全面防范和化解风险是银行永恒的主题。据银保监会统计，2022年银保监系统对银行业机构共开出2223张罚单，罚没金额达约15.85亿元，其中涉及内控不足的违规成重灾区。
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。
银行案防监督难，如何防范风险？
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。
《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
》
4个“数字员工”当起银行智防监督员
基于对银行业务场景的深刻洞察，专注于人工智能在行业中落地的四川仕虹腾飞信息技术有限公司(简称仕虹腾飞）研发团队于2018年开始，历经两年时间，终于研发出了“银行数字员工系统”。
该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”，其模型平均准确率达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
目前该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。
据仕虹腾飞的研发经理胡雷介绍，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
2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
。
胡雷谈到，“我们希望用最新的技术和行业经验，开发出银行真正需要的产品。银行数字员工系统解决了银行在智能案防领域从无到有的问题。由于系统覆盖了银行的监控场景和全流程，做到7*24小时不停机，这种技防辅助人防的方式，彻底改变了银行内控监督方式，完全能执行银行主要的监督工作，包括卡把、加钞、查库、交易过程、人员违规行为等，有助于全面提升银行风险防控的能力，推动银行案件管控走向智能化。”
胡雷本身经历比较传奇，算是金融“半路出家”跨界到AI领域的专家。2012年，胡雷从德国柏林工业大学经管类专业毕业后，一开始从事的经济财务方面工作，可以说「和技术一点关系都没有」，直到2015年，他在一家跨国公司做IT项目经理，因工作需要用到IT，他便决定自学计算机前后端、数据库、服务器技术。2018年底，一次偶然机会，他参加了百度飞桨组织的AI快车道活动，接触到了飞桨，从那时起在飞桨的学习与实训社区AI Studio上进行学习，参加了50项课程后开始入门AI，并迅速成长为AI技术专家。
跨行业背景让胡雷带领团队既能迅速捕捉到金融行业痛点，又能提出切实的技术解决方案。回忆其研发历程，胡雷感慨到每个环节都曾遇到不同程度的挑战。
比如，AI模型和实际项目预期有差距，如何让算法模型上线后能获取更高的检出率、准确率指标，让客户更满意？如何让模型在低成本模式下进行复用？如何让模型更具鲁棒性去适应金融业务的不同场景？
当然，更大的挑战还在于对于仕虹腾飞这样的小创业团队来说，似乎并没有太多精力去开发每一个所需的工具。
仕虹腾飞研发团队
在多次尝试对比后，他们看中了飞桨的PaddleDetection、PaddleVideo开发套件。作为计算机视觉领域的应用工具，飞桨PaddleDetection、PaddleVideo表现优异。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，使用飞桨也符合银行基础设施国产化的思路。
这里延伸一个计算机视觉的概念。计算机视觉是一种让机器代替人眼“看”世界获得图像的一种技术。其中目标检测和视频识别与定位是计算机视觉领域运用的关键技术，飞桨为计算机视觉开发者提供了方便快捷的模型套件。
PaddleDetection是飞桨提供的端到端目标检测开发套件，不仅覆盖了主流的全系列通用目标检测算法，还覆盖旋转框检测、小目标检测、实例分割、关键点检测、目标追踪、行人分析、人脸检测、车辆分析、运动分析等垂类任务，可以帮助开发者搭建出各种检测模型，高质量完成各类目标检测任务。
PaddleVideo
是飞桨开源模型库PaddleCV里提供的视频识别与定位工具集，能帮助开发者解决动作识别/视频分类、目标追踪、视频-文本学习、视频分割等方面的模型配置与训练难题，可广泛应用到工业、体育、医疗、媒体、安全等诸多领域。
开发过程中，胡雷的研发团队将好用易用的飞桨套件工具与公司自研的AI中枢平台结合，使得视频流从摄像头解码，到完成图像预处理、模型推理、逻辑处理等全流程，都能在GPU中并行流转处理，且部分流程处理性能快至毫秒级。
胡雷进一步解释，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，通过自研的规则引擎对环境、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。
据了解，胡雷加入百度飞桨AI Studio社区后，当了成都领航团的团长，2020年参加了百度AICA首席AI架构师培训。在与飞桨的更多接触和沟通中，仕虹腾飞与百度建立了更为密切的合作关系。2021年，仕虹腾飞正式加入飞桨技术合作伙伴计划。
在飞桨助力下，相信仕虹腾飞凭借自身的研发实力和金融行业的沉淀，将不断深耕开拓金融科技市场，赋能金融行业智能化升级。
