特點，在智能信貸、知識問答、產業圖譜、智能客服、智能研發等場景探索創新應用，全面提升金融服務質效。

封面圖片來源：視覺中國-VCG41N1354372881