金融领域大模型数据集管理与应用

1. 演讲人：史鑫鑫蚂蚁集团 / 大安全数据研发专家

2. 01 引言与背景 02 智能数据管理 03 CoT思维链数据工厂 04 多模态数据管理与应用 05 业务场景应用案例分享 06 总结与展望

3.

4. 01

5. 人工智能的三架马车结构化非结构化 Transformer A100 图片音频 Vision Transformer H100 Diffusion Transformer H800 视频其他 MoE 数据算法算力

6. 小模型到大模型的变迁小模型策略业务知识大模型专家经验模型 LLM 知识模型 NN CV XGBoost 数据特征用户交易设备 VLLM MoE 业务数据作案手法用户特征交易时间业务知识对手特征支付方式策略设备行为序列法律法规网络 …

7. Data-Centric AI Data(V1) DCAI（Data-Centric AI）是一种大模型研发范式，其以高质量数据集为核心 Data(V2) Data(V3) 迭代大模型的性能。

8. 金融大模型数据交易数据交易方、商品、时间、地点设备数据型号、OS、网络用户数据性别、年龄、常住地业务知识法律法规、作案手法

9. ➢ 业务复杂、数据分散在不同的业务场景、数据看不全、看不清 ➢ 数据存在孤岛、重复使用困难 ➢ 数据存储和计算与大模型训练平台之间链路长、应用效率低 ➢ 在重点业务场景，数据精细化运营困难

10. 02

11. 关键问题 ➢ 看清、看全业务数据 ✓ 以数据集、数据专题的数据管理能力 ➢ 打破数据孤岛，加速数据流通 ✓ 统一数据管理平台 ➢ 提升数据应用效率 ✓ 打通数据应用上下游关键链路，让数据应用走上“高速路” ➢ 标签化管理的精细化数据运营 ✓ 重点业务场景数据，精细化打标，实现数据标签化运营

12. 数据管理体系点数据集交易面样本库专题资金风控资金风控内容风控特征内容风控图/文/音/视 … … 样本湖

13. 数据集 ◆ 看清安全域数据集/样本库/知识库全貌 ① 核心板块：列表页，详情页（简介、详情、下载）； ② 功能列表：数据集注册，编辑，标签级连，预览，权限管理，高敏内容处理，核心数据更新（浏览、下载等），样本量级；全

14. 样本库 ◆ 聚焦核心数据集应用：秒级样本精细化标签体系分析与策略运营，一键对接各业务系统 ① 能力建设：标签体系自定义；样本列表模板化；列表样式模板化；功能标准化（增/删/查/改/接口/上传）；内嵌页模板化；数据回流标准化； ② 深功能列表：样本上传，编辑，标签管理，高敏内容处理，系统对接，帮助文档。

15. 标签化数据管理业务标签 • 性别主体 • 年龄基础标签文本 • Token数 • 语种 • 省份设备 • 型号图片 • 分辨率视频 • 分辨率 • 大小 • 系统版本 • 可信 • 时长 • 金额交易 • 时间 • 双方关系音频 • 码率 • 比特率

16. “0”代码数据管理产品化标签管理业务标签、通用标签应用系统配置线上应用、训练、评测可视化配置展示形式、布局权限管控审计、数据安全

17. 03

18. 设计理念上下文构造数据科学模型评估样本合成模型训练 “飞轮”驱动的数据研发，加速大模型应用落地

19. CoT构建车间流程编排 • 业务数据批量生产任务队列训练样本任务1 样本集1 任务2 样本集2 • 知识库上下文构造 • 专家经验 • 大模型生成思维链生成 • 数据合成任务3 任务调度样本集3 • 基于AI的数据质量评估体系质量管理 … … 任务N 样本集N • 小批量快速验证效果评估 • 数据科学体系

20. 长上下文构造原始样本集业务数据仓库 Q 主体画像 A 行为序列上下文业务数据系统日志角色核心数据场景指令输出格式样本 Target Q Filter 筛选高质量样本业务输入难度过滤器质量过滤器 1 多样性采样器 prompt Model Based Rule Based 指令定义输出定义角色定义场景定义 2 RAG 样本领域知识补齐实体识别检索知识库 3 LLM总结输入样本集名词解释法律法规业务知识业务报告 A Q 上下文角色指令场景核心数据输出格式补充知识样本 Target

21. CoT样本质量管理多样性控制 • 业务场景覆盖全难度分层 • 高逻辑核验格式校验 • 中 • 低 • 思考过程准确性 • 语言一致性 • 格式正确

22. CoT样本构建简单模版复杂模版 ➢ “手搓”CoT进化到自动化、流程化 ➢ 高质量CoT样本构建进入日产十万+，解决业务CoT样本慌的问题 ➢ 样本产出到模型训练进入流程化

23. 04

24. 缓存 • • • • • 表格 JSON CSV Excel 富文本结构化/半结构化数据湖 • • • 长图横图 JPG、PNG、WebP 图片 • • • 长视频短视频 MP4、MOV、AVI、WebM 视频 OSS • • • 长音频、短音频纯音乐单人、多人音频

25. 标签检索业务标签、内容标签数据应用模型训练、评估可视化检索、结构化权限管控数据安全、合规

26. 业务数据 AI预标注质量过滤人工标注数据应用入库特征提取业务系统模型训练 …

27. 05

28. 资金风控场景大模型数据管理欺诈策略1 条件1 策略2 条件2 ... 策略N 条件N 思维链构建主体交易特征设备 … 业务知识切片知识点 RAG

29. 资金风控场景CoT构造案例 ➢ 风险管控策略语义化，将专家经验及业务知识转化为文本内容，制定模型思考框架 ➢ 业务特征语义化，数字化特征语义化，转化为模型可理解的内容，为模型提供关键判断依据

30. 内容风控场景多模态数据管理风险样本模型训练数据服务质量管理数据ETL 标注截帧切片特征提取结构化半结构化书籍合成数据法律法规数据源业务数据开源数据影视作品

31. 06

32. 总结与展望 ➢ 数据管理：从「杂乱无章」到「整齐划一」的提升 ➢ 数据生产革命：从「人工标注」到「AI增强闭环」，从「纯手工」到「工业化」 ➢ 数据质量评估体系：从「准确」到「高质量」 ➢ 数据应用效率：从「天」到「秒」的提升

33. 希望您能收获 ➢ 大模型数据进行数据集、专题、样本库分层数据管理理念 ➢ 标签化数据管理方式为业务带来数据应用带来的效率提升 ➢ AI+的方式提升大模型数据生产效率数据管理体系专题样本库 “ 手搓 ” 数据集数据生产流水线

34.

35. 探索 AI 应用边界 Explore the limits of AI applications