文／鄭宜芬
金融科技盛會「2024 國泰金控技術年會」26 日登場，國泰金控資深副總姚旭杰首度公開「國泰生成式 AI 技術發展框架 – GAIA」，包含 AI 技術、治理與多元應用、數據上雲到服務創新體驗，同時建立「國泰 AI 評測中心」機制與平台。會中並公布 AIaaS（AI 即服務）三大策略，包括整合共識、智能驅動與賦能革新。
姚旭杰表示，國泰以系統性方式全面發展 AI，今年一月份成立金控級「資料暨 AI 治理委員會」，透過跨子公司協作推進集團資料共享及 AI 應用發展。此外，國泰訂定集團 AI 治理規範及管理機制，確保集團以負責任 AI（Responsible AI）為原則，發展 AI 技術開發及金融服務應用。同時建立「國泰 AI 評測中心」機制與平台，提供 AI 系統部署上線所應遵循的評測標準及工具，確保 AI 系統合規，以實踐國泰可信任／負責任 AI。」
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球 CIO 同步獲取精華見解 ]
企業級 AI 模型中心 AIaaS 三大策略
國泰金控數位數據暨科技發展中心副總經理梁明喬解析全球 AI 市場趨勢，包括需要強大算力支持，逾七成企業已採用 AI，創造 9,700 個新崗位，全球 GDP 提升了 15.7 兆美元。金融業面對的挑戰在於，需要深度整合大模型的可解釋性、技術與業務場景；為確保資料品質、隱私及個資版權，平衡AI應用價值與風險管理，以推動可持續發展；另人才缺口、算力需求與資金不足恐阻礙規模化應用，凸顯出合理資源分配的重要性。
面對瞬息萬變的市場，國泰透過 AI 結合雲端發展 AIaaS，包括「AI Ready 整合共識」提升子公司間的策略和技術同步，共識出統一發展框架；「AI Native 智能驅動」將技術嵌入業務運作中，實現金融場景智能化，並適應技術變化帶來的機遇；「AI Empower 賦能革新」注重 AI、雲端技術及思維的提升，推動集團以新技術解決問題的能力，提升市場敏銳度和應對能力。
[ 推薦閱讀：【專訪】國泰金控資深副總姚旭杰 ]
自主研發複合層級護欄技術 GAIA 四大特色
國泰生成式 AI 技術發展框架 – GAIA 共有四大特色。首先，國泰以集團角度出發，建立專屬的金融領域知識庫，整合客戶、產品、通路及市場輿情等資料資產，並將商品條文、規章辦法等金融文檔納入其中，解決生成式 AI 的幻覺問題，提升對話的精確度與深度。
其次，國泰打造領先業界的企業級 AI 模型中心（Model-Hub），集成了開源模型、閉源模型和企業專屬模型，提供靈活的模型選擇與統一管理功能，涵蓋多模態和各種場景。
第三，GAIA 內建了自主研發的複合層級護欄技術，確保 AI 應用在不同場景中的安全與合規。
最後，國泰推動 AI 公民化，賦能員工參與 AI 應用的創新，提升集團在 AI 轉型中的競爭力。
運用巨量資料和 AI 實現個人化服務
在實際應用方面，國泰金控 DDT 暨國泰世華銀行副總經理陳冠學表示，國泰世華銀行 CUBE App，透過類即時架構及雲端服務，存放與即時運算巨量資料；並規劃未來利用 AI 智能貼標、生成式 AI 工具及自動化行銷生態系統，構建個人化新型態經營，為客戶提供量身訂製的金融產品與服務，3 年投入的數位成本增五成，用戶數達 1.7 倍，登入次數 2.2 倍，廣告點擊量大增 9 倍，App 整體收入成長 8 倍。
國泰人壽使用生成式 AI 技術打造「AI Coach智能對練」，模擬客戶互動情境，降低教育訓練成本，並提升業務員面對客戶的應對能力。另外也利用 AI 識別客戶體況風險、推出業界首創 Fintech 產品，並且輔佐現有審查流程，提供審查人員專業決策，整體流程縮短 4.8 天，契約品質上升 37%，體檢異常命中率達 65%，較人工高出一倍。
為應對層出不窮的詐保案件，國泰產險建置異常檢核系統，SNA 關聯網絡結合業務邏輯找出案件潛在資訊，搭配 AI 模型綜觀檢視，量化風險輔助查證。並透過資料模型輔助複雜決策，建構三大駕駛風險辨識模型，包括行車場域辨識、駕駛行為診斷、理賠損失量化，執行細緻化車輛風控。並且雲地框架靈活調配資源、合規串聯行車與保險數據，極大化分析效能。另透過大型語言模型技術理解，自動解析多篇判決重要資訊，整合歷史判決書結果，提供金額建議輔助理賠決策。
[ 推薦閱讀：【專訪】國泰金控數位數據暨科技發展中心副總經理陳維銘 ]
啟動「數據上雲」 金融業首家獲金管會核准
國泰金控自 2020 年起啟動了為期7年的雲端轉型計劃，並於今年 7 月正式獲得主管機關核備數據上雲計畫，成為全台金融業首例。會中也揭示國泰數據上雲的實踐過程，通過湖倉架構升級、事件驅動的資料處理強化資料新鮮度，同時以 AWS 作為雲端技術夥伴，建立雲端 AI 平台提供 AIaaS，能更靈活應對多元資料需求。
截至目前，國泰金控已有 71 套系統完成上雲，目標在 5 年內讓 100 套系統上雲。上雲過程結合原有兩大資料儲存倉儲 Data Warehouse 和 Data Lake 的優勢，打造出雲端湖倉平台，並導入自研發的自動化產生器 Data Pipeline，使得巨量資料上雲時，可統一排程，以及建構 MLOps 架構的雲端AI平台，實現高效的 ALaaS 服務。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
