加入AI新引擎，華為數據中臺全面智能化升級

　　作者 | 曾響鈴

　　文 | 響鈴說

　　根據IDC 報告，截至2022年中國數據規模已經達到23.88ZB，預計2027年將達到76.6ZB，五年年均增長速度將達到26.3%。在這樣的背景下，如何進一步挖掘數據價值、提高數據應用效率，成為企業們普遍的課題，尤其是金融、央國企客戶需求明顯增強。

　　與此同時，大模型正在深度改變包括金融在內的千行百業，而在那些革命性應用背后，越來越多的人意識到，必須先有一套全面的數據能力體系底座，才能應對大模型時代的海量數據需求。

　　于是，無論從何種角度看，建設數據中臺已經成為數智化的必修課。

　　只是，如何建設?或者說，在已有多年發展的基礎上，數據中臺要如何進一步演化，才能適應包括大模型應用在內的一系列新的業務創新需求?

　　最近召開的華為HC大會2024華為全球智慧金融峰會上，華為聯合伙伴系統呈現了其金融數據智能解決方案5.0。面向銀行業，華為正在探索構建新一代數據中臺，一個能夠讓大模型快速培育、落地，高效創造價值的數據中臺。其中，在數據能力方面，華為宣布在數據底座、治理產線、數據分析三個方面全面升級，加入AI引擎。

　　這次發布，結合華為在金融領域已有的實踐，新一代數據中臺的演化輪廓，也浮出水面。

　　新一代數據中臺，技術動因與業務價值并重

　　知名經濟學家、世界銀行的首席經濟學家保羅·羅默曾在其著作《內生經濟理論》中明確指出，企業數字化轉型需要強調技術動因，但更應該首先強調業務價值。

　　數據中臺的演化同樣如此。

　　以銀行業為代表，企業對數據中臺的期許，已經走向全面驅動各業務流程而非只是在單流程節點上有所貢獻，要基于快速推進場景應用的普遍需求而進行，要能帶來企業整體面貌的革新，前沿技術動因之外，業務價值變得更加重要。

　　也即，新一代數據中臺，并不只是一個交付的技術方案，而是企業各業務流程快速獲取包括大模型在內的數智化能力的“數智基建”。

　　這個“數智基建”，正是華為正在探索與實踐的。

　　目前，在最首要的數據中臺架構設計上，為了保障數據高效流動，快速支撐各類應用系統，華為構建起企業級數據平臺，以打破數據孤島、實現高效數據供給，這其中既包括云—數—智—算全面融合架構，將數智一體化底座、數智研運一體產線和數字化應用南北向貫通，讓應用開發的效率更高;也包括智算融合、數算融合、數智融合和云數融合，大幅提升從訓練到模型上線的速度，做到化繁為簡，全面推進智能化升級。

　　這套體系，成功構建起銀行堅實的數據基礎，同時也讓數據與AI的融合變得更加高效，展現出實時、多維、智能的技術供給能力。

　　比如，架構實現了數據從采集到計算再到應用的全面貫通，做到了數據的實時同步、入湖、加工和展示，在這種情況下，銀行客戶利用到的數據始終可以是“最新”的，而非漫長的處理后滯后的信息數據，確保了決策的敏捷。

　　典型的，在某銀行網點運營中，過去只能開“晨會”基于昨天的數據進行分析判斷，而現在能夠開“夕會”當天的數據當天使用，及時性大大提升。此外，“實時營銷”下更實時的客戶體驗反饋和權益發放，也使得客戶活躍度和資產留存率相比傳統營銷方法提升了164%。

　　這樣的“數智基建”或者說數據中臺，在過去一年，支撐華為及其伙伴與多家金融機構展開深入合作，共同落地了超過100個智能化場景，在企業內部不再只有流程節點的優化，而是覆蓋到零售、對公、金融市場等多個業務領域，讓客戶眾多業務部門都開始積極擁抱大模型。

　　而此次華為進一步進行了數據能力升級，從數據底座、治理產線、數據分析三個層面推動數據中臺更進一步。

　　數據底座層：在必然的復雜需求下，讓數據支撐成為“多面手”

　　企業，尤其是銀行業，在數智化轉型升級過程中，往往存在“既要又要”的客觀需求，這對數據底座提出了巨大的挑戰。

　　華為在數據底座上的升級，最直接呈現的價值，就是讓數據底座成為能力上的“多面手”。

　　在AI引入后，華為以數據底座智能化構建起多模態智慧搜索平臺，升級傳統搜索為向量數據庫，支持高維數據檢索，結合大模型和知識庫還能夠支持辦公和網點助手等業務，最終還在推動著智能RAG的實現(越搜越聰明、越用越聰明，不斷反饋、強化)。

　　這進一步升級了底層數據的存儲和檢索、利用方式。

　　但這還只是華為推動數據中臺在底座這里進化的一個方面。

　　數據底座過去長期存在成本與效率兼顧的問題，在基礎設施的“集約”與“分布”上不斷“拉扯”、取舍，一方面集約化和規�；�能保障最大化的共享、按需提供資源以及降低成本，但是數據底座過于集約化和規�；�，又可能影響到業務側的客戶體驗，需要強化“分布”，既要、又要的矛盾由此產生。

　　而華為成功應對分布式資源池體系等難題，做到了集約與分布的兼存，讓銀行能夠在這個問題上實現“我全都要”。

　　此外，對與數據底座而言，TP(事務處理)和AP(分析處理)是兩種不同的處理類型，而它們又都對應到銀行必然的場景和需求(前者對應日常業務操作，如訂單、客戶管理;后者對應具體的數據分析和決策，如市場分析和業務報告)，然而，這二者對數據底座的需求又不盡相同，前者需要高并發性和快速響應時間，后者則需要處理大量歷史數據，進行復雜的查詢和分析。

　　于是，新的“既要又要”矛盾又產生了。

　　在華為一系列技術創新下，其方案中的數據底座實現了面向TP+AP的能力統一，既有高并發應對能力，也能響應大量數據查詢分析需求，朝著“只要業務線想要的，都能滿足”的方向進行探索與實踐。

　　數據產線層：深入挖掘數據潛力，給數據價值戴上“放大器”

　　數據產線層的意義從大模型的發展可見一斑：越來越多的機構認為，在數量規模之外，數據的質量越來越決定大模型的創新的效率和效果，而數據質量的提升必須依托于更好的數據產線能力。

　　華為通過AI融入，推動智能數據治理的實現，以AI賦能來提升數據開發效率，除了數據質量，更在數據資產、數據規范、數據服務等方面進行提升，推動便捷用數的實現。

　　其中，由于銀行等企業、機構當下的“數據儲備”以及新增加數據中往往存在大量非結構化、多模態(圖片、文字、聲音、影視等)數據，因此華為還將數據產線層的數據資產運營能力延伸至生態化和全結構多模態化，幫助客戶實現全量全要素的數據資產可感知、可獲得、可控制。

　　由此，數據中臺的核心要義也進一步展現出來——數據還是那些數據，越是良好的產線治理，越能讓這些同樣的數據的價值通過中臺式共享實現放大，支撐到更全面的業務。

　　在這樣的背景下，華為推動了跨租戶、跨組織、跨部門、跨業務條線的高質量數據共享，實現了包括數據模型、數據指標、數據資產、應用服務、分析服務、AI服務在內的服務共享，全面支撐銀行客戶通過數據驅動來創造價值。

　　例如，某股份制銀行構建了統一的數據服務平臺和數據服務門戶，行內月活用戶數超過6萬，員工用數滲透率超過55%，其中業務部門用戶數占比97%，全面支撐各類業務，基本上做到了人人用數。

　　而一個優質的數據產線層的價值還遠不止于此。

　　銀行業面臨紛繁復雜的信息，這些信息數據之間有千絲萬縷的聯系，背后潛藏著大量商業機會，只看銀行是否有能力去實現有效的聯系構建，最終挖掘到商業機會。

　　華為聯合伙伴打造的數據產線除了實現了數據服務能力的高度敏捷化，還能夠實現語義化可推理的主動元數據圖譜、智能化的數據編織。多維下的數據跨界融合，知識圖譜的不斷豐富、打磨，讓數據中臺對業務的支撐獲得了質變。

　　例如，一家大型銀行通過構建手機CRM系統，實現了從傳統陌拜到精準獲客和持續經營的轉變，能夠做到地圖查新企業、營銷策略推薦、產品展示和業務指導等，在移動端就可完成談判決策支持、客戶信息采集、流程跟蹤和風險分析等全流程管理。

　　與此類似，某城商行通過融合多方數據形成知識圖譜，實現了對公營銷數字化，服務于智慧園區信貸和結算用戶拓客，此外，還利用圖技術挖掘潛在客戶實現數字化營銷、探索小微金融服務新模式。

　　它們背后都是華為的多維分析方案，支持億級數據的毫秒級響應和百億級數據的多區域部署，除了數據底座支撐、云—數—智—算融合架構，數據產線層的創新同樣功不可沒。

　　數據應用層：好用、可用、樂用，打開數據消費的“加速閥”

　　上文提到某股份制銀行在華為協同下實現了人人用數，這是數據底座、數據產線創新的綜合結果，但是，在最終促進行內用戶去使用場景應用的“最后一公里”，還需要數據應用層的創新努力。

　　只有真正用起來，數據消費“旺盛”了，才能繁榮數據服務的生態，尤其是實現數據“越用越多”的價值閉環(業務的發展帶來更大規模、更多種類數據)，讓數據中臺的價值在持續運營中其價值將隨著時間的推移將呈指數級增長。

　　因此，可以看到華為還在推動數據消費能力可組合、范式化，構建智能化用數賦智模式與工具體系，快速適配業務變化，讓更多數據使用者能隨時隨地獲取到可靠的數據。

　　在一個數據智能的時代，這樣的數據中臺實踐，正在幫助銀行實現數智融合。無處不在的數據、無處不在的智能，沒有門檻的應用，加速的數據消費與數據資產沉淀，一個良性循環基于新一代數據中臺的實踐在逐步實現。

　　在具體的做法上，華為于數據應用層全面融入AI引擎，推動智能數據分析，用AI來推動數據分析的可視化和自動化，實現諸如歸因分析等數據智能高階能力，讓數據分析好用(NL查數、NL分析，數據分析的可視化和自動化，極低應用門檻)、可用(高準確性)、樂用(AI輔助進行智能數據分析，可不斷探索、挖掘數據價值)。

　　在未來，更多的銀行在數據應用上會變得更簡單。例如，歸因分析下，當普通業務員或者管理者發現最近理財業務業績下降了，或許只需要向某個數智化應用，采用自然語言的方式問詢，比如“為什么最近片區的理財業績下降了”，應用就可以基于數據中臺能力自動生成一套分析報告。

　　這樣的數據應用，才是數據中臺未來要追求的。

　　結語

　　華為通過AI融合，在數據底座、數據產線和數據應用三個層面都進行了大量創新與推進，探索和實踐了新一代數據中臺。而除此之外，在銀行業對數據的安全性十分敏感的當下，華為還進行了完善的數據安全管控體系建設，采用總控與穿透式多方權責體系及治理機制，做到不缺位不越位。

　　典型如金融級數據權限控制，個人只能查詢到個人數據、機構管理者只能查看自己機構及下屬數據、零售人員只能看到零售相關主題和字段、管理者可以看到全局所有字段等。

　　總的看來，在一系列創新下，數據中臺在真正改變企業而非僅僅改變業務，華為正在推動銀行客戶從“+AI賦能”走向“AI+產能”，讓大模型深入融合到企業稟賦當中，無處不在、無時不有，以AI+應用、AI+終端、AI+業務三個維度推進智能銀行的真正實現，讓銀行客戶贏在數智化時代。