数字化转型时代的金融知识图谱建设方法论和实践分析

如果无法正常显示，请先停止浏览器的去广告插件。

2. 数字化转型在金融科技层面，究竟会发生什么样的变化，这是金融科技部门开展数字化转型的第零步。信息化转型使用模式专线支持的网点、ATM、POS机等客户场景人员思维项目经理思维，架构师思维产品形态以金融机构为视角的专业化产品开发模式基于完整需求进行瀑布式开发合作模式业务部门定义产品，科技部门实现产品团队组织技术平台数据架构应用架构开发运维管理工具自动化程度数字化转型互联网生态及自有App的用户场景产品思维、数据思维以客户体验为核心的生态化产品基于体验点进行敏捷开发业务部门和科技部门共同定义产品由项目经理、架构师、领域开发人员组成的开发中心、测试中心和数据中心包含项目经理、产品经理、全栈开发组成的两个比萨团队自建，私有云自建+租用，私有云+公有云大数据数据湖 MVC/三层现代化应用开发工具、运维工具实现“人管机器”的技术自动化 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. DevOps、AIOps 业务自动化 2

5. 那么，如何建设一个知识图谱呢？AWS金融行业的知识图谱Big Lab动手实验计划，赋能金融机构自行搭建知识图谱，实现定制化需求。金融机构数字化转型文化思维架构管理技能提倡Go_Build 文化赋能产品经理思维实践混合云联邦架构优化“自研” 模式强化 AI能力 AWS 知识图谱 AI Lab • • • 5天的动手实验室，实现从数据采集到智能问答赋能客户自己实现完整过程 Lab涉及产品包括：引领 AWS实现定制化需求 Partner实现通用需求 Sagemaker平台试点互联网创新应用积累数据基石验证 Neptune图数据库积累模型 S3存储拉动 APN Partner 合作伙伴知识图谱产品 DevOps Datalake 知识图谱 AI工程 AWS其它方案 AWS FSI解决方案 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. 5

6. 金融机构的员工将在AWS和合作伙伴的资深架构师引导下，通过5天时间，在AWS办公环境内，结合自顶向下和自底向上的方法，完成从数据准备到知识展现的端到端开发。主要工作项 P1. 数据准备 P2. 数据转换及知识抽取 P3. 知识融合 download_pdf_and_ extract_to_plain.ipynb P4. 知识处理 P5. 知识展现 CloudFormation data_cleaning_and_ owl_file_generation.ipynb 专家经验 structured_data _cleaning_and_owl _file_generation.ipynb Sagemaker Notebook Data OWL Metaphactory upload_data_ to_neptune.ipynb OWL CLI S3 Neptune smart_query_o n_the_domain_ question.ipynb Code CodeCommit S3 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. CodeCommit 1. AWS基础环境配置 2. 互联网数据拉取 3. 互联网PDF非结构化数据OCR 结构化处理 4. 基于专家经验的互联网结构化数据清洗 5. 互联网OCR结构化数据Tika AI Model开发 6. 基于专家经验及模型的Jiagu 三元组生成 7. 客户提供的结构化数据OWL转换 8. CSV/OWL加载 9. 图可视化工具部署及展现 10. 图搜索语意理解 11. SPARQL/Gremlin编程 12. 智能搜索开发

7. 比如，在知识融合环节，知识图谱将根据数据来源的不同，针对行内结构化数据采取E-R 关系方式提升数据转换效率；针对互联网数据，采取属性图模型方式提高数据可解读性。 E-R关系 RDF三元组图模型（实体关系图） © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. 属性图模型（实体关系图）事件图模型（增加时空，溯源维度）

8. 为此，金融机构需要准备人员、数据和AWS海外账号。 • 人员技能要求：  至少3* Python开发工程师，都了解Numpy等数据处理模块和Tensorflow AI框架的基本设计和操作，了解AWS平台的简单使用。其中  有1名侧重金融行业专家经验，了解金融市场相关知识；  1名侧重SparQL，了解图数据库操作；  1名了解爬虫操作； • 数据：  提供1-10G结构化金融市场相关数据（CSV格式） • 技术环境：  已开通或者拟开通AWS海外区账号  提升Sagemaker Notebook 并发和总数为4的软限制 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.

9. 2019年9月份，7家银行共派出36人，在北京参加5天的Big Lab，获得丰富的成果。业务场景识图四大行之一行某大型全国性商行业银金融机构名称业银行业银某区域性城商行某区域性城商行某区域性城商行业务场租房价格某大型全国性商某大型全国性商某银行Big Lab交付成果知联具体进预测链营销景风险传风诈户验优挖掘公司数据中的关信息，行式和播建模对贷联基于控的反欺用体化较识图谱传统库户为别公款关关系分析销银户产户进识图谱户为比基于知和关系型数据户产间在用高危行分析建模的区根据直用团行客信息、交易信息行知业建模，分析客交易行，探索客业户品信息及客间风险对户贷与品之的关系防范集母子企客之相互担保某银行Big Lab交付成果 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. ，降低担保企信用下降被担保客款的影响某银行Big Lab交付成果某银行Big Lab交付成果

10. 而更早之前，国内某银行已完成知识图谱Lab工作。这家银行前期在AW S帮助，获得监管部门的高度认可。在我行XXXX课题获得2018年银保监会一类成果奖后。下一步，我行将以自研“ 知识引擎” 的方式，加大金融知识相关的大数据平台的建设和推广以获得更大效益；同时，为我行加强架构师思维、数字化思维并提升人员动手能力提供更多机会。内部业务员工内部科技员工外包员工（研发等）厅堂派遣员工 XXX客户网点客户 XXX客户网点智能机器人 XX呼叫中心 XX网银移动办公APP XX内网风控主题金融知识主题 XX内网技术知识主题业务知识主题智能机器人后台业务知识主题金融知识主题智能应答后台客服主题用户授权内容控制组件 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. 用户授权知识引擎内容控制组件

12. Lab后，这家银行将搭建联邦架构，以AWS互联网技术平台为辅、以自建数据中心为主的建设模式，实现企业财务异常分析、企业涉诉风险预警、理财产品问答系统、银行监管职能检测等四个场景，在节约成本的同时，提高敏捷开发能力。 XX银行自建数据中心第三方软件 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.

13. 通过联邦架构，这家银行将逐步完善如下知识体系：青岛银行知识体系外部知识竞争对手知识包括竞争对手的优势、市场份额、发展前景等。合作者知识科技成果库记录银行持股和被持股企业以及供应商的全面知识。 1、与本行所拥有的金融产品相关的知识和科技成果； 2、外部专家知识。内部知识政策跟踪及时跟踪人民银行、银保监会等监管机构下发的规章制度，以及影响本行战略发展决策的本地及全国宏观政策和法律法规。 © 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved. 同业借鉴收录其他银行成功的经营策略和经验。知识产权员工知识银行员工所拥有的显性银行的产品创新、技术创新、知识和隐性管理创新所产生知识资本。的专利、商标、商业秘密、版权、软件和设计等知识产权。客户知识记录银行客户的全面信息资料，包括各项营收业务涉及的客户资料。银行家记录本行高管人员知识构成特点、专长领域以及突出贡献等资料。企业文化制度流程全面、规范记录银行的包括银行规章制度和价值标准、经营业务流程。理念、哲学思想、精神追求、行为准则、道德规范、文化传统和企业形象等。金融产品以目录形式展示银行的各种金融产品，全面的业务数据，包括各类业务明细和业务指标。