同时，明略也帮助大量的客户落地和共创数据智能产品，在多个行业建立了深厚的认知壁垒。明略科技主要应用知识图谱、自然语言处理等AI技术，并已经在公安、工业、金融等多个行业建立了行业知识图谱。

数据智能化时代，如何用科技捕获风险？

明略科技于2016年成立金融事业部，其从0到1的过程，也见证了国内金融行业拥抱数字化和智能化的浪潮。

金融事业部创立之初，第一个服务的大客户正是光大银行。当时光大银行已经完成大数据的汇集，希望建立资产管理机制，并增强对数据的查询和分析能力。而经过一年多时间的沟通和技术验证，明略在与国内外老牌公司和创业公司的竞争中胜出，最终承接这一项目。

明略与光大银行共同建立了基于全行数据的内部知识图谱数据库，也是明略应用于银行审计稽核场景的第一个项目。“光大银行到现在已经和明略合作了四期项目，它也是当时中国第一个全行级知识图谱数据库项目。”金融事业部GM李治宇对36氪表示。

审计稽核场景是银行“三道防线”中的最后一道，汇集了组织内部所有数据，并且拥有对数据分析、应用的权限。这对数据汇集、管理及分析能力都提出了很高的要求。到现在，明略科技已经为光大银行全行近十年全量数据构建了规模达十亿点百亿边的知识图谱数据库，覆盖企业、个人、机构、账户、交易以及行为等数据。

在光大银行这一项目成功落地后，明略又服务了金融监管部门及多个头部金融机构，如中国人民银行、中国银行、建设银行、交通银行、平安银行、中国人寿等等。

如果说光大银行的项目是开始，重点在于完成明略初期在金融行业know-how和业务模型的沉淀，那么近年的平安银行项目，则是为明略打开了在风险稽核场景中的界面，了解在风控中客户真正需要的应用和功能。李治宇对36氪表示，这两个标杆性的客户案例，也正好对应明略金融产品的两条主线。

2019年，明略开始与平安银行展开合作，帮助其解决内审部门业务痛点，弥补传统审计调查工具的不足。

传统的调查工具主要通过各类专家经验规则跑数及人工分析方法去筛选风险点。众多的监测模型，存在部分模型相关性较高，部分监测维度缺失的情况。对于审计人员的使用存在监测不全面、效率较低的问题。而模型之间也缺少关联，缺少相关性分析以及对公司的综合评价；监测指标或模型的阈值固定，无法满足不同监管要求、不同风险等级、不同审计力度的监控要求。

对于银行而言，审计是内控及风险管理体系的重要环节。李治宇表示，项目开始时，客户的目标在于几个，一是联通、整合客户数据，同时联通供应商开发模型、专家评价、算法等，能够对客户进行全方位的评价，提升风险甄别准确率；二是通过对相关业务进行整理和分析，能够对所辖的机构和业务进行实时分析，及时发现问题，提高时效性。

从产品形态而言，明略与客户共同设计了一个灵活的工具级应用平台，包括关联网络，模型预警，图谱检索，关系查找、智能证据链，风险传导，资金追踪，专项审计等一系列功能，是一个基于智能风险调查的组合工具平台。部署实施后，平台能够面向个人/公司客户及员工账号展开主体全息画像构建、异常行为调查、资金流向分析、智能证据链收集、风险智能追踪、图谱挖掘分析等闭环。

在项目初期，明略首先完成了对用户原有数据的整理和分析，也就是数据的统一化。再者，对客户业务场景进行深入分析后，明略在数据层上进行了数据治理以及人工的加工和梳理，并结合专家经验、多模态AI算法、数挖/图挖模型以及知识图谱工具，让数据真正变得“智能”，能够自动对数据进行关联和识别、对各类业务风险进行深入洞察。

风控攻与守，难点在何处？

这一项目除了让明略积累了智能化审计的风险稽核场景认知，其标杆性意义一方面也在于项目难度。

李治宇对36氪回忆，项目从设计到落地，难点主要分成几个方面。首先，客户的业务场景复杂，部门职能要求覆盖所有的业务部门和业务经营条线，并且覆盖所有银行的业务数据，数据规模大。

其次，数据治理和难度较高。传统的人工风控方式，面对的数据分散在各个系统，明略科技需要将内外部的各类数据进行标准化，梳理数据间的基础风险关系，关键在于需要真实将业务需求理解到位，才能够有效实现风控。

文章来源：《科技与金融》 网址: http://www.kjyjr.cn/zonghexinwen/2021/0929/2906.html