从0到1，开拓银行智能案防新模式

例如，某农信社员工私自转走储户存款上千万元，被判处无期徒刑，银行被罚款数十万元。类似这样的违法案件在银行系统虽非频发，但一旦发生，就会给银行造成巨大的经济和声誉损失。

为了预防类似案件，现阶段银行案防管控主要采取事后抽检的“人防”方式，即通过视频抽检进行日常监督，或是案发之后进行视频取证。但这种方法存在的较大问题是无法做到全面实时的监管。

以某城商行为例，该行有近500个网点，平均每个网点有60个左右的摄像头，每日产生的视频时长为720,000小时，如此庞大的数量，如果投入人力去做监督，银行至少需要配备百人级的专岗团队才能完成，对银行来说，这无疑是一件投入产出比极低的事情。

事后抽取还存在其他弊端。如，发现违规事件时可能是一周、数月之后了，此时损失已经产生。另外，由于人情和人的懈怠性等因素，监管容易流于形式，一些有侥幸心理的员工，觉得有漏洞可钻，就容易铤而走险。

因而，银行内控方式从事后核查转变成事前预防、事中实时监测对于银行案件防控和化解系统性风险具有重大意义。

自2020年起，银保监会就出台了一系列监管文件，要求银行业金融机构要加强现金管理，探索利用技术手段，严防现金管理领域违法犯罪行为。在“强监管、严问责”的政策指引下，银行案防管控工作被提升到更为重要的议程。

2020年，中国银保监会出台

《关于预防银行业保险业从业人员金融违法犯罪的指导意见》

基于对银行业务场景的深刻洞察，我司于2016年开始对AI视觉算法进行自研尝试，历经两年时间，于2018年正式投产 “ 银行数字员工系统 ”。

系统采用端边云统一调度的设计方案，通过计算机视觉、行为识别技术，将银行业务系统与视频监控系统进行融合分析，开发了200+个算法模型，面向银行的不同业务场景分类，打造了现金督察员、服务质检员、交易复检员、厅堂助手4个“数字员工”，模型平均准确率达95%，为银行案件预防提供了高效的技术手段，帮助银行实现全面、实时、事前的监督分析。

银行数字员工系统图

目前系统已经在省级农信社、城商行、法人联社等5家银行，200 多个网点成功实现落地和应用。2022年6月，银行数字员工系统在四川省科技厅授权的第三方机构组织的科技成果评价报告中，获得了国内领先水平的评价。银行数字员工系统上线后，为银行的案防管控工作带来了显著提升，开拓了银行智能案防的新模式：

• 以前银行几日才发现问题，现在10 秒钟内就能生成一条预警信息，1分钟就可以做出反应处置；

• 以前上百人才能做到全面监控，现在只需两人就能完成数千路的视频监控任务；

• 以前抽检只覆盖 10% 问题，现在能覆盖 90% 以上问题，还更准确；

• 以前人看视频，带有主观性，难以发现一些细微漏洞，现在 AI 结合业务后，可以提取更多细节，将违规事件扼杀在摇篮里。

传统安防视频监控是一个静态视频帧所得到的静态图像，数字员工系统由于对接银行的核心业务系统，能统计传统安防的检测结果，同时收集多维度信息，形成连续视频帧；然后，通过我司自研的规则算法引擎对环境、动作行为、流程等进行场景化识别检测，从而推导出检测目标在办理业务的属性，最终将长达几分钟的视频抽象出来，提取相关的时间、身份、环境等结构化的信息，得到是否违规的结果，以供银行监督人员判断和决策。

比如，在交易监控场景中，系统上线运行之后，在柜员办理交易的过程中，系统会根据预先配置的需要监控的交易类型，对满足条件的交易按设定的模型进行风险探测，监测现场是否有现金、授权人员是否到位、客户是否在现场、资金快进快出、同一人员到不同网点高频交易等情况。一旦满足预警条件，系统就会向平台实时推送预警信息，监管人员可以通过平台实时、精准、快捷的调取该笔交易的录像进行风险确认。

AI 模型和实际项目预期有差距，为保证算法模型上线后能获取更高的检出率、准确率指标同时让模型更具鲁棒性去适应金融业务的不同场景，在多次尝试对比后，我司参与了飞桨的 PaddleDetection、PaddleVideo 套件试用计划。在视频连续帧中，基于连续帧判断的 PaddleVideo 适合对人员的违规行为进行识别；而 PaddleDetection 具有丰富的模型和参数，方便调节参数，优化网络结构以及工程化部署，在静态帧高精度识别的基础上支持不同跟踪算法，切入到不同的复杂业务场景。同时，使用飞桨也符合基础设施国产化的思路。

通过长期的交流和互相赋能，2020年我司正式参与了百度 AICA 首席 AI 架构师培训。在与飞桨的更多接触和沟通中，我司与百度建立了更为密切的合作关系。

2021年，我司正式加入飞桨技术合作伙伴计划！