揭秘AIGC如何助力金融行业软件开发：从需求分析到系统运营

在数字化浪潮下，金融行业正转向技术领域。AIGC在金融行业软件开发中发挥重要作用，从需求分析到系统运营都有涉及。AIGC提升编码阶段的效能，如智能数据建模、生成业务流程图等，并使系统具备自学习、自我适应能力，更好地满足用户需求。

目    录

01 AIGC在软件工程各个阶段的应用

02 AIGC在软件工程领域遇到的问题

03 问题的解决方案

‍‍‍

01

AIGC在软件工程各个阶段的应用

首先，AIGC在编码阶段发挥了巨大作用，并且在当下低代码开发方式的盛行的情况下，AIGC对软件开发的效能有了大幅的提升，比如利用Prompt进行智能化的数据建模、通过人机对话的方式生成业务流程图等等；再比如在让开发人员头疼的正则表达式的生成，AIGC能够快速给出精准的结果。AIGC+低代码再一次让软件开发的效能提升到新高度；

但是在金融行业，传统的表单或者模型驱动的低代码开发已经不能完全适用金融复杂业务系统的建设；我们讲金融行业的应用系统可以分为三类，轻应用系统、轻业务系统以及专业系统，对于轻业务系统，比如OA等管理类系统，主要流程审批、信息收集为主，那我们使用零代码的方式就可以快速的建设应用系统。而对于轻业务系统以及专业系统我们就需要有大量的技术组件和业务组件通过服务编排来完成应用系统的建设；

而在这个时候往往存在最大的问题是到底组件应该怎么来？在没有AIGC之前，我们可能会通过大量开发人员或者业务人员的头脑风暴来沉淀相关的组件，但是这些组件往往又存在复用度低、功能不完善等等问题。这些问题在人工智能的时代，可以通过AIGC得到很好解决，比如我们通过对需求文档的相似度分析、流程图的相似性比对快速完成业务组件的沉淀；同时也可以对现有的系统运行数据和架构数据进行训练，微调AIGC的大模型，充分利用AI的能力沉淀出相关的业务或者技术组件。

其次，金融行业的软件工程方法在互联网思维的影响下，敏捷逐步成为软件研发方法的主要选择。在“敏捷”的大趋势下，金融机构的科技部门配备了大量的产品经理的岗位，该岗位主要对最终的业务成功负责。在这个过程中产品经理需要通过AIGC的能力能够极低的成本更高效的获取需要的“知识”；主要来自于两方面：一方面产品经理可以借助AIGC的能力智能化的生成竞品分析、用户故事等等内容，提升在产品设计以及需求分析方面的效率；另外一方面产品经理也可以将AIGC的能力嵌入到产品的建设里面来，比如在建立客户经理工作台的解决方案时，可以利用AIGC的能力快速帮助客户经理生成征信报告、行业报告等等内容，提升客户经理的工作效率。

最后，DevOps在金融行业的软件工程实践中已经得到很过企业的大力应用，面对金融企业复杂的信息系统建设，DevOps的智能化、自动化的能力需要进行提升，而AIGC的出现正好可以弥补DevOps在这方面的不足。比如持续集成、自动化测试、持续交付等多个方面能力的提升。利用AIGC技术可以实现自动编译、自动测试、自动部署等工作，从而极大的提升软件交付的速度与质量。持续交付要求系统必须自我感知、自我修复、自我扩展，而AIGC技术可以使得系统㕛自学习、自我适应的能力，从而更好地满足用户需求。

02

AIGC在软件工程领域遇到的问题

AIGC在软件工程的需求分析、代码开发、测试、上线部署等阶段有广泛的应用，但是在某些方面也存在诸多的问题需要解决，主要存在以下几方面：

• AIGC和大模型缺乏抽象思维能力

由于大模型的训练过程基于大量文本，这种训练方式使得对大范围的抽象设计缺少响应的掌控和应用能力；另外就是精确性不足，因为大模型是概率性模型，而程序优势需要严谨的，程序中错一个字符，可能需要花费大量的时间去查找问题，即时大模型有95%的正确率，但另外的5%的错误还需要有人工的参与才能进行纠正；

• 软件开发中存在大量的“暗知识”

所谓的“暗知识”是指哪些隐藏在脑子里或者没有通过文本表达出来的知识，比如在头脑风暴中在白板上画的草图，这些知识是没有办法参与到大模型的训练中的，同时这些知识由于有一定的逻辑关系，这样的逻辑关系大模型是难以掌握的，甚至是学不到的，最终就造成了模型的准确性降低。

• 大模型中数据安全问题

大模型首先要基于大量的文本数据进行训练，主要表现在数据投喂到模型的过程中会产生数据泄露的安全问题，据统计有2.3%的用户通过向ChatGPT投喂数据导致公司或者单位的数据泄露，这类问题需要通过全局的安全管控策略得到解决。

03

问题的解决方案

• 建设数字化工具，加强知识的积累

软件工程本身的数字化程度相对来说比较低，金融行业虽然是信息化程度较高的行业，更多的数字化的投入偏向业务方面，科技本身的数字化能力建设较为欠缺，而数字化能力的欠缺，对于AIGC大模型的训练结果的准确性就会有较大的影像，所以金融企业的首先需要建设数字化工具，比如讲需求文档进行结构化拆分，同时建立需求分析模型，沉淀成可复用、可展现的数字化需求资产；在架构层面，通过信息系统的元模型的构建，形成全局的企业级的架构资产；另外也需要在软件研发过程也需要通过数字化的手段进行数据的沉淀。

• 通过微调大模型，建立适合金融企业软件工程实践的专用模型

毋庸置疑，在大模型时代，数字化技术与AI技术将深刻地影响开发方式与所需的相关技能和工具。但是大模型不是“普世”的，想让大模型在软件工程领域发挥更大的作用就需要通过“微调”手段建设专用模型，来支撑软件工程的智能化演进，比如建立组件抽象的专用模型来支撑业务组件的沉淀。

• 建立全局的数据安全管控策略，避免数据泄露

2021年以来，国家相继颁布了《个人信息保护法》以及监管机构业务同步颁布了数据安全保护的相关规定以措施，数据安全管控越来越重要。而大模型的需要大量的训练数据，所以数据安全管理至关重要。这个时候就需要建立企业级的数据安全管控策略，从访问权限、数据脱敏等方面建立策略模型，管控整个向大模型投喂数据的过程。

AIGC对金融行业软件工程的重塑还在如火如荼的进行着，未来还有很长路需要走，也有大量的问题需要解决，但是最终让软件工程越来越来智能的方向始终不变。

不忘初心，鼎力前行。

关于作者：李方，普元首席方案专家，12年金融行业从业经验，曾就职于神州信息、德勤等多家金融科技服务或咨询公司。参与多家城市商业银行核心等业务系统的建设工作，以及某政策性银行新一代新核心业务系统的咨询工作；在业务领域，对银行的核心业务包括存贷支付等都有较为深入的了解；在技术领域，对目前分布式、云原生等在金融领域的应用也有一定的了解。目前主要从事金融相关解决方案的研发、售前等工作。

关于EAWorld

全栈赋能信创，共创数智未来！