Zed案例ㅣ刘承岩：工商银行DataOps实践与探索

创新“云＋技术＋中台＋自助＋智能＋业务”的一体化数据要素生态循环，全员、全机构、全业务敏捷用数赋智新模式，为银行带来效率、体验提升和模式创新。

为进一步推动DataOps理念的价值释放，推动产研融合、产业实践，由中国信息通信研究院、中国通信标准化协会、上海市经济和信息化委员会指导，大数据技术标准推进委员会（CCSA TC601）组织主办的首届DataOps大会于2023年4月20日（谷雨）在上海成功举办。

在DataOps大会上，来自中国工商银行软件开发中心的金融科技高级专家刘承岩发表了《工商银行DataOps实践及探索》的主题演讲。

以下为演讲实录：

尊敬的各位嘉宾，大家好！非常荣幸参加DataOps的全球峰会。

今天我将从以下三个方面对工商银行DataOps的实践与探索进行分享：

01
银行数字化演进趋势

目前，我们已经进入数字经济时代，数字经济是未来的主要经济形态。在这当中，核心的参与者肯定是数字企业。数字企业拥有一个非常典型的特点，就是对于数据要素的应用和驾驭能力更为成熟。

银行一直处于数字化演进发展的进程中，整体上来说，出现了两个演进阶段：一是1.0的阶段，主要是利用数字化技术实现自动化、网络化以及移动化的过程，在这个阶段银行更多的是对于自身数字化能力的加强。二是2.0阶段，在这个阶段不仅仅是自身能力的加强，更多的是通过开放银行的技术，把银行和我们的产业链接起来，也就是让金融无处不在，这是一个非常重要的变化，除此之外，数据也成为了驱动数字银行演进发展的核心要素资源。

怎样看待这一驱动的模式？我认为一个数字银行的特征，可以有这几个方面：连接、实时、共享、智能等特征。以DataOps的理念来看，一个是创新“云＋技术＋中台＋自助＋智能＋业务”的一体化数据要素生态循环，还有就是全员、全机构、全业务敏捷用数赋智新模式，加速释放数据要素的价值，为银行带来效率、体验提升和模式创新，这是我们对银行数字化演进的理解。

02
工行DataOps应用实践

工行对于DataOps的实践，就数据方面而言，从表象上来说肯定是随时、随地、随需的敏捷用数。我们可以用六句话更好地概括表达工行在实践过程中对于DataOps的理解，刚才魏所的发布演讲中也提到了相关的理念。

一是用数自助化。我们认为接下来既然是数字银行，那肯定是要全员自助和全员研发。
二是数据产品化，规模应用，这是山处刚才提到的数据“三态”。数据产品是非常重要的，因为肯定需要通过产品的形式才能实现真正的大规模应用，只有产品才可以标准化和规模化，这是我们的理解。
三是智能员工化。我们认为人工智能、数字员工已经成为我们非常重要的用数主体，也就是人机协同的模式。
四是技术中台化。通过中台沉淀用数理念和用数方式。
五是云数智一体化，通过这样一个体系实现算力优化。
六是组织融合、组织协同。

这是我们所理解的DataOps体系。

我们所理解的DataOps的中台生态，肯定是要有一些技术，但我们所讲的中台不仅是技术平台。技术平台很重要，但是仅依靠技术平台想要在银行中实现大规模使用，还是有一点差距的，它还要有适配中台的能力，通过中台的能力才能真正衬托起数据资产的生态。工行的中台生态包含四个中心：

一是数据研发中心，构建敏捷的研发流水线，能够把用数和人工智能应用相结合，实现自动化和智能化；
二是数据资产中心，统一将数据纳管起来、融合起来，对数据进行有效的管理，另外数据要分层治理和管理，比如说数据的贴源、聚合、萃取的三层体系，对数据进行有效的管理和治理；
三是数据产品中心，通过数据资产的打磨，形成一系列的产品，比如说“数字员工”就是一个产品，再比如说数据运营相关的一系列平台，我们认为也是一个数据产品，包括风控决策方面的服务，我们也认为是数据产品；
四是数据运营中心，在这当中有资产管理、质量治理和安全体系的建设等。

我们所理解的全员自助用数有两个部分：一是全员低代码自助研发。比如说BI的图表定制，这是在信息化时代我们做报表的模式。还有现在的大模型，必然是需要算法工程师结合银行自有的数据，对模型做微调或者二次训练。还有一些分析师和数据科学人员方面的用数场景，我们认为这是全员低代码；二是全员零代码的自助用数。在这种模式下，模型即服务、解决方案即服务，能够面对问题直接解决问题。比如基于数字运营服务，业务部门可以直接配置运营策略，包括一些数字化营销或风控的决策等，将算法和策略融为一体。这是我们对于全员自助的理解。

既然全员自助，肯定相应地要有一些研发平台，而且这些研发平台不能是割裂的。我们认为集算法、策略、工具、发布和共享于一体的数据研发平台，是非常重要的基础设施，也是非常重要的研发工具体系。只有这样的研发工具体系，才能实现全员自助用数的目标。

说到敏捷研发的体系，业界经常会说MLOps和DevOps，我们认为DataOps是大的理念，是敏捷、高效和智能的用数体系。整体上来说，是把数据、智能和工程进行无缝协同。在大的DataOps的理念之下，结合业界所说的MLOps、DevOps这几个概念，形成真正全面的用数赋智能力。

在用数范式方面，我们认为在数字化银行和数字化企业中，有一个非常重要的基因，这一基因具体来说就是感知、决策、执行和反馈的闭环流程。举一个例子，我们经常说银行有资产负债的管理，其中针对负债管理，经常我们是做预算，把FTP年内增加好，以后这样执行就可以了。但是换一个视角，以感知、决策、执行、反馈的角度来看，我们实时感知和采集金融数据，在实时感知的过程中，动态优化资金配置策略，再把资金配置策略变成我们的行动，执行我们的资金配置策略，然后过程中反馈和实时监测流动性风险和利率风险，包括定价等方面，这样一个用数范式能让企业在资金管理方面有明显的变化和大幅度的提升，这是一个方面。另外在风险方面，也可以做到类似一些内容。比如硅谷银行，也可以用这样的流程实现集中监控、更快地调度和应对，在这当中，策略变得越来越重要和有价值。还有在经营过程中，实时采集相关的业务数据，给客户经理动态推荐对客户的服务策略，使其能够对客户进行相应的服务等，我想这就是我们理解的覆盖感知、决策、执行和反馈的这样一个用数范式。

关于海量数据的驾驭，刚才魏所也是提到了实时等方面一系列的技术应用。对于做大数据的人来说有一个明显的感受，就是数据太重，本身的体系太沉。在这个过程中把数据和计算存算分离，云和数据有效融合，发挥数据资源的弹性作用，把数据放到真正云的存储体系中，这样就可以实现计算引擎和计算能力的弹和缩。我们构建了湖仓一体、数智融合的能力，更好地支撑DataOps里面要求的敏捷、实时、开放、共享和安全的全机构以及全员用数的要求。

关于大模型包括人工智能的发展，我们在有些方面已经取得了突破，大家对用数模式的看法可能也发生了一个巨大的变化。“基于人工智能技术的AI助理”的这样一种模式和手段，其实已经应用到业务的各个流程过程中，不仅仅是对数据本身的治理和应用，其中更多体现为在实际业务方面的作用。比如说我们信贷的助理、零售的助理、分析师的助理还有数据资产的分析助理，这些体系化的应用进一步激活和推动了全员用数的理念。

在团队建设方面，因为新的体系之下需要一支专业团队，我们搭建了自己的用数赋智团队。另外我们有自己的金融生态拓展团队、分行服务支持团队和产品经理团队、产品运营团队，和各个业务线进行有效整合。总体上说，通过这一系列的团队建设，工商银行相关的资源实现了有效融合和协同，所以组织结构的变化对于业数融合来说是非常重要的。

下面是我们用数中的一个场景，光伏贷场景，我们通过建立有效的连接，推动数据实时流动，和光伏设备的生产商、经销商、运营商及农户实现了多方合作。农户买设备放到自己的屋顶上，工行可以给农户提供融资。然后我们和电网公司进行联动，电网公司对这个过程中发的电进行买入，农户就可以收到钱，把收益的一部分作为还款给到工行，这就是实时的用数赋智模式。

另外一种是跨企业数据流动的模式，解决了跨企业间的用数安全问题。我们通过与银联合作，借助隐私计算技术实现了数据要素的打通和融合，建立了商户贷这样的产品。这样的场景很多，充分践行了DataOps的全员用数，高效用数和高质量用数的理念。

在人工智能方面，我们利用我们的数据要素，构建了自己的数字员工，搭建了“工晓伴”，它现在相当于是员工的助手，找人、查工资单、人工问答和待办提醒等一系列的工作它都已经在做了，成为了员工比较好的帮手。我们认为这是另外一种用数的模式，因为把数据变成了产品能力，让产品支持业务的发展。

在大模型出来以后，我们认为以后可能每一位员工都有一位AI助理。例如风险AI助理在这个过程中，可以形成风险报告，监测项目进展的情况，还可以去解读一些文件，形成一些摘要，做一些监测的分析等等。大模型的时代已经到来，像AI助理的模式在企业中应用，可以有效地提高员工的工作效率，降低用数赋智的门槛，对于我们的业务有非常大的帮助和价值。

03
银行DataOps发展思考

从我们的角度来讲，未来的企业就是一个智能体，有自己的观察和决策系统，有自己的执行和反馈系统。这个是从数字细胞开始，到数字组织和数字智能体的一个演进过程。在这一过程中，我认为有三件非常重要的事情：

一是融入国家数据要素流通市场，数字化企业要充分利用好现在国家要素市场提供的要素资源。
二是形成自己的中台能力，包括数据的中台和AI的中台。
三是打造自己丰富的数据产品，形成数据产品的能力，然后将数据产品深度嵌入到银行本身的金融业务，把它嵌入到数字产业中去，更好地赋能实体经济，建立赋能人民美好生活的普惠银行。