為提升營運效率與客戶體驗，國泰金控以「生成式AI技術發展框架GAIA」為核心，以及AI即服務（AI as a service, AIaaS）策略，持續探索生成式AI 於金融場景的應用。繼去年分享金融大型語言模型（LLM）的實證成果後，國泰金控於今天（4日）在NVIDIA GTC Taipei再一次發表前瞻概念性驗證研究成果，國泰金控表示，運用開源小型語言模型（SLM）精準進行客戶意圖判斷，有望提升未來落地後的金融服務營運效益。


本次實證係以開源模型作為訓練目標。國泰金控指出，初步驗證結果顯示，在測試條件下，可降低對複雜Prompt Engineering或向量檢索模組的依賴，有助於簡化系統架構、降低後續維運複雜度。此一結果也顯示，若能結合適當的金融場景資料設計與模型微調，將有機會提升模型穩定度、推論效率與應用可控性。並且，經微調後的SLM在客戶意圖判斷任務上，可達到接近主流閉源LLM的表現，可作為企業未來選用AI語言模型進行訓練的參考。

 

在資料治理與隱私保護方面，國泰金控進一步說明，本次概念性驗證採用全合成資料，避免使用真實客戶資料訓練設計，透過相似功能聚類、單意圖與多意圖資料設計、台灣語境優化及關鍵字擴充等方法，強化模型對本地金融服務語境、專有名詞與模糊提問的理解能力。應用情境涵蓋房貸餘額查詢、信用卡繳費、分行服務導引等常見需求，作為未來智慧搜尋與服務分流的技術基礎。

 

國泰金控表示，近年持續推動 AI 於金融場景的創新應用，從內部流程優化、客戶服務體驗、金融知識理解到模型治理，逐步累積可擴展的技術基礎。國泰金控強調，面對金融業高度監管、重視資料安全與服務需求快速變動等產業特性，國泰金控將持續以兼顧合規、安全、穩健的方式推動AI在長文本判斷、金融文件深度理解與跨場景應用等的實證研究，探索符合金融業需求的模型訓練與應用模式，推動智慧金融服務創新。

 

 
Prompt Engineering：指透過設計提示詞與指令，引導AI模型用正確的方式理解問題，並產生答案，可在不重新訓練模型的情況下，提升模型回答品質。

向量檢索模組：指先將文件、功能說明或知識資料，轉換成語意向量，當使用者提出問題時，系統會先搜尋最相似向量再提供給模型作為判斷或回答依據，可幫助模型找到相關知識，提升回答準確度。

全合成資料：指不直接使用真實客戶資料，而是依據實際金融服務情境，設計並生成模擬語料，作為模型訓練基礎，讓模型訓練更符合金融業對資料治理與風險控管的要求。

相似功能聚類：指將容易被使用者混淆、語義相近的服務功能先分成同一群，再針對這些相近功能設計訓練資料，讓模型學會辨別不同意圖之間的細微差異。