前言1.人工智能大模型技術概述前言1.人工智能大模型技術概述78人工智能大模型技術概念解析 8人工智能大模型技術典型特征 9突出的“涌現(xiàn)”能力 9統(tǒng)一的Prompt交互 9高擴展性的應用框架 9高成本的訓練和推理過程 人工智能大模型技術發(fā)展歷程及現(xiàn)狀 11預訓練語言模型 大模型家譜 國產大模型 財務領域大模型 人工智能大模型技術發(fā)展趨勢 14

15 15 15

16 162.1人工智能大模型技術整體體系架構 172.1人工智能大模型技術整體體系架構 173.人工智能大模型技術賦能財務概述2.2人工智能大模型技術分類 1922人工智能大模型技術賦能財務總體情況（1）人工智能大模型賦能財務發(fā)展前景

22 22（2）人工智能大模型在財務領域的應用分析 23

25 28 29 34.人工智能大模型技術賦能財務應用31人工智能大模型技術賦能家用電器制造行業(yè)A集團財務應用 314.人工智能大模型技術賦能財務應用31總體情況 需求背景 發(fā)展現(xiàn)狀 典型案例 案例背景 33財務中臺智能客服項目定位 33財務中臺GPT平臺框架 34財務大模型在智能客服場景的落地 36智能客服建設成果 37應用場景 38生成式智能客服 38非結構化附件的智能審核 38生成式財務分析 39生成式管報 40人工智能大模型技術賦能B公司財務應用 40總體情況 需求背景 發(fā)展現(xiàn)狀 典型案例 智能財務平臺業(yè)務架構 42企業(yè)大模型應用架構 43企業(yè)智能助手 45應用場景 47智能審單機器人 47智能交單 49智能財務制度助手 49智能財務數(shù)據分析助手 51人工智能大模型技術賦能C銀行財務應用 53總體情況 （1）需求背景 4（2）發(fā)展現(xiàn)狀典型案例（1）建設思路（2）建設框架（3）技術突破應用場景

54 54 54 55 56 57（1）（2）（3）

57 59 60人工智能大模型技術賦能D汽車企業(yè)財務應用 61總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應用場景（1）智能采集（2）智能審核（3）智能月結（4）智能風控（5）經營分析

61 61 62 62 64 64 69 72 79 85人工智能大模型技術賦能E大型基礎設施綜合服務商財務應用 89總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應用場景（1）智能差旅（2）智能審核

89 89 89 90 92 92 93（3）智能融資決策 95人工智能大模型技術賦能F醫(yī)藥行業(yè)財務應用 96總體情況（1）需求背景

96 96（2）發(fā)展現(xiàn)狀 97典型案例 97應用場景 99合規(guī)性監(jiān)控應用 99智能財務客服的應用 101人工智能大模型技術賦能G大學財務應用 103總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例

103 103 103 104模型與知識服務 105智能財務能力組件 106財務智能體（AIAgents/數(shù)字會計/智能助理） 107（4）（5）

108 108應用場景 109（1）智能財務助理 109（2）智能填報（3）智能稽核

111 116人工智能大模型技術賦能H投資集團財務應用 118總體情況（1）需求背景（2）發(fā)展現(xiàn)狀典型案例應用場景

118 118 119 119 122（1）（2）

122 123司庫管理與虛假貿易識別 124決算分析與填報助手 1245.人工智能大模型財務應用局限性和關注問題127工程風險評價與合規(guī)管理 1255.人工智能大模型財務應用局限性和關注問題1275.1人工智能大模型技術財務應用局限性6 5.2

127 127前 言20239重要性的概念，并要求“積極培育新能源、新材料、先進制造、電子信息等戰(zhàn)略性新興產業(yè)，積極培育未來產業(yè)，加快形成新質生產力，增強發(fā)展新動能”。人工智能是適應全球經濟創(chuàng)新發(fā)展的新質態(tài)生產力，習近平總書記強調指出：“加快發(fā)展新一代人工智能是我們贏得全球科技競爭主動權的重要戰(zhàn)略抓手，是推動我國科技跨越發(fā)展、產業(yè)優(yōu)化升級、生產力整體躍升的（會計）數(shù)字化轉型的重要作用，實現(xiàn)財務管理工作的高質量發(fā)展。2022ChatGPTGoogleansormr架構的神經網絡模型，奠定了大模型預訓練算法架構的基礎。2022OpenAI公司發(fā)布的ChatGPT是通用人機對話系統(tǒng)，是一個大型的語言模型和一款具有較高智能的多語言聊天機器TransformerGPT（GenerativePre-trainedTransformer，生成式預訓練語言模型）模型及人類反饋的強化學習（RLHF）進行精調的策略下取得了巨大的成功。雖然真正意義上的人工智能大模型發(fā)展歷史并不長，但對人類社會的影響產生了積極作用。財務作為服務經濟發(fā)展的重要組成部分，也將受到人工智能大模型的影響。目前，我國企事業(yè)單位已將光學字符識別、自然語言處理、語音識別、機器人流程自動化、專家系統(tǒng)、規(guī)則引擎、領域的應用開花結果?；诖?，我們編寫了《人工智能大模型技術財務應用藍皮書》，通過大模型的技術概念、典型特征、技術架構、財務應用基本框架、財務典型案例、財務應用場景等人工智能大模型技術概述人工智能大模型技術概念解析人工智能ArtificalnellieeI）是約翰·麥卡錫等人在1956深度學習（DeepLearning）作為機器學習（MachineLearning）的一個重要分支，基于人工神經網絡（ANN）進行建模，通過模擬人腦神經元的連接和工作方式，使計算機能夠像人一樣學習和理解數(shù)據。深度學習技術的核心在于其深度神經網絡結構，這些網絡通常由多個層次組成，每一層都能夠從輸入數(shù)據中提取出更高級別的特征。隨著層次的加深，網絡能夠學習到越來越復雜和抽象的特征，隨著層數(shù)加深以及維度加大，逐漸形成大規(guī)模參數(shù)的模型（廣義的大模型），從而實現(xiàn)對數(shù)據的更深入理解。機器為了深入理解和有效掌握語言，采用構建語言模型的方法來進行語言的表征和建模。早期的語言模型是通過手工編寫的規(guī)則和語法結構來解析和生成語言，隨著統(tǒng)計學的發(fā)展，統(tǒng)計語言模型（StatisticalLanguageModels）基本思想是基于馬爾可夫假設構建單詞預測模型，例如，基于最近上下文預測下一個單詞，為了減少計算，通常上下文取nn-gram為了提升語言模型的上下文理解能力，深度學習技術與語言模型進行結合產生了神經網絡語言模型（NeualNtworkLanguage長短期記憶網絡（LSTM）和門控循環(huán)單元（GRU）RNNRNN好地處理長序列數(shù)據。nsormer預訓練語言模型（PtainedLaguaeodels,PLMs）是一種通過在大規(guī)模語料庫上進行無監(jiān)督預訓練的語言建模方法，旨在學習語言的通用表示。模型通過捕捉語言的統(tǒng)計規(guī)律和結構信息，為自然語言處理（NLP）任務提供了強大的基礎。在預訓練完成后，PLMs（fine-tuning）的方式，針對特定任務如機器翻譯、文本分類、情感分析等進Bert近年來，隨著計算能力的飛速增強和大規(guī)模數(shù)據訓練模型技術的崛起，生成式大語言模型（LeLanguaeModels,LLMs）以ChatGPT為代表，開始嶄露頭角。這些模型通過擴大預訓練語言模型的規(guī)模和訓練數(shù)據的范圍，能夠學習到更加復雜和精細的語言表示，進而展現(xiàn)出令人矚目的語言生成和理解能力。LLMs人工智能大模型技術典型特征大模型達到一定規(guī)模后，會涌現(xiàn)出傳統(tǒng)語言模型以及中小規(guī)模預訓練語言模型所不具備的特殊能力，使大模型在使用界面、應用開發(fā)方式、模型構建過程和工程要求上也有深刻的變化。突出的“涌現(xiàn)”能力10大模型在自然語言處理（NLP）領域取得了突破性進展，例如數(shù)學問題解答、邏輯推理和多步推理等任務，主要體現(xiàn)在：上下文學習（In-ontlarning）：大模型能夠通過提供的自然語言指令或者提示語（pomt）中的個別任務示例引導，在沒有額外訓練和參數(shù)更新的情況下，生成與指令或示例相符的期望輸出。例如，3BG-3指令遵循（Intrutionollwing）：通過使用自然語言描述的多任務數(shù)據集進行指令微調（intrutiontunng），68B在未見過的多任務評估基準測試中顯著優(yōu)于未調整的模型，8B（Step-by-step（如數(shù)學問題時通常很困難。（chain-houghtC）提示機制來得出最終答案。這種能力通過在代碼上進行訓練而獲得，盡管這一點還需進一步研究來驗證，而逐步推理能力是使用大模型進行復雜任務規(guī)劃、流程拆解的基礎。Prompt大模型深刻改變了人們使用IAI（Prompt）交互方式，使得應用調用更為簡單，只要掌握了提示語技巧，用戶也可以在各種任務中直接使用。統(tǒng)一的Prompt交互使得基于大模型的應用能夠形成統(tǒng)一的“Copilot”型交互界面，便于標準化和形成用戶習慣。提示語設計需要考慮任務需求、期望輸出以及對模型能力的激發(fā)，除了角色、任務和指令定義說明之外，在復雜任務求解中，為了引導大模型進行上下文學習和逐步推理、多路徑推理、多答案評估、自我評估、流程拆解和串接等，還有各（ChainofThought）ofThought）（Self-Consistency）、反思（Reflection）、專家提示（ExpertPrompting）、鏈（Chains）、軌道（Rails）等，此外，自動提示工程（APE）還可以通過大模型自身來生成提示語、評分和迭代，遞歸的使用大模型來創(chuàng)建高質量的提示語，提升模型輸出質量。高擴展性的應用框架API規(guī)劃和執(zhí)行能力的自主智能體（Agent）AgentAPI檢索增強生成（Retrieval-AugmentedGeneration，RAG）：RAG系統(tǒng)結合了信息檢索和大模型生成的能力，通過從外部知識源（如搜索引擎或知識圖譜）檢索相關信息，并將這些信息與輸入提示結合，以生成更準確和豐富的回答。RAG能夠擴展大模型的已有知識，并使大模型獲得對外部長信息的處理能力。為了更好地利用RAG，研究者們還開發(fā)了RAG-awareFLARE（Forward-lookingActiveRetrievalAugmentedGeneration）。FLARE規(guī)劃和執(zhí)行（Planandecue，P&E）：P&E是復雜任務多步執(zhí)行的基本方案，以機器人流程自動化（obticpoessauomtion，RA）場景為例，P&ERA報表處理、自動化測試等包含大量重復性步驟的任務。如果規(guī)劃中有未知步驟依賴于前導步驟的執(zhí)行結果，那么需要一邊大模型智能體（LLM-Agent）：AgentRAG、P&E（如APIs）的能力綜合，能夠感知環(huán)境、做出決策并執(zhí)行任務。大模型通過外部工具來擴展其功能，這些工具可以是信息檢APIAetAPIToolformerTool-awareART（AutomaticMulti-stepasonngandol-use）APIOO（ReasoningwithoutObservation）and和DERA（Dialog-EnabledResolving等提示技術，使大模型能夠在沒有直接觀察的情況下推理，生成可執(zhí)行的步驟，以及在對話中解決問題。綜上所述，大模型應用框架涉及提示設計、外部知識整合、工具使用和智能體構建等多個層面，這是一個具有廣泛適用性和高度可擴展性的應用框架，不同層面的優(yōu)化和整合，共同提升了大模型的實用性和智能化水平。高成本的訓練和推理過程相比小規(guī)模的語言模型，大模型巨大的參數(shù)量對訓練語料的數(shù)量和質量都有更高的要求，訓練流程更為復雜，訓練周期更長，對算力的要求也遠高出小規(guī)模語言模型。大模型的訓練過程包括語料收集和預處理、模型預訓練、微調等階段。語料處理：大模型的能力很大程度上依賴于預訓練語料庫的規(guī)模、質量和預處理方式。預訓練語料庫包括通用語料和專業(yè)語料，前者包括網頁、書籍、對話文本等，后者如多語言文本、代碼、專業(yè)領域的數(shù)據和文本等，賦予大模型通用的語言能力和泛化能力，以及專業(yè)知識。語料預處理需要去除語料中的噪聲（錯誤、冗余、無關內容如廣告、重復內容、格式錯誤、異常值等）以及隱私、敏感、有害內容，并平衡各類語料的分布以增強模型的多樣性，最后是切詞處理，將語料轉換成可訓練的格式。預訓練（Peaining）：預訓練之前要確定模型的架構（anrmer如正則化、位置編碼、激活函數(shù)、注意力和偏置等，模型的規(guī)模配置如層數(shù)和各層單元數(shù)等）、預訓練的具體任務（如語(MOE)）、訓練過程中的優(yōu)化參數(shù)配置（Bch)、學習率、訓練精度等）、并行訓練（如數(shù)據并行、流水線并行、張量并行）與加速、穩(wěn)定性控制等（如定期檢查點）。預訓練過程可以分成多個階段，每個階段在已有檢查點的基礎上，調整優(yōu)化參數(shù)的配置、預訓練語料的構成乃至預訓練任務之后進行繼續(xù)訓練。微調（Fine-Tuning）：微調將預訓練后的大模型（基礎模型，具備通用的語言能力）適配到目標任務上，這通常需要在有標注的語料集上進行訓練。微調包括指令微調和對齊，前者使用針對目標任務所構建的指令格式的語料集（典型的如問答對）來繼續(xù)訓練基礎模型，旨在增強（或解鎖）基礎模型在目標任務上的能力，如監(jiān)督微調（SupervisedFine-unig）、多任務微調等；后者旨在使用經過人類反饋校準的語料將模型的行為與人的價值觀、偏好對齊，如基于人類反饋強化學習（einoementarningfomHumaneedack，RLHF）DPO（直接偏序優(yōu)化，DietPeeeneOtiition）等。此外，在具體應用場景下還可以針對特定目標進行高效微調，如適配器微調（Adaerunig）、前綴微調（PrefixTuning）、提示微調（PromptTuning）和低秩適配（LoRA）等，它們通過在大模型中新增一些額外參數(shù)進行訓練，并不改動大模型原有參數(shù)來將大模型適配到特定目標上。大模型的推理過程（主要是解碼過程，即把用戶輸入從大模型中的內部表示逐字生成出最終的文本輸出的過程）同樣是成本較高的。在不同任務中為了平衡準確性、多樣性和生成速度，在解碼策略上也有多種考慮，如貪心搜索（GreedySearch，速度較快但可能損失連貫性）、束搜索（BeamSearch，連貫性好但速度慢）Sampling、（訓練預訓練、微調以及解碼策略等多個層面。巨大的算力消耗和對數(shù)據質量、訓練技巧的敏感性，使得預訓練功能強大的大模在將大模型與人類的價值觀和偏好對齊、減少幻覺和安全風險的問題上也存在很大的挑戰(zhàn)，這也加大了在實際應用中二次微調大模型的風險，使得提示詞（Prompt）成為當前大模型使用的主要途徑。人工智能大模型技術發(fā)展歷程及現(xiàn)狀大模型本質上是對人類語言系統(tǒng)的一種人工智能建模技術，通過學習和融合巨量的自然語言、圖像、代碼等多種模態(tài)數(shù)據，已呈現(xiàn)出接近甚至超越人類的認知、計算和推理能力，摘得了人工智能領域的圣杯—能夠順利通過由計算機科學的先驅艾倫·麥席森·1950（GenealArtificalIntelligence,GAI）的早期形態(tài)。大模型技術的發(fā)展歷程是自然語言處理、神經網絡模型與加速計算技術深度融合和發(fā)展的產物。早期的自然語言處理分為規(guī)則學派和統(tǒng)計學派，前者試圖通過建構系統(tǒng)的形式語言理論體系對自然語言建模，典型的代表是喬姆斯基范式；后202020GeoffHion1986LanguageModel，SLM）、神經網絡語言模型（NeuralLanguageModel，NLM）、預訓練語言模型（PretrainLanguageModel，PLM）和大模型（LargeLanguageModel，LLM）。大模型四個階段的語言模型都屬于概率語言模型，將自然語言視為有先后順序的序列數(shù)據，其主要區(qū)別在于文本特征的表示方法以及語言序列概率的計算方法。統(tǒng)計語言模型以字符或詞組為基本語言要素，主要使用最大似然估計方法基于共現(xiàn)頻次計算語言基本要素共同出現(xiàn)的條件概率；神經網絡語言模型、預訓練語言模型及大模型則使用稠密向量表示文本語義，并使用深度神經網絡結構學習自然語言的內在語義表達邏輯。因此，神經網絡語言模型、預訓練語言模型以及大模型可以認為是同一技術路線的不同發(fā)展階段，三者之間有著更加緊密和連續(xù)的關系，主要體現(xiàn)在從預訓練語言模型相比神經網絡語言模型的進展、大模型相比預訓練模型的進展、國內大模型以及財務領域大模型應用發(fā)展現(xiàn)狀四個方面。預訓練語言模型GeoffHinonosuaBengio器翻譯等文本處理任務。Molov2013wod2vec（詞嵌入）表示文本語義特征的表示學習研究的大幕。之后，循環(huán)神經網絡、卷積神經網絡以及自編碼器等神經網絡結構被廣泛應用于神經網絡語言模型。值得注意的是，OpenAI促使神經網絡語言模型向預訓練模型演進的另外一個里程碑式成果是2017年由谷歌學者asani等人提出的ansormerGPU2018BERTGPT編碼器模型只包含編碼器網絡。模型最初是為語言理解任務開發(fā)的，如文本分類，其中模型需要為輸入文本預測一個EToBEa、XNtBET入文本轉換為嵌入向量序列；編碼器模塊，將嵌入向量轉換為上下文表示向量；全連接模塊，將表示向量（在最后一層）轉換為獨熱向量。BERT使用兩個目標進行預訓練：掩蔽語言建模（MLM）和下一句預測。預訓練的BERT模型可以通過添加分類器層進行微調，適用于許多語言理解任務，從文本分類、問答到語言推理，取得了當時最領先的水平。OpenIGTGT為生成任務。-1別性微調，在多種自然語言任務上獲得領先表現(xiàn)。G-2了取得了在自然語言處理任務上的效果提升之外，其最大的收獲是經驗性的證明通過同時擴大模型參數(shù)和提升訓練數(shù)據的ChatGPT編碼器——解碼器模型旨在訓練統(tǒng)一的模型用于各類自然語言理解和生成任務，典型代表T5和BART等。這類方法的基本思想是序列到序列的建模，實驗數(shù)據證明和前兩類預訓練模型項目，但編碼器——解碼器模型并沒有十分顯著的優(yōu)勢。大模型家譜在全球范圍內主流大模型按其技術開放度可以分為兩類：GPT系列模型代表的閉源大模型和LLaMa系列模型代表的開源大模型，如圖1-1所示。GPT3GPT3text-davincicode-davinciGPT3.5TurboCODEXInstructGPTWebGPTWizardLMWizardLMLongGorillaVigogneKoalaVicunaGiraffeGuanacoMistralStableBeluga2CodeLLaMABaizeLLaMA家族Alpaca GPT2GPT1GPT2GPT1GPT4GPT家族GPT4VisionGPT4TurboG-1G-2G-3OpenAI202211G-31750理解和推理的上下文學習能力。20233CODEXG-3WebGTLLaMAMaLaaLLaMa-2，參數(shù)規(guī)模從70650LLaMaGPT國產大模型OpeAIT20232不斷有新的國產大模型面世。根據《生成式人工智能服務管理暫行辦法》，國內大模型的提供商業(yè)服務前需要完成備案。202382023440國產大模型的核心方向是垂直行業(yè)的落地和應用，也即應用導向，注重產業(yè)生態(tài)建設。國產大模型的閉源代表是百度的文心系列大模型，其研發(fā)緊密跟隨OpenAI在產業(yè)應用方面，除了智能客服、智能寫作等場景，國產大模型還在財務、醫(yī)療、金融、教育等垂直領域持續(xù)發(fā)力，大模型的產業(yè)生態(tài)處于逐漸構建的過程中。財務領域大模型財務作為企業(yè)運營的核心環(huán)節(jié)，對于數(shù)據處理、分析、預測等方面的需求尤為迫切，國產企業(yè)服務大模型的興起，為財務領域的智能化轉型提供了新的契機。財務領域對大模型的需求包括數(shù)據處理、智能分析與預測、自然語言交互和合規(guī)風險控制等多個方面。數(shù)據處理能力的提升大模型具備強大的數(shù)據處理能力，能夠快速、準確地處理海量數(shù)據，為財務決策提供有力支持。智能化分析與預測財務決策需要基于對歷史數(shù)據的深入分析和對未來趨勢的準確預測。大模型通過深度學習等技術，能夠挖掘數(shù)據中的潛在規(guī)律，為企業(yè)提供智能化的分析和預測服務，幫助企業(yè)在復雜多變的市場環(huán)境中把握機遇、規(guī)避風險。自然語言處理與交互財務工作涉及大量的文檔處理和信息交流。大模型具備自然語言處理能力，能夠理解并解析財務文檔中的信息，同時與企業(yè)財務人員進行自然流暢的交互，提高工作效率和準確性。合規(guī)性與風險控制財務工作對合規(guī)性和風險控制的要求極高。大模型通過內置合規(guī)規(guī)則和風險控制模型，能夠幫助企業(yè)在遵循相關法律法規(guī)的前提下，有效識別和控制財務風險。目前，國內外眾多科技企業(yè)紛紛布局財務領域的大模型市場，國內財務服務領域的科技企業(yè)也相繼發(fā)布了企業(yè)服務大模型，在其產品中深度賦能財務領域相關智能業(yè)務，主要特性體現(xiàn)在以下幾個方面：（1）基于事項會計理論研發(fā)了新一代的智能會計產品，提供的精細、實時、多維的數(shù)據洞察能力，依托大模型技術，形成體系化的管理模型，為企業(yè)提供管理決策及價值創(chuàng)造服務。（2）將大模型能力嵌入業(yè)財融合的整體框架，重塑業(yè)財流程，洞察業(yè)務，優(yōu)化業(yè)務，并在此基礎上進行價值創(chuàng)造。（3）大模型扮演財務業(yè)務生產力。如智能分析助手：利用大模型的生成能力和自然語言交互能力，用戶只需要利用自然語言進行提問，即可自動生成可視化圖表和報告文字；智能經營分析可以整合不同領域的知識，通過深度數(shù)據挖掘，提供更全面的信息，為企業(yè)經營提供深度的診斷性分析；智能預測基于大模型的推理能力，智能感知企業(yè)生產、銷售、庫存等各領域的數(shù)據關聯(lián)和歸因，進行推理式經營洞察，精準預測未來企業(yè)效益；智能訂單盈利分析以訂單、品種、客戶、組織等多維度為分析對象，支撐企業(yè)從訂單入手挖掘利潤提升點。人工智能大模型技術發(fā)展趨勢OpenAI2024年夏季發(fā)布的從技術發(fā)展、產業(yè)應用和社會影響三個層面出發(fā)，大模型技術發(fā)展主要考慮的問題是：如何實現(xiàn)通用人工智能，如何深入產業(yè)應用，如何確保社會安全穩(wěn)定。這三個問題決定了大模型技術的發(fā)展趨勢，也即實現(xiàn)通用人工智能、產業(yè)中的可靠應用以及從技術層面考慮社會倫理和安全。更進一步，大模型的智能原理需要理論性的解釋，大模型向通用人工智能的發(fā)展需要模型架構和工程技術的進步和完善；大模型在產業(yè)應用中存在的幻想問題和參數(shù)遺忘問題需要得到有效解決；大模型模型架構演進為了實現(xiàn)通用人工智能以及更好的產業(yè)應用，大型語言模型（LLMs）的架構將繼續(xù)朝著模塊化和可擴展方向發(fā)展。未來的模型將更加注重能效，采用先進的算法和硬件協(xié)同設計，以減少能源消耗。自適應學習機制有望幫助大模型能夠根據實時數(shù)據反饋進行自主調整，提升適應性。這個方面的發(fā)展趨勢主要體現(xiàn)在以下三個方面：（1）模型規(guī)模的增長，規(guī)模效應將進一步提升大模型的智能水平；（2）架構優(yōu)化，可能包括更高效的注意力機制以及模型壓縮技術，以減少計算和存儲需求；（3）多模態(tài)學習，大模型將越來越多地整合視覺、聽覺等多模態(tài)信息，具備完整立體的信息理解和整合能力。訓練方法創(chuàng)新應用場景拓展大模型的應用場景已經在醫(yī)療、法律、教育等多個跨學科領域發(fā)揮重要作用，未來可能在更加廣泛的領域和社會生活場景中發(fā)揮作用。大模型有望通過深度融合知識和技術，提供更加精準和個性化的服務。實時交互能力的提升將使大模型降低延遲，提高響應速度。場景應用的潛在方向可能包括：（1）LP；（2）垂直領域應用，大模型將在特定垂直領域（如財務、金融、醫(yī)療等）發(fā)揮更大作用。（3）AIAI倫理和安全風險規(guī)避大模型有望對人類的生存方式產生巨大變革，其引發(fā)的社會變化和倫理風險有動搖社會根基的可能性。因此，在社會倫理和安全方面，大模型的發(fā)展需要有更加嚴格的倫理框架約束，以確保技術進步與社會責任相協(xié)調。大模型的可解釋性和透明度必須得到顯著提升，使得用戶和監(jiān)管機構能夠更好地理解模型的決策過程。模型偏見問題也需顯著改善，確保所有透明度和可解釋性；（2）偏見和公平性；（3）安全性和隱私保護。大模型發(fā)展趨勢展望將大模型與人類的生產和生活形成更緊密的協(xié)作關系，通過增強人類能力，實現(xiàn)人機共生的未來，這些趨勢是大模型在人類社會中發(fā)揮積極作用的必要考量。為了實現(xiàn)以上目標，大模型的發(fā)展趨勢展望可以歸到以下三個方面：（1）通用人工智能，大模型的發(fā)展將為實現(xiàn)人工通用智能提供基礎。研究者將探索如何將大模型的學習能力與人類的認知過程相結合；（2）跨學科融合，大模型的研究將與認知科學、心理學、社會學等學科融合，以更全面地理解語言和智能；（3）國際合作與標準化，隨著大模型在全球范圍內的應用，國際合作和標準化將成為推動人工智能技術健康發(fā)展的重要力量。人工智能大模型技術體系架構概述人工智能大模型技術整體體系架構人工智能大語言模型體系主要包含了數(shù)據處理、模型訓練、模型部署、效果評估等核心內容。（1）數(shù)據處理預訓練數(shù)據處理包括數(shù)據獲取和清洗、預標注。數(shù)據獲取追求全面性和代表性，通過多樣化的渠道如互聯(lián)網、書籍、有監(jiān)督微調訓練數(shù)據處理側重于提升模型對特定任務的適應性。首先，通過標注者對數(shù)據進行“有幫助”或“無害”通過多次迭代，評估模型在不同數(shù)據子集上的性能，從而判斷標注數(shù)據的準確性和質量。這一過程有助于優(yōu)化模型性能，確保其在實際應用中的有效性和可靠性。（2）模型訓練①訓練框架模型越大，在訓練時越需提升總訓練速度、縮短訓練時間。大模型訓練過程中影響模型訓練速度的3個重要因素如公式2-1所示：總訓練速度∝單卡速度*加速芯片數(shù)量*多卡加速比（公式2-1）其中單卡速度主要由運算速度和數(shù)據讀取的快慢決定；加速芯片數(shù)量。理論上加速芯片的數(shù)量越多，模型訓練越快；多卡加速比主要由計算、通訊效率決定，需要依賴算法和集群中的網絡拓撲進行優(yōu)化。通過多卡優(yōu)化的技術手段，大規(guī)模的集成訓練算力，提升訓練速度。②模型預訓練大模型預訓練是深度學習領域的創(chuàng)新技術，尤其在自然語言處理中具有重要意義。預訓練基于自監(jiān)督學習，利用大量未標注的文本數(shù)據訓練模型，使模型掌握語言的通用表示和深刻理解。預訓練的核心在于設計有效的自監(jiān)督目標，讓模型數(shù)據的質量和多樣性對模型性能有顯著影響，數(shù)據越豐富，模型泛化能力越強。然而，這也增加了數(shù)據清洗和預處理的重以實現(xiàn)最佳性能。預訓練階段是語言模型掌握知識的起始時期，訓練過程投入高、算力消耗大，需要海量的語料支撐和大規(guī)模的分布式計算設施。③模型微調訓練（Finetuning（NLP使模型學習到任務相關的知識，從而提升性能。微調時，首先選擇與目標任務緊密相關的高質量數(shù)據集，并確保數(shù)據集的armup、梯度裁剪和權重衰減等技術可以進一步提高微調效果，穩(wěn)定訓練過程，防止梯度爆炸，并減少過擬合。微調的類型主要分為二次預訓練/全量微調和高效微調。全量微調（ullFineunig，F(xiàn)FT）調整預訓練模型的所有參數(shù)以適應下游任務，適用于任務與預訓練模型差異較大的情形，但需要大量算力。而高效微調（aame-EfficientFineunng，PEFT）oRAPefituning效的微調。這些方法的選擇取決于特定任務的需求和可用的計算資源。（3）模型部署企業(yè)在決定部署財務大模型時，需要綜合考慮多個關鍵因素，以確保所選方案能夠滿足其業(yè)務需求和長期戰(zhàn)略。企業(yè)在選擇公有部署還是私有化部署財務大模型時，需要權衡相關優(yōu)缺點因素，如表2-1所示。表2-1財務大模型部署方案優(yōu)缺點分析部署方案優(yōu)點缺點公有云部署按需付費，減少初始投資可彈性伸縮，快速響應業(yè)務變化IT可能存在數(shù)據泄露的風險無法完全根據企業(yè)特定需求定制模型依賴云服務商的網絡和計算資源，或引致延遲與性能波動私有化部署本地存儲數(shù)據，便于訪問控制和隱私保護可以根據企業(yè)的具體業(yè)務需求定制模型完全控制計算資源，優(yōu)化性能滿足實時需求需投資硬件和基礎設施，及承擔維護、運營成本IT雖然可以定制，但擴展性可能不如云服務靈活①公有部署對算力的要求：G-3O-17B8V100GPU（每個GPU32GB）的服務器才能以合理的速度運行。②私有化部署對算力的要求：私有化部署要求企業(yè)在本地或專用的云環(huán)境中部署大模型，這通常涉及到對硬件的前期投資。對于7B（70億參數(shù)）大模型，推理的顯存需求大約為14GB，而微調則至少需要140GB的顯存。對于13B（130億參數(shù)）大模型，推理的顯存需求大約為26GB，保守估計需要32GB，微調的話，則至少需要260GB的顯存。（4）效果評估①常見的評測維度大模型評測涉及多個維度，首先是計算量評估，包括參數(shù)量、FLOPS（每秒實際做的浮點運算數(shù)）、訓練與推理時間，SuperGLUE（GeneralLanguageUnderstandingEvaluation）、RACE②常用的評測方法:(Bencharking)GUE，衡量任tesseting)A/B(Comativeetng)SA(Ma-Assssmens)(ModelDiagnosis)③技術挑戰(zhàn)與解決方案復雜計算準確性：GTansormer2+2等于多少？”，GPT將其作為文本生成任務處理，通過識別輸入模式生成答案，而非直接進行數(shù)學計算。GPT的回答依賴于訓練數(shù)據中的數(shù)學知識，模型大小和參數(shù)擬合程度影響其數(shù)學問題解答能力。結果不確定性：大模型不確定性源自隨機性和泛化性，導致相同問題可能產生不同回復。這種不確定性可產生多樣化文本，也導致結果的解釋性、可靠性和準確性不足，影響可信度。交互長度限制：為了保證用戶交互過程中的性能，各大模型限制了單次交互中處理的是模型理解Turbo、4096、800032000。人工智能大模型技術分類二十一世紀的科技浪潮中，人工智能將是推動著人類科技進步的重要源泉。人工智能大模型的技術特點、模型規(guī)模、模型架構等多個維度將會揭示這一領域的內在邏輯和未來潛力。（1）技術特點大模型根據技術特點可分為生成式、理解式、自監(jiān)督學習、強化學習等類型。生成式模型（GenetiveModels）的目標是學習數(shù)據聯(lián)合概率分布，并生成新的數(shù)據樣本。這類模型通?；诟怕史植?，創(chuàng)建與訓練數(shù)據類似的新內容。生成式模型旨在學習現(xiàn)有數(shù)據分布，據此生成新數(shù)據實例。它們一般采用概率圖模型(GANs)VAEs)生成新數(shù)據點。理解式模型（Underandingoel）支持推理從數(shù)據中提取出來的信息。這類模型能夠對輸入的數(shù)據進行解釋。理自監(jiān)督學習模型（Self-SupervisedLearningModels）通過從數(shù)據本身生成監(jiān)督信號來訓練，無需人工標注。這類模型通過預測數(shù)據的某些部分或屬性來學習數(shù)據的內在結構。自監(jiān)督學習模型通過設計預測任務，使模型在沒有顯式標注的情況下學習數(shù)據的內在結構。例如，模型可能被訓練來預測數(shù)據的一部分，或者重建數(shù)據的缺失部分。這種方法利用了數(shù)據本身的結構信息，減少了對標注數(shù)據的依賴。強化學習模型（enoemetarningModls）通過與環(huán)境不斷互動，學習能最大化累積獎賞的策略。這種模型在決策過程中會持續(xù)學習并自我調整。強化學習模型的本質是通過與環(huán)境進行交互，不斷學習獲取最優(yōu)決策策略。在這一過程中，模型執(zhí)行動作后會收到環(huán)境的反饋，并根據這些反饋動態(tài)調整自身行為，以期最大化長期累積獲得的獎賞。（2）模型規(guī)模人工智能大模型的分類可依據其規(guī)模，即模型包含的參數(shù)數(shù)量，并且參數(shù)數(shù)量越多的模型，越能完成復雜的數(shù)據處理。（如BERT等泛化能力強，能夠捕捉到更多的數(shù)據模式。大型模型特征提取能力強，能夠從數(shù)據中提取深層特征，處理復雜的數(shù)據集。但大型模型的訓練和運行往往需要海量的計算資源作為支撐，部署可能受到硬件限制，訓練過程可能非常耗時，需要長時間的數(shù)據迭代和優(yōu)化，它通常被視為“黑箱”，決策過程難以理解和解釋。小型人工智能模型的優(yōu)勢集中在資源效率高、部署靈活、訓練快速和可解釋性好上。小型模型需要較少的計算資源，更容易部署到各種平臺上，訓練和推理速度通常更快，適合需要實時反饋的應用場景，由于模型結構簡單，小型模型的決策過程相對更容易理解和解釋。但在數(shù)據模式復雜或數(shù)據量大的情況下，小型模型可能在處理復雜任務時性能不足，在新數(shù)據上的泛化能力也不如大型模型，小型模型可能需要精心設計的數(shù)據處理和特征工程來彌補其在復雜度上的不足。（3）模型架構人工智能的大型模型是根據其構建結構進行分類的。這些模型架構，定義了模型解析數(shù)據和執(zhí)行學習任務的方法。卷積神經網絡（CNN）：卷積神經網絡在圖像處理及視覺識別任務中頗具效力，卷積層提取圖像局部特征，池化層降低特征空間維度，全連接層實現(xiàn)分類或回歸。該模型對圖像數(shù)據中的局部模式及空間層次結構敏銳，但非圖像數(shù)據(如文本或序列)表現(xiàn)不佳，且參數(shù)量較多，存在過擬合風險。循環(huán)神經網絡（RNN）：循環(huán)神經網絡常用于自然語言處理（如語言模型、機器翻譯）、時間序列預測、語音識別等它能夠處理任意長度的序列數(shù)據，捕捉時間依賴性，但難以處理長序列數(shù)據（梯度消失或爆炸問題），且計算效率較低。變換器（Transformer）：變換器模型基于自注意力機制，能夠同時處理序列中的所有元素，捕捉全局依賴性，特別適用于大規(guī)模語言模型（如BERT、GPT）、機器翻譯和文本生成任務。它并行化能力強，適合處理長序列數(shù)據，能夠捕捉長距離依賴。但模型訓練過程需要大量計算資源，對數(shù)據量要求高。生成對抗網絡（GAN）：生成對抗網絡由生成器與判別器兩部分構建，生成器創(chuàng)建數(shù)據樣本，判別器評判數(shù)據真?zhèn)?，兩者相互對抗、相互提升，不斷?yōu)化生成數(shù)據質量。此種模型架構常用于圖像、音頻生成、風格遷移、數(shù)據增強、超分辨率等任務。它能生成高質量逼真數(shù)據實例，但訓練過程或存在不穩(wěn)定性，需要精心設計架構與訓練策略。自編碼器（Autoencoders）：自編碼器架構包含編碼器與解碼器兩部分，前者將輸入數(shù)據壓縮為低維表征，后者則重構原始輸入數(shù)據。自編碼器常應用于數(shù)據去噪、特征提取、降維、生成模型等領域，展現(xiàn)出優(yōu)秀的數(shù)據處理能力。這種架構方式能夠學習數(shù)據的壓縮表示，有助于數(shù)據可視化和去噪，但對于非線性數(shù)據的表示能力有限，可能難以捕捉復雜數(shù)據結構。人工智能大模型技術賦能財務概述數(shù)字經濟的創(chuàng)新迭代和數(shù)字化轉型的快速發(fā)展，促進人工智能技術在財務領域的應用日趨深入，而大模型將擴大人工智能在財務領域應用的深度與范圍，并將從多個維度重構企業(yè)財務管理。首先，大模型技術的應用，將結構化的財務數(shù)據處理過程延伸到非結構化的業(yè)務數(shù)據處理，擴大了財務人員對于數(shù)據管理的范圍，并且從交互層面重構用戶體驗；其次，最后，在大數(shù)據時代對海量財務數(shù)據的深度挖掘和分析的基礎上，大模型為管理者提供更全面更客觀的分析框架，對財務決策提供有力支持。隨著人工智能大模型技術的不斷發(fā)展，將會在越來越多的財務管理工作中發(fā)揮作用。人工智能大模型技術賦能財務總體情況（1）人工智能大模型賦能財務發(fā)展前景2024+AI業(yè)的重要一步。財務管理一直是人工智能技術應用的重要領域，大模型技術如何賦能財務管理，也成為了當前企業(yè)數(shù)字化轉型的熱門話題。20237ChatGPT查顯示，調查對象對大模型的看法較為積極：一方面，大模型的應用可以應對自動化流程型工作，從而提高財務日常工作的效率；另一方面，大模型可以通過加載數(shù)據挖掘算法，實現(xiàn)數(shù)據驅動的分析和決策體系的輸出。調查對象認為大模型對BP、投融資管理、風控3-1會計核算成本管理預算管理財務報告稅務管理內部審計風控合規(guī)資金管理BP外部審計財務戰(zhàn)略

3-1

4.142.652.722.652.722.582.601.652.14 2.481.902.111.441.54隨著數(shù)字化轉型的深入，企業(yè)對財務管理的需求日益增長，特別是在數(shù)據驅動決策、業(yè)務與財務融合、風險管理以及成本控制等方面。人工智能大模型技術以其強大的數(shù)據處理能力和智能化分析優(yōu)勢，成為財務管理創(chuàng)新的關鍵驅動力。財務領域對于人工智能需求非常廣泛，重點包括以下幾個方向：數(shù)據驅動決策的需求在當前的商業(yè)環(huán)境中，數(shù)據已成為企業(yè)最寶貴的資產之一。企業(yè)需要從海量的財務和業(yè)務數(shù)據中提取有價值的洞察，以支持戰(zhàn)略規(guī)劃和日常運營決策。I更加精準的決策。業(yè)務與財務的深度融合傳統(tǒng)的財務管理往往與業(yè)務運營相對獨立，導致信息孤島和效率低下。隨著企業(yè)對一體化管理的追求，人工智能大模型技術可以幫助實現(xiàn)業(yè)務流程與財務管理的無縫對接，通過自動化工具和智能分析，提升財務數(shù)據的透明度和業(yè)務決策的效率。風險管理和合規(guī)性要求在全球化經營和監(jiān)管環(huán)境日益嚴格的背景下，企業(yè)面臨著復雜的風險管理和合規(guī)挑戰(zhàn)。人工智能大模型技術可以用于構建風險評估模型，實時監(jiān)控財務活動，預測潛在風險，并提供合規(guī)性建議，從而降低企業(yè)運營風險。成本控制和效率提升成本控制是企業(yè)財務管理的核心任務之一。人工智能大模型技術可以通過自動化處理財務流程，減少人工錯誤和提高工作效率，同時通過智能分析幫助企業(yè)發(fā)現(xiàn)成本節(jié)約的潛在領域，實現(xiàn)成本優(yōu)化。人工智能技術正在改變財務管理的面貌。隨著技術的不斷進步，預計未來人工智能將在財務管理中扮演更加重要的角色，幫助企業(yè)實現(xiàn)更高效、更智能的財務管理。人工智能大模型技術為財務管理帶來了革命性的變化，滿足了企業(yè)在數(shù)據驅動財務管理的智能化水平，增強競爭力。（2）人工智能大模型在財務領域的應用分析ITIT著人工智能技術的發(fā)展，企業(yè)構建完整的、先進的數(shù)字化系統(tǒng)門檻越來越高。大模型相比于過去的人工智能技術，具有更大規(guī)模的神經網絡，用更多的數(shù)據進行訓練，具備更強的適應性和多模態(tài)的生成能力及交互能力，實現(xiàn)了從感知智能到認ITSaaSIT同時，人工智能大模型封裝更為完整，對普通用戶幾乎屏蔽了底層代碼的特性，使其應用門檻更低，交付成本更低，應用范圍更廣。大模型能極好地理解和把握用戶意圖，具備多輪溝通對話、記憶、歸納和演繹能力，給財務智能化升級提供了更大的應用空間。企業(yè)管理類SaaS服務提供商已經開始探索大模型在財務領域的應用實踐，如圖3-2所示，主要有兩個方向：‘一是構建大模型應用平臺，提供大模型接入、任務編排、提示開發(fā)等功能，將成熟的第三方通用大模型與財務數(shù)字化IT例如整合系統(tǒng)取數(shù)計算能力與大模型交互能力，在復雜的外部環(huán)境下完成財務管理的工作任務。二是構建專注于財務管理的垂域大模型，利用上市公司公開披露的海量財報數(shù)據及解讀文章進行訓練，然后在企業(yè)應用過程中通過微調或提示詞工程進一步優(yōu)化，讓大模型具備更精準的財務理解能力。構建財務垂域大模型，主要基于兩方需要解決模型本地化的問題，垂域大模型可以較低成本實現(xiàn)本地化部署的需求；二是財務精準度的問題，企業(yè)有自己內部的語言環(huán)境，比如對一些固定的業(yè)務對象形成約定俗成的簡稱，并且高頻使用，這些簡稱在企業(yè)外部可能無明確的含義，通用大模型對含有這些簡稱的句子就無法準確理解。如果用企業(yè)內部對話的大數(shù)據來訓練或微調模型，則能夠讓大模型在企業(yè)內部場景下更精準地理解用戶意圖。在業(yè)務咨詢、單據附件理解等方面，經過本地微調過的大模型可能是更優(yōu)的解決方案。虛假貿易篩查 ……虛假貿易篩查 ……財務指標分析財務AI助手智能問詢 智能預測智能報告生成智能審核提示語工程提示語工程財務大模型繼續(xù)預訓練 模型微財務知識庫 通用大模型+開源大模型 圖3-2財務大模型框架在數(shù)字化轉型浪潮的推動下，人工智能技術在財務管理領域的應用已經成為企業(yè)提升效率、優(yōu)化決策的重要手段。人工智能技術在財務管理眾多場景已經有了一定程度的推進和落地。智能化會計核算人工智能技術的應用使得會計核算過程更加自動化和智能化。財務人員通過機器學習和自然語言處理（NLP），系統(tǒng)能夠自動識別和分類會計憑證，實現(xiàn)自動化的賬目處理和實時的財務報告生成。這不僅提高了核算的準確性，還顯著提升了財務團隊的工作效率。預算管理與預測在預算管理方面，人工智能技術通過分析歷史數(shù)據和市場趨勢，為企業(yè)提供更加精準的預算編制和滾動預測。人工智能大模型能夠識別潛在的財務風險，幫助管理層做出更加合理的資源分配決策。合并報表與財務報告人工智能技術在合并報表的自動化處理中發(fā)揮著重要作用。財務人員通過智能算法，系統(tǒng)能夠自動執(zhí)行復雜的抵消和風險管理與合規(guī)監(jiān)控人工智能技術在風險管理和合規(guī)監(jiān)控方面展現(xiàn)出巨大潛力。財務人員通過構建風險評估模型，人工智能能夠實時監(jiān)控財務活動，預測潛在的財務風險，并提供合規(guī)性建議。這有助于企業(yè)提前采取行動，降低運營風險。成本控制與優(yōu)化在成本控制方面，人工智能技術通過分析成本數(shù)據，幫助企業(yè)識別成本節(jié)約的機會。智能成本分析工具能夠提供深入的成本驅動因素分析，支持企業(yè)在成本管理上做出更加精細化的決策。電子憑證與檔案管理人工智能技術在電子憑證和檔案管理中的應用，提高了數(shù)據的安全性和可追溯性。財務人員通過自動化的憑證識別和歸檔流程，能夠更有效地管理財務文檔，同時確保符合相關法規(guī)要求。財務共享服務中心人工智能技術在財務共享服務中心的應用，實現(xiàn)了財務流程的自動化和智能化。財務共享服務中心通過智能客服、自動化審批流程和智能分析工具，能夠提供更加高效和標準化的服務。人工智能大模型技術賦能財務基本框架人工智能大模型技術在財務管理中的應用框架，通過結合其分析、推理和生成能力，可以按照以下維度構建：數(shù)據處理與分析能力推理與決策支持風險評估與預測：通過推理能力，人工智能大模型可以預測財務風險，如信用風險、市場風險等，并為風險管理提供決策支持。預算與資源優(yōu)化：人工智能大模型能夠基于歷史數(shù)據和市場變化，推理出最優(yōu)的預算分配和資源配置策略。生成與自動化自動化報告生成：人工智能大模型可以自動生成財務報告，如利潤表、資產負債表等，提高報告生成的效率和準確性。智能決策建議：基于分析和推理結果，人工智能大模型能夠生成具體的財務決策建議，輔助管理層做出決策。自動化流程執(zhí)行：人工智能大模型可以自動化執(zhí)行財務流程，如自動對賬、自動付款等，減少人工干預，提高工作效率。場景應用智能會計：在會計核算中，人工智能大模型可以自動化處理會計分錄，提高核算的準確性和效率。財務分析：在財務分析中，人工智能大模型可以生成多維度的分析報告，支持管理層的戰(zhàn)略規(guī)劃。風險管理：在風險管理中，人工智能大模型可以實時監(jiān)控財務風險，提供預警和應對策略。合規(guī)監(jiān)控：在合規(guī)監(jiān)控中，人工智能大模型可以自動檢查財務活動的合規(guī)性，確保企業(yè)遵守相關法規(guī)。技術集成與平臺支持智能中臺：構建以人工智能大模型為核心的智能中臺，提供數(shù)據處理、分析、推理和生成的一體化服務。APIAPI3-3面員工、提升體驗 面員工、提升體驗 崗位員工、提升效率和專業(yè)度 面者，提升決策質量財務助手財務領域場景AI風險建模 智能收款認領 查詢助手風險建模 智能收款認領 查詢助手共享客服 檔案助手 報告生投融資建議 稅優(yōu)識別 ……財務政策問答稅務政策問答對標分析 預算預測結賬助手對賬助手記賬助手單據智能審核共享運營分析財務指標分析 風險分析發(fā)票助手報銷助手…………RPA視覺識別（……）（理解、推理、創(chuàng)意、……）智能技術圖3-3大模型賦能財務框架智能技術3-4AIAIRA費用管理①往來管理②資產管理③核算報告④預算管理⑤資金管理⑥共享中心⑦管理會計⑧稅務管理⑨然語言）.&然語言）.3OCR）.OCR）語音費用.）.）

.C則擎）引擎）.引擎）引擎）擎）.引擎）引擎）.尾引擎）..下發(fā)票.匹配則引擎）.規(guī)則引擎）.對賬.0A據引擎）引擎）.1認

.）然語言）.自然語言）規(guī)則引擎）.C、規(guī)則引擎）租賃的決/（自然語言）

RPA）RPA）.、RPA）RPA）4.、機器人機器人（實體4.6.歸檔別）.識別）.）

習）.學5.習）.學5.）音識別）.語4音識別）.語4.月結擎）習）5.學習）5.學.編制擎）然語言）.自.然語言）.自.編制機器學習）.）.）付款流水智收款流水智..1度.1度

7.1數(shù)據挖掘）（機器學習、.、數(shù)據挖掘）（機器學習、3數(shù)據挖掘）.、數(shù)據挖掘）5.）.）

引擎、..）.）.）動申報（規(guī)則RPA）RPA）.、RPA）.）.）.則引擎）.）引擎）.）.0成能推薦（能推薦（.2撥AIAIAIAI個員工通過自然語言交互的方式來獲取財務服務；面向專業(yè)崗位的專員助手，通過智能化的手段提升財務效率和專業(yè)度；面向管理者的決策助手，以數(shù)據驅動、智能驅動的方式來增強決策能力。人工智能大模型技術賦能財務實現(xiàn)路徑人工智能大模型技術賦能財務的路徑規(guī)劃是一個系統(tǒng)化的過程，旨在通過集成先進的人工智能技術，全面提升財務管理的智能化水平。人工智能大模型技術賦能財務的路徑從深入分析企業(yè)財務管理的具體需求開始，包括對會計核算、財務報告、成本控制、預算管理、風險評估和合規(guī)性監(jiān)控等方面的細致考量，再到通過整合和預處理大量的財務和業(yè)務數(shù)據，為大模型的訓練和開發(fā)提供堅實的數(shù)據基礎。在模型開發(fā)階段，企業(yè)需要選擇合適的大模型架構，并利用歷史數(shù)據進行訓練和驗證，確保模型的準確性和可靠性。然后將訓練好的模型集成到現(xiàn)有的財務系統(tǒng)中，實現(xiàn)流程自動化和決策優(yōu)化，如自動生成財務報告、動態(tài)調整預算和實時監(jiān)控風險。為了確保人工智能大模型技術的持續(xù)有效性，企業(yè)需要實施嚴格的監(jiān)控和維護機制，同時對財務人員進行必要的技術培訓，確保他們能夠充分利用這些智能工具。最后，企業(yè)應持續(xù)收集用戶反饋，探索新技術應用，不斷創(chuàng)新和優(yōu)化大模型技術在財務管理中的應用，以適應不斷變化的業(yè)務環(huán)境和市場需求。通過人工智能大模型技術賦能財務實現(xiàn)路徑，企業(yè)將能夠實現(xiàn)財務管理的數(shù)字化轉型，提升決策質量，降低運營成本，并增強整體財務透明度和合規(guī)性。以財務風險管理為例，人工智能大模型應用分析和賦能路徑可以按照以下思路進行推進。人工智能大模型的能力應用方向：分析能力：人工智能大模型首先需要整合企業(yè)內部的財務數(shù)據（如交易記錄、資產負債表）和外部數(shù)據（如市場指數(shù)、宏觀經濟指標）。然后利用機器學習和數(shù)據挖掘技術，人工智能大模型能夠分析歷史數(shù)據，識別潛在的風險因素和風險事件的模式。最后通過時間序列分析，人工智能大模型可以預測未來的風險趨勢，如匯率波動、利率變化等。人工智能大模型能夠提供風險應對策略的建議，幫助管理層做出是否對沖、轉移或接受風險的決策。生成能力：人工智能大模型能夠自動生成風險管理報告，包括風險概況、影響分析和建議措施。人工智能大模型可以構建實時的風險預警系統(tǒng)，一旦檢測到異?；蝻L險水平超過預設閾值，立即生成預警信號。人工智能大模型賦能路線：準備階段：收集和整理財務數(shù)據，包括歷史交易數(shù)據、市場數(shù)據、信用評級數(shù)據等。建立適合人工智能大模型運行的計算環(huán)境，包括硬件資源、軟件平臺等。實施階段：使用歷史數(shù)據訓練風險管理模型，包括風險識別模型、風險評估模型等。將訓練好的模型集成到財務風險管理系統(tǒng)中，實現(xiàn)與現(xiàn)有財務流程的無縫對接。應用階段：利用人工智能大模型對實時數(shù)據進行監(jiān)控，及時發(fā)現(xiàn)風險信號。定期或按需生成風險管理報告，為管理層提供決策支持。持續(xù)改進風險管理流程，提升風險應對效率。基于此，人工智能大模型技術能夠在財務風險管理中發(fā)揮其強大的分析、判斷和生成能力，幫助企業(yè)提前識別和應對財務風險，從而保護企業(yè)資產，確保財務穩(wěn)定。人工智能大模型技術賦能財務核心價值人工智能大模型技術對經濟社會的高質量發(fā)展起到了積極地推動作用，賦能財務的核心價值主要體現(xiàn)在以下幾個方面：提供更準確的預測和洞察，幫助管理層做出更明智的戰(zhàn)略決策。實現(xiàn)成本控制、預算管理等管理會計職能的優(yōu)化。場風險等，并采取相應的風險緩解措施。度和準確性，降低了運營成本。報告生成，提高了財務活動的透明度。會，促進業(yè)務增長。這些創(chuàng)新提高了財務管理的現(xiàn)代化水平。綜上所述，人工智能大模型技術在財務管理中的核心價值在于其能夠提供深入的數(shù)據分析、精準的風險管理、高效的流程自動化以及戰(zhàn)略決策支持，幫助企業(yè)在激烈的市場商業(yè)競爭中保持領先地位。人工智能大模型技術賦能財務應用A總體情況（1）需求背景2023當前家電行業(yè)消費側的發(fā)展趨勢呈現(xiàn)智能化、交互體驗增強、場景融合、健康化、一體化和單品發(fā)展并舉五大特征。尤其在智能化方面，消費者更加追求智能功能覆蓋多品類及多種生活場景，相應帶動家電制造企業(yè)本身的智能化升級，龍22為家電行業(yè)項目，海爾、美的等頭部企業(yè)成效明顯，并先后涌現(xiàn)出海爾卡奧斯、美云智數(shù)美擎國家級“雙跨”平臺。5G3C例如九陽產品搭載華為系統(tǒng)HarmonyOS海信新風空調針對不同人群的睡眠特點設計了科學的睡眠溫度曲線，可通過遙控器選擇所需的睡眠曲線來調控睡眠期間的空AI在家電行業(yè)全面邁向智能家電產業(yè)化的過程中，人工智能技術將進一步推進智能家電產業(yè)走向無感化，人工智能與物聯(lián)網技術全面融入家電產品的使用場景，并賦能智能家電產品革新，實現(xiàn)居家生活和智能家電的智慧實時互聯(lián)。目前，智ChatGPT型技術為代表的生成式人工智能（AIGC）將賦能智能家居場景從命令式交互轉變?yōu)槔斫馐浇换ィ瑢崿F(xiàn)人機共創(chuàng)，形成數(shù)字管家，實現(xiàn)智能家居由“智能”向“智慧”轉化。智能家電產業(yè)化已成為當前家電企業(yè)發(fā)展的必然選擇，并正在幫助中國的家電制造巨頭以一流的用戶體驗和服務體系強勢出海，不斷取得世界領先的品牌影響力和產品競爭力，也驅動這些企業(yè)加快建設世界一流財務管理體系，在普遍構建的以敏捷服務和數(shù)據整合為核心的財務中臺建設之上，大力探索大模型技術尤其是財務領域大模型與財務數(shù)字化的深度融合和應用，以更強大的算法賦能業(yè)務和管理，構建以用戶體驗為核心的家電制造企業(yè)增長新模式。（2）發(fā)展現(xiàn)狀2023-20302016大數(shù)據等新一代信息技術的成熟，在傳統(tǒng)AI20222023202310202420311AI平臺——云帆；海爾在布局HOMEGPT；小米已經開啟了小愛同學的人工智能大模型版本測試，如TCL、海信等家電品牌也相繼宣布接入百度、微軟等廠商的通用大模型。在人工智能大模型的賦能下，智能家電不僅具備數(shù)據分析、行為習慣理解和自主深度學習等多種能力，還在將價值延伸到更大的領域。大部分家電企業(yè)布局人工智能大模型的目的基本一致，都是希望通過人工智能大模型提升產品的實用性，優(yōu)化使用場景，人工智能大模型也將成為家電智能中樞的能力底座。盡管人工智能大模型具有許多優(yōu)勢，但目前在家電行業(yè)的應用仍存在一些局限性。首先，人工智能大模型的應用需要并且需要大量的標注數(shù)據進行訓練，這在某些領域存在困難。同時，人工智能大模型的訓練過程也面臨一些挑戰(zhàn)。人工智能大模型的訓練需要花費大量的時間和資源，而且需要高度專業(yè)化的團隊進行有效的訓練和調優(yōu)。此外，人工智能大模型需要海量的數(shù)據進行訓練，而數(shù)據收集和處理可能受到隱私、安全和合規(guī)等方面的限制。因此，家電制造企業(yè)對于人工智能大模型的應用總體上還處于導入階段，更多還停留在體系框架搭建和數(shù)據治理等前期工作中，在應用場景上也主要聚焦智能客服、基于家居生活的用戶互動以及部分智慧工廠的探索中。在企業(yè)管理領域，人工智能大模型的應用只是剛起步，目前側重在采購領域的合同匹配場景，人力資源領域的招聘和干部選拔環(huán)節(jié)的人崗匹配場景，以及財務管理領域的基于財務共享或財務中臺的智能客服場景，這些場景的共同特點是大模型訓練用的數(shù)據和知識庫可以基于企業(yè)已有的積累快速構建，并能通過企業(yè)自身的可信控制管理充分保證分領域管理角度提出的安全、合規(guī)性要求。對于家電制造巨頭來說，財務數(shù)字化轉型起步較早，財務共享中心的建設和運營都比較成熟，有些企業(yè)如海信等還以財務中臺的模式建設了新一代財務共享平臺。因此，盡管家電制造企業(yè)的戰(zhàn)略周期不斷縮短、組織迭代不斷加快、業(yè)務板GPT）以盡量消除大模型技術的缺陷，將現(xiàn)有以專家知識和流程驅動結合為主的管控服務型財務管理升級到以數(shù)據驅動和賦能業(yè)務為主的價值創(chuàng)造型財務管理。典型案例（1）案例背景AAB2CA160500隨著集團的產業(yè)發(fā)展、業(yè)務增長以及全球化戰(zhàn)略，A2022集團財務管理的難度與日俱增，希望通過積極探索并創(chuàng)新性引入人工智能大模型技術，盡快完成現(xiàn)有的財務服務從以流程驅動為主向數(shù)據驅動為主轉型，真正實現(xiàn)財務賦能人人的管理目標，為企業(yè)發(fā)展創(chuàng)造更大價值?？紤]到現(xiàn)有的財務中臺已經能夠全面支撐集團戰(zhàn)略轉型和業(yè)務發(fā)展的需要，以及集團正在整體布局通過大模型技術建設統(tǒng)一的智能客服平臺，并通過與已建成的人工客服系統(tǒng)無縫銜接，以全面提升用戶體驗，AITGPT企業(yè)實際更加關注大模型技術導入財務領域過程，并強調關鍵環(huán)節(jié)的實現(xiàn)框架和實踐方法。（2）財務中臺智能客服項目定位A303450場景服務；二是專業(yè)運維，即面向財務中臺專業(yè)財務人員提供基礎資料維護、單據故障或流程中斷等系統(tǒng)異常問題的運維服務。A3000/AAA2A2024A集團的目標是在80%以上的場景中能夠完全替代人工客服。在此基礎上，A2025逐漸成為人工客服團隊進行專業(yè)運維的專業(yè)助手，通過大幅提升運維效率和質量實現(xiàn)云服務模型下的線上運維閉環(huán)，真正通過服務賦能財務中臺的運營和業(yè)務人員報銷的合規(guī)遵從度。（3）財務中臺GPT平臺框架AGPT平臺4-1-1API頁面嵌入運營中心智能客服 智能審單 付款審核 模擬預測 智能分析 報告生成API頁面嵌入運營中心智能客服 智能審單 付款審核 模擬預測 智能分析 報告生成財務中臺 人工客服 信數(shù)平臺 活水平臺 辦公協(xié)同 培訓學堂 管理駕駛艙 司庫管理 預算管理監(jiān)控報表內容生成 總結歸納 邏輯推理 角色扮演 知識問答 多輪對話能力中心 監(jiān)控報表內容生成 總結歸納 邏輯推理 角色扮演 知識問答 多輪對話流量運營安全運營質量運營提示開發(fā) 技能編排 知識維護 助手配置 監(jiān)控優(yōu)化 模型微調開發(fā)中心 流量運營安全運營質量運營提示開發(fā) 技能編排 知識維護 助手配置 監(jiān)控優(yōu)化 模型微調中中心制數(shù)據遮蔽合規(guī)審計上下文安全模型網關智能代理毒性檢測檢索增強提示防御應用中心 財務大模型 通用大模型向量引擎 業(yè)務實體 業(yè)務操作 企業(yè)知識庫應用中心 財務大模型 通用大模型向量引擎 業(yè)務實體 業(yè)務操作 企業(yè)知識庫模型動態(tài)調度 語義防火墻 重試/模型動態(tài)調度 語義防火墻 重試/負載均衡 流量日志4-1-1AGPT平臺架構AGPT基礎管理負責管理財務大模型以及后續(xù)將接入的通用大模型的運算調度和算力均衡，并按集團統(tǒng)一的隱私保護和合規(guī)要求配置大模型輸出的語義防火墻，以及輸入輸出環(huán)節(jié)的流量日志。（安全和流量異常三個方面進行實時監(jiān)控和隨時的人工干預。模型層目前部署了財務領域大模型和微軟的通用大模型（ChatGPT3.5），并實現(xiàn)了按場景需要自動切換。為大模型提供上下文數(shù)據。AGPTRAG（檢索增強生成）是一種將大型語料庫的知識與生成式語言模型相結合的技術方法，包括一個檢索組件，用于從知識庫中檢索相關的文本段落，利用大模型生成能力，對檢索到的上下文進行理解和生成連貫自然的輸出。這種混合方法旨在彌補純生成模型在事實性和一致性方面的缺陷，同時利用大規(guī)模預訓練模型的泛化能力生成流暢的響應。為了實現(xiàn)智能客服盡快全面接管用戶服務并有效成為專業(yè)運維客服人員的助手，AAgent，這是一(LLM)(API)的語言指令，并與外部世界進行交互來完成任務。為了確保大模型輸出內容滿足隱私合規(guī)要求，A集團在可信控制中心應用了數(shù)據掩蔽技術，該技術在用戶請求被發(fā)送給大型語言模型之前，會自動識別并替換請求文本中的敏感個人隱私信息，如姓名、地址、身份證號等，以防止隱私泄露，替換后的文本將傳遞給大模型進行處理和生成響應。一旦模型生成了輸出數(shù)據掩蔽系統(tǒng)會將之前被替換的隱私信息還原回原始狀態(tài)，確保響應內容的完整性和正確性。這種技術有效遏制了A另外一項關鍵部件是大模型網關，負責無縫接入各種大型語言模型，支持一種大模型擁有多個實例同時運行，能夠根據實時負載情況，自動分配請求至空閑實例，確保系統(tǒng)的高響應性和可擴展性。除此之外，大模型網關還具備調用審計、保證系統(tǒng)的高穩(wěn)定性。AGPT集團通過流這種編排方式徹底顛覆了傳統(tǒng)的單一模型或規(guī)則引擎的局限性，賦予了語言模型以更廣闊的應用空間。通過靈活組合不同的模型能力和業(yè)務能力，可以輕松應對多樣化、復雜化的業(yè)務需求，實現(xiàn)高度智能化的端到端自動化流程。在能力中心，AGPTAPIAPIAA（4）財務大模型在智能客服場景的落地基于信創(chuàng)可控的考慮，A集團財務大模型的部署全面適配了華為昇騰910B架構，以及國產操作系統(tǒng)，并全面完成了接口進行鑒權開發(fā)，構建了對應的框架版本容器。A集團信創(chuàng)適配的主要內容如圖4-1-2所示：財務大模型 財務大模型 模型訓練 權重轉化 模型推理 模型部署昇騰昇騰AI應用 Mindformers MindSpore Modelart平臺昇騰處理器昇騰處理器NPU 模型訓練國產操作系國產操作系（arm架構） Ascend驅動 Cann固件4-1-2A集團財務大模型部署的信創(chuàng)適配示意在數(shù)據準備方面，A7:3LLMA最后使用了數(shù)據掩碼、數(shù)據偽裝、數(shù)據切分、數(shù)據加密、數(shù)據混淆等方法進行數(shù)據脫敏，從而完成了通過財務大模型進行多次預訓練和微調所需的數(shù)據源準備。在此基礎上，A集團通過指令對齊訓練、繼續(xù)預訓練和模型精調，完成了財務大模型的構建，其過程如圖4-1-3所示：評價等級評價等級用戶問題1.數(shù)據集準備1.5指令對齊訓練2繼續(xù)預訓練3.模型微調1.數(shù)據集準備1.5指令對齊訓練2繼續(xù)預訓練3.模型微調長度進行分塊處理長度進行分塊處理型最大輸入式數(shù)據轉換為純文本格領域相關的基礎知識和數(shù)據與預訓領域相關的基礎知識和數(shù)據與預訓練預料差異越大，通用領訓練（財務、HR、供應鏈等）劃分領域目標已具備千萬條對話樣本數(shù)據繼續(xù)預標注<s>手續(xù)費占比</s>財務分析及通用對話數(shù)據微調</s>……的提供根據……的提供根據<s>情況經營分析請……<s>后商凈收入各細分領域不少于千級樣本?集人工標注響應結果在完成財務大模型構建后，A集團對財務大模型從多階段性能、魯棒性和泛化能力、公平性和偏見可能、安全性和隱私四個方面進行了嚴格的評測，完全通過評測后才將調優(yōu)后的財務大模型部署到正式環(huán)境中，通過財務中臺GPT平臺和相關應用融合，完成了基于財務大模型的智能客服應用的上線工作。為進一步提升財務大模型在與用戶互動過程中應答的相關性和準確度，A集團借助GPT平臺開發(fā)中心，針對所有的費用類型開發(fā)了近10000條提示語并先后經過了四次版本迭代，將智能客服應答準確度從一開始的80%左右提高到92%。AAPI/APIoen（5）智能客服建設成果20244A40015000費用類型和場景近3000個，用戶滿意度近70%（用戶主動關閉問題且不轉交給人工客服），現(xiàn)有人工客服在用戶服務方面50%A2GPT應用場景家電制造企業(yè)對于人工智能大模型技術的應用一般是和規(guī)則引擎、知識圖譜、數(shù)據智能、視覺識別等其他人工智能技GPT（1）生成式智能客服4-1-4 預置問答 GPT學習理解 …………21

智能客服 用戶提問 知識庫 智能客服 用戶提問……21 ……21 關鍵詞 學習、理解圖4-1-4大模型技術賦能財務共享智能客服（2）非結構化附件的智能審核隨著財政部等部委聯(lián)合推動電子憑證會計數(shù)據標準專項工作的不斷深入，發(fā)票、銀行回單等原始憑證已經實現(xiàn)數(shù)據結構化。但家電制造企業(yè)所處的產業(yè)鏈協(xié)同現(xiàn)狀仍然使得財務共享人員每天需要審核大量的非結構化附件，如合同掃描件、市內交通行程單等，現(xiàn)有的信息技術通常是先通過視覺識別或者臺賬的方式將這些非結構化附件信息轉換為結構化數(shù)據，AI+性也不高。在引入人工智能大模型技術后，系統(tǒng)可直接理解非結構化附件內容并給出重點提示，自動輔助人工分析單據附件中財務審核的關鍵點和識別風險，同時支持對合同內容進行提問等，最終大幅提升共享審核人員的作業(yè)效率，如圖4-1-5所示。 基于結構化數(shù)據審核 可理解非結構化信息 結構化業(yè)務數(shù)據

AI+

共享審單

結構化業(yè)務數(shù)據 GPT+AI+規(guī)則引

共享審單……數(shù)據抽取規(guī)則匹配……件 圖片 非結構化附件件 圖片 文

VS表格 視頻人工查閱分析表格 視頻

數(shù)據抽取規(guī)則匹配……件 圖片 非結構化附件……件 圖片 文

AI學習、理解AI表格 視頻表格 視頻圖4-1-5大模型技術賦能財務共享智能審核非結構化附件（3）生成式財務分析對于家電制造企業(yè)的財務報告部門來說，隨著家電產品更新?lián)Q代的頻率加快和創(chuàng)新性產品的不斷涌現(xiàn)，為戰(zhàn)略管理、經營管理和業(yè)務決策人員提供的財務分析服務也需要升級。傳統(tǒng)財務分析模式下，企業(yè)人員按照財務分析需求，花費大量/4-1-6 固定路徑查找 探索生成 /

可視化應用 判斷、決策VS果

/ 可視化應用GTP助手 實時問詢GTP助手 實時問詢析、（4）生成式管報家電制造企業(yè)財務報告部門目前對外輸出的報告主要以對外披露的報告為主，這類報告由于準則和外部相關單位的規(guī)范性要求，往往可以采用先預置模板然后根據模板設置取數(shù)、綁定圖表的規(guī)則，模板化的進行文本編輯與分析，這是一種GPT助手根據與報告使用人的提綱挈領性要求就可以自主生成報告的目錄結構、數(shù)字、圖表、文字分析，并根據與報告使用人的不斷互動進4-1-7 填空題 命題作文 業(yè)務數(shù)據數(shù)據圖表業(yè)務數(shù)據數(shù)據圖表報告模版

生成報告 VS

GPT助自主生成整合報告目錄數(shù)據123圖表 文本Aa業(yè)務數(shù)據自主生成整合報告目錄數(shù)據123圖表 文本Aa數(shù)據抽取

生成報告圖4-1-7大模型技術賦能生成式管報人工智能大模型技術賦能B公司財務應用總體情況（1）需求背景供保障。數(shù)據不但是企業(yè)的生產資料，更是資產，未來企業(yè)的核心競爭力是運用數(shù)據創(chuàng)造增量商業(yè)價值的能力，數(shù)字化的過程就是把企業(yè)的業(yè)務從物理世界投影到數(shù)字世界，實現(xiàn)數(shù)字孿生。人工智能在數(shù)字世界里可以發(fā)揮更大的價值，傳統(tǒng)分析式AI，可以對數(shù)據進行深入的洞察分析，企業(yè)可以監(jiān)視財務和業(yè)務運營結果，分析趨勢，預測未來，行動反饋，以此幫助整AI不再是簡單的自動化，更是可以進行自行判斷的智能體。在業(yè)財融合的大趨勢下，企業(yè)財務工作不但要進一步提高自身效率，更要發(fā)揮財務對業(yè)務的監(jiān)督與指導作用。企業(yè)一AILLMLLM企業(yè)基于大模型的需求主要體現(xiàn)在三個方面：第一，大語言模型的基座。搭建面向公司整體的大語言模型平臺，具備語言理解、邏輯推理、內容生成、通識問答等pomt功能予以支持：GPU底層算力資源的靈活調度；、LoRA模型服務：支持對外發(fā)布大模型的調用接口，供業(yè)務系統(tǒng)對接。第二、企業(yè)智能助手。搭建企業(yè)級智能助手，前期應用在財務領域，后期需要擴展到其他業(yè)務領域。支持對智能助手的能力通過無代碼的配置進行持續(xù)擴展：知識問答：對企業(yè)各項文檔，規(guī)章制度，產品說明書，行業(yè)報告等內容融會貫通，靈活應對用戶的提問。數(shù)據問答：可理解數(shù)據，支持以對話的形式進行數(shù)據查詢。同時內置數(shù)理統(tǒng)計、財務分析、機器學習等模型，可對數(shù)據深入分析，并將結果整理成圖文并茂的報告。內容生成：具有文字、代碼、圖片的通用生成能力，并在數(shù)據解釋領域進行了強化，可以自動生成對指標的業(yè)務解釋說明，以及主題分析報告。IT第三，智能無人財務共享。利用人工智能技術實現(xiàn)財務共享中心全流程高度智能化、自動化、價值化的目標。改變傳統(tǒng)的財務工作模式，大幅提高財務工作效率，降低財務成本，并極大提升財務管理水平：智能審單：實現(xiàn)在對財務日常工作（報銷、立項、付款等）流程中的自動審核，要支持業(yè)務用戶靈活的進行業(yè)務規(guī)則的定義，同時還需要將合同、發(fā)票、附件等文件中的關鍵信息進行識別，自動完成系統(tǒng)錄入。智能收單：通過智能收單機，實現(xiàn)單據投遞后的自動掃描，并形成電子影像，智能設備會調用智能審單助手的能力對提交的發(fā)票進行驗真、查重以及附件審核等。財務客服：通過機器人解答公司業(yè)務用戶對財務制度相關的問題，如：報銷制度、差旅標準、財務系統(tǒng)的應用等。（2）發(fā)展現(xiàn)狀B公司的財務信息化水平較高，已經完成預算、合并、成本、績效、管理報告等管理會計系統(tǒng)的建設，同時完成稅務系統(tǒng)、財務共享系統(tǒng)、商旅系統(tǒng)的建設。從目前應用效果看，基礎設施較好，但是面臨三個痛點，一個待提升點。其中痛點主要體現(xiàn)在：第一，數(shù)據的困境。數(shù)據孤島：煙囪式建設的信息系統(tǒng)互為孤島，財務人員多系統(tǒng)取數(shù)，手工整數(shù)。數(shù)據離線：數(shù)據線下手工采集，錯誤頻出，返工情況常有發(fā)生，費時費力。數(shù)據口徑不統(tǒng)一：數(shù)據統(tǒng)計口徑不一致，同指標名稱多種不同定義與計算方法，無法追溯與核對。主數(shù)據不規(guī)范：客戶、供應商、產品等主數(shù)據維度沒有統(tǒng)一維護，業(yè)務系統(tǒng)與財務系統(tǒng)各自為政。第二，分析的困境。分析需求靈活多變：領導與業(yè)務用戶需求多變，財務加班加點整理數(shù)據，疲于應對。分析行為滯后：數(shù)據獲取效率低，數(shù)據統(tǒng)計整理耗時久，好不容易做出報告后，已經錯失最佳決策時機。分析體系僵化：數(shù)據分析多停留在出報表和可視化程度，缺乏對數(shù)據深入的解讀與分析，無法指導業(yè)務決策。BI第三，人效的困境：回答業(yè)務用戶重復的問題：每日應對大量業(yè)務用戶重復的問題，如報銷制度、付款進度、報銷進度、差旅標準、合同要求等已有明確制度文檔的問題，耽誤大量工作時間。財務審核依賴人工：財務審批環(huán)節(jié)需要大量人工審核員，審核效率低，且容易出錯。財務信息錄入依賴人工：合同、附件、非標票據等內容需要人工核驗后進行系統(tǒng)錄入與歸檔，費時費力。另外，待提升點主要體現(xiàn)在智能化程度低：AI223ChtGTB中并未有效應用。典型案例B構建了面向未來的智能財務平臺業(yè)務架構