传统产业改造不能只靠高新技术

　　 “随着金融业务越来越融入各类场景，每天都要处理不少在线支付失败、在线转账失败等业务故障。”一位城商行IT部门负责人向记者透露。尽管这类业务故障占比很低，但银行高层认为这会影响客户金融服务体验与市场口碑，要求IT部门尽早将每日业务故障量再降低逾30%。

　　 在他看来，要完成这项任务，绝非易事。一是银行内部很多部门的业务操作IT系统仍相互割裂，导致IT部门无法知道很多业务故障到底出现在哪个业务操作节点；二是当业务故障出现时，银行内部的故障溯源分析能力偏弱，需要大量时间才能解决；三是当前银行部门的监控、运维系统仍然各自为政，往往只关注到某个层面的业务故障，缺乏前瞻性的业务规划以降低新场景金融业务的故障发生率。

　　 他透露，去年底以来他们也邀请第三方智能运维技术提供商搭建智能运维系统以解决上述痛点。

　　 尽管这些智能运维技术提供商争相介绍全新的AI智能技术将如何提升银行业务故障提前洞察、归因分析、迅速解决的效率，最大限度确保银行运维的可靠性与业务故障极低发生率，但银行方面更不愿意为了适配新智能运维系统开展大量的业务迁移。对银行而言，运维的稳定性与安全性相比新智能技术应用更重要。

　　 一位股份制银行IT部门人士则向记者透露，目前银行要引入大量新智能运维系统以降低业务故障发生率与提升业务故障分析解决能力，还需解决这些新技术的水土不服问题。这些水土不服问题主要包括数据采集管理难、数据库建设难、数据处理能力弱、无持续开发性等问题。

　　 “对银行而言，智能运维系统的建设，不在于引入多少新智能技术，而是能否最大限度提升异常状况检测、异常状况归类、智能根因分析、落实解决方案、防止异常状况再度发生的效率。”他强调说。

　　 引入智能运维技术面临诸多挑战

　　 在业内人士看来，随着金融服务融入越来越多场景，银行内部对各类场景化金融服务的可靠性与反应速度考核要求日益提升，包括要求业务响应率、响应时间、成功率、耗时必须都在分钟级完成，在线个人消费信贷审批等新型业务甚至要在秒级快速完成。

　　 “事实上，要完成这些考核要求，难度不小。”上述城商行IT部门负责人告诉记者。以在线个人消费信贷审批业务为例，整个业务流程涉及网银交易系统、网贷链接平台、信贷交易系统、“公检法”交易查询审查系统、身份核查系统、征信统一前置等多个系统，在实际操作环节，由于不同业务系统存在IT割裂，且银行无法做到全流程监控与数据采集管理分析，任何一个业务环节出现数据交互差错，就可能导致整个业务流程效率低下甚至出错，但银行内部若要对业务故障进行归因调查分析，又要梳理追溯不同业务部门的原始数据，整个操作流程异常繁琐且效率低下，甚至有时IT部门人员不知道业务障碍到底发生在哪个业务环节。

　　 他透露，此前他们内部也在尝试打造全新的智能运维系统，进而梳理整合各部门IT系统与数据报送分享体系，最大限度实现业务数据标准化，但在实际操作环节，多个业务部门认为大规模数据迁移相当繁琐且容易出错，对引入智能运维系统的积极性并不高。

　　 “目前，我们也在尝试引入第三方智能运维技术提供商，帮助我们搭建智能运维系统。”他指出。引入外部机构的一大好处，是有更高几率说服各个业务部门同意引入新的智能运维系统，此外第三方智能运维技术提供商可以通过AI智能与大数据技术，解决数据业务大规模迁移过程的差错问题。更重要的是，部分第三方智能运维技术提供商的AI能力，有助于解决传统监控运维系统生态割裂、视角单一、被动查找等痛点同时，结合大数据分析、机器学习、AI可解释性和知识图谱等关键技术有效提升业务故障、归因分析、解决方案快速落地、防止异常状况复发等效率。

　　 “目前，不同银行对引入智能运维技术的诉求截然不同。”上述股份制银行IT部门人士向记者透露。目前大型银行比较看重智能运维系统的开放性与可迭代性，即智能运维系统的底层数据、数据共享、知识汇聚等领域可以彼此打通与重复使用，进而有效支撑银行快速开发全新的业务场景智能运维能力，促进银行内部的业务迭代升级与新场景拓展。相比而言，中小银行主要侧重使用智能运维技术，完成场景化金融服务的数据分析与业务增长预测，以及快速解决各类业务故障等。

　　 这背后，与中小银行运维部门的技术水准与IT资源投入有着密切关系。记者多方了解到，中小银行因IT投入有限，往往会将数据输出放在小型机器设备，导致他们对智能运维技术引入与部署数据采集节点有更高的要求，以解决相对复杂的数据串联打通等问题，但这导致第三方智能运维技术提供商更难实现数据采集链条的稳定性与安全性。

　　 数据报送还需落实“标准化”与“规范化”

　　 值得注意的是，如何借助智能运维技术向监管部门精准全面地报送经营数据，俨然成为银行面临的新挑战。

　　 一位银行合规部人士向记者透露，目前金融监管部门希望借助大数据监控与分析技术，将监管要求报送的银行运营数据转化成数字化、标准化的“机器可读”程序语言，对银行等金融机构也有明确的技术规格设定要求。但对银行而言，信息科技风险监测需应对的是海量抽象的机器数据，它不像隐私信息、用户信息、交易数据等业务数据那般容易理解。所以银行等金融机构采集这些机器数据后，还需经过专业化分析，不仅将机器数据转化成可视化的业务指标与符合监管部门的监管指标，报送给金融监管部门。

　　 “以往，我们遇到的最大挑战，是通过一个脚本语言或重语言撰写的查询语言，很难令监管部门相对容易快速地了解到各类经营数据背后的底层数据指标是否存在异常，反而造成监管部门与银行之间围绕某些业务数据需要反复沟通确认，才能掌握银行的业务状况。”他告诉记者。因此他们正尝试构建全新的智能运维系统，能让金融监管部门无需花费太多沟通成本，就能快速了解银行各类交易数据与风险状况。但这需要银行内部先实现报送数据的标准化与规范化操作，并通过数据降维等技术确保监管部门能快速了解到底层原始数据，从而更全面精准地了解银行实际运营状况。

　　 “我们正与一些第三方智能运维技术提供商合作，借助后者提供的动态数据采集+数据分析模块实现各项业务全链路监测分析、异常行为分析、异常交易归因分析，再实现指标变量数据汇聚与汇总计算，以可视化方式向金融监管部门提供报表展示同时，便于后者更精准地开展指标分析。”他指出。目前通过初步测试，这套智能运维技术已初步解决各项业务数据规范化与标准化问题，但在以可视化方式向金融监管部门报送经营数据方面，还需开展大量可操作性探索。

　　 记者多方了解到，不少第三方智能运维技术提供商正积极探索通过“区块链+”融合技术，提升金融机构报送经营数据的操作效率与精准度。

　　 在一位第三方智能运维技术提供商看来，区块链正从单一技术走向融合技术——可以与AIoT（人工智能+物联网）、隐私计算等技术不断融合，一面提升金融机构报送经营数据的可视化程度，一面凭借区块链的不可篡改性，令监管部门可以精准了解底层原始数据，杜绝银行在数据报送过程的弄虚作假行为。