全面防范和化解風險是銀行永恒的主題。據銀保監會統計，2022年銀保監系統對銀行業機構共開出2223張罰單，罰沒金額達約15.85億元。其中涉及內控不足的違規成重災區。

(資料圖片僅供參考)

例如，某農信社員工私自轉走儲戶存款上千萬元，被判處無期徒刑，銀行被罰款數十萬元。類似這樣的違法案件在銀行系統雖非頻發，但一旦發生，就會給銀行造成巨大的經濟和聲譽損失。

01

銀行案防監督難，如何防范風險？

為了預防類似案件，現階段銀行案防管控主要采取事后抽檢的“人防”方式，即通過視頻抽檢進行日常監督，或是案發之后進行視頻取證。但這種方法存在的較大問題是無法做到全面實時的監管。

以某城商行為例，該行有近500個網點，平均每個網點有60個左右的攝像頭，每日產生的視頻時長為720,000小時，如此龐大的數量，如果投入人力去做監督，銀行至少需要配備百人級的專崗團隊才能完成，對銀行來說，這無疑是一件投入產出比極低的事情。

事后抽取還存在其他弊端。如，發現違規事件時可能是一周、數月之后了，此時損失已經產生。另外，由于人情和人的懈怠性等因素，監管容易流于形式，一些有僥幸心理的員工，覺得有漏洞可鉆，就容易鋌而走險。

因而，銀行內控方式從事后核查轉變成事前預防、事中實時監測對于銀行案件防控和化解系統性風險具有重大意義。

自2020年起，銀保監會就出臺了一系列監管文件，要求銀行業金融機構要加強現金管理，探索利用技術手段，嚴防現金管理領域違法犯罪行為。在“強監管、嚴問責”的政策指引下，銀行案防管控工作被提升到更為重要的議程。

2020年，中國銀保監會出臺《關于預防銀行業保險業從業人員金融違法犯罪的指導意見》

02

4個“數字員工”當起銀行案防監督員

基于對銀行業務場景的深刻洞察，專注于人工智能在行業中落地的四川仕虹騰飛信息技術有限公司(簡稱仕虹騰飛）研發團隊于2018年開始，歷經兩年時間，終于研發出了“銀行數字員工系統”。

系統采用端邊云統一調度的設計方案，通過計算機視覺、行為識別技術，將銀行業務系統與視頻監控系統進行融合分析，開發了200+個算法模型，面向銀行的不同業務場景分類，打造了現金督察員、服務質檢員、交易復檢員、廳堂助手4個“數字員工”，其模型平均準確率達95%，為銀行案件預防提供了高效的技術手段，幫助銀行實現全面、實時、事前的監督分析。

銀行數字員工系統圖

目前該系統已經在省級農信社、城商行、法人聯社等5家銀行，200 多個網點成功實現落地和應用。2022年6月，銀行數字員工系統在四川省科技廳授權的第三方機構組織的科技成果評價報告中，獲得了國內領先水平的評價。

據仕虹騰飛的研發經理胡雷介紹，銀行數字員工系統上線后，為銀行的案防管控工作帶來了顯著提升，開拓了銀行智能案防的新模式：

以前銀行幾日才發現問題，現在10 秒鐘內就能生成一條預警信息，1分鐘就可以做出反應處置；以前上百人才能做到全面監控，現在只需兩人就能完成數千路的視頻監控任務；以前抽檢只覆蓋 10% 問題，現在能覆蓋 90% 以上問題，還更準確；以前人看視頻，帶有主觀性，難以發現一些細微漏洞，現在 AI 結合業務后，可以提取更多細節，將違規事件扼殺在搖籃里。

胡雷談到，“我們希望用最新的技術和行業經驗，開發出銀行真正需要的產品。銀行數字員工系統解決了銀行在智能案防領域從無到有的問題。由于系統覆蓋了銀行的監控場景和全流程，做到7×24小時不停機，這種技防輔助人防的方式，徹底改變了銀行內控監督方式，完全能執行銀行主要的監督工作，包括卡把、加鈔、查庫、交易過程、人員違規行為等，有助于全面提升銀行風險防控的能力，推動銀行案件管控走向智能化。”

03

金融專家跨界 AI

借飛槳開發銀行內控系統

胡雷本身經歷比較傳奇，算是金融“半路出家”跨界到 AI 領域的專家。2012年，胡雷從德國柏林工業大學經管類專業畢業后，一開始從事的經濟財務方面工作，可以說“和技術一點關系都沒有”，直到2015年，他在一家跨國公司做 IT 項目經理，因工作需要用到 IT ，他便決定自學計算機前后端、數據庫、服務器技術。2018年底，一次偶然機會，他參加了百度飛槳組織的 AI 快車道活動，接觸到了飛槳，從那時起在飛槳的學習與實訓社區 AI Studio 上進行學習，參加了 50 項課程后開始入門 AI，并迅速成長為 AI 技術專家。

跨行業背景讓胡雷帶領團隊既能迅速捕捉到金融行業痛點，又能提出切實的技術解決方案。回憶其研發歷程，胡雷感慨，每個環節都曾遇到不同程度的挑戰。比如，AI 模型和實際項目預期有差距，如何讓算法模型上線后能獲取更高的檢出率、準確率指標，讓客戶更滿意？如何讓模型在低成本模式下進行復用？如何讓模型更具魯棒性去適應金融業務的不同場景？

當然，更大的挑戰還在于對于仕虹騰飛這樣的小創業團隊來說，似乎并沒有太多精力去開發每一個所需的工具。

仕虹騰飛研發團隊

在多次嘗試對比后，他們看中了飛槳的 PaddleDetection、PaddleVideo 開發套件。作為計算機視覺領域的應用工具，飛槳 PaddleDetection、PaddleVideo 表現優異。在視頻連續幀中，基于連續幀判斷的 PaddleVideo 適合對人員的違規行為進行識別；

而 PaddleDetection 具有豐富的模型和參數，方便調節參數，優化網絡結構以及工程化部署，在靜態幀高精度識別的基礎上支持不同跟蹤算法，切入到不同的復雜業務場景。同時，使用飛槳也符合銀行基礎設施國產化的思路。

這里延伸一個計算機視覺的概念。計算機視覺是一種讓機器代替人眼“看”世界獲得圖像的一種技術。其中目標檢測和視頻識別與定位是計算機視覺領域運用的關鍵技術，飛槳為計算機視覺開發者提供了方便快捷的模型套件。

PaddleDetection 是飛槳提供的端到端目標檢測開發套件，不僅覆蓋了主流的全系列通用目標檢測算法，還覆蓋旋轉框檢測、小目標檢測、實例分割、關鍵點檢測、目標追蹤、行人分析、人臉檢測、車輛分析、運動分析等垂類任務，可以幫助開發者搭建出各種檢測模型，高質量完成各類目標檢測任務；

PaddleVideo 是飛槳開源模型庫 PaddleCV 里提供的視頻識別與定位工具集，能幫助開發者解決動作識別/視頻分類、目標追蹤、視頻-文本學習、視頻分割等方面的模型配置與訓練難題，可廣泛應用到工業、體育、醫療、媒體、安全等諸多領域。

開發過程中，胡雷的研發團隊將好用易用的飛槳套件工具與公司自研的 AI 中樞平臺結合，使得視頻流從攝像頭解碼，到完成圖像預處理、模型推理、邏輯處理等全流程，都能在 GPU 中并行流轉處理，且部分流程處理性能快至毫秒級。

胡雷進一步解釋，傳統安防視頻監控是一個靜態視頻幀所得到的靜態圖像，數字員工系統由于對接銀行的核心業務系統，能統計傳統安防的檢測結果，同時收集多維度信息，形成連續視頻幀；然后，通過自研的規則引擎對環境、動作行為、流程等進行場景化識別檢測，從而推導出檢測目標在辦理業務的屬性，最終將長達幾分鐘的視頻抽象出來，提取相關的時間、身份、環境等結構化的信息，得到是否違規的結果，以供銀行監督人員判斷和決策。

比如，在交易監控場景中，系統上線運行之后，在柜員辦理交易的過程中，系統會根據預先配置的需要監控的交易類型，對滿足條件的交易按設定的模型進行風險探測，監測現場是否有現金、授權人員是否到位、客戶是否在現場、資金快進快出、同一人員到不同網點高頻交易等情況。一旦滿足預警條件，系統就會向平臺實時推送預警信息，監管人員可以通過平臺實時、精準、快捷地調取該筆交易的錄像進行風險確認。

據了解，胡雷加入百度飛槳 AI Studio 社區后，當了成都領航團的團長，2020年參加了百度 AICA 首席 AI 架構師培訓。在與飛槳的更多接觸和溝通中，仕虹騰飛與百度建立了更為密切的合作關系。2021年，仕虹騰飛正式加入飛槳技術合作伙伴計劃。

在飛槳助力下，相信仕虹騰飛憑借自身的研發實力和金融行業的沉淀，將不斷深耕開拓金融科技市場，賦能金融行業智能化升級。