来源：鑫智奖·2025第六届金融机构数智化转型优秀案例评选

获奖单位：哈尔滨银行

荣获奖项：智能运维优秀案例奖

一、项目背景及目标

2025年作为《金融科技发展规划（2022-2025年）》收官之年，我国金融业数智化转型进入全面深化、系统推进的关键阶段。2024年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，明确以数字化转型为战略引擎，提出到2027年建成"数字金融强国"的路线图，强调数据要素与算法算力对金融服务模式的重构作用。在此背景下，数据要素市场化配置改革深化，以DeepSeek为代表的大语言模型等人工智能技术迅猛发展，推动金融服务底层逻辑重构，数字金融向"数智化"质变升级。

本城商行面临传统运维体系在监控告警、作业调度、科技服务等方面效率低下、人工依赖度高、响应不及时等问题，难以适应数智化转型需求，亟需借助AI技术重构智能运维体系。

二、创新点

1.AI大模型深度融合业务场景

将DeepSeek等大语言模型创新性应用于运维各环节，如在科技服务台场景，实现知识库信息自动检索与工单自动分配，改变传统人工检索与分配模式，提升服务效率与精准度。

2.全流程智能化覆盖

实现从事件发现（监控告警、作业调度事件）到处置、服务台支持（知识库检索、工单分配）、数据分析（性能趋势、报表统计）及员工培训的全流程智能化，形成闭环管理，打破传统运维各环节割裂状态。

3.动态优化与自主学习

建立模型优化与升级机制，基于实时数据反馈，不断优化AI模型，使其适应业务变化与数据特征，提升智能化水平的持续性与有效性。

三、项目技术方案

1.实践场景-监控告警事件智能化发现与处置

1.1实施流程

模型支持解析监控数据，实现告警分级与优先级排序。Zabbix报警信息通过DeepSeek模型与RAG向量库中的处置文档结合加持，值机工程师将告警信息发送至AI引擎，自动生成根因分析报告及处置建议。例如，针对“Windows磁盘空间不足”告警，模型不仅定位到具体文件路径，还提供清理脚本和扩容建议，显著缩短MTTR（平均修复时间）。

1.2实施结果

检测准确率：从人工检测的误报率明显下降。

处置效率：紧急告警处置率提升较大，平均处置与重要告警工单处理时间显著缩短。

人工成本：监控岗位人力成本投入减少，运维团队可将更多精力投入系统优化。

2.实践场景-作业调度事件智能化发现与处置

2.1实施流程

模型支持解析故障处置手册，显著提升了需作业调度操作的事件流程从发现-处置-反馈执行结果的时间。各系统基础信息及脚本通过DeepSeek模型与RAG向量库中的处置文档结合的加持，值机工程师将问题简要发送至AI引擎，自动生成根因分析报告及处置建议。例如，针对“系统批量报错”在特殊日期是如何处置等内容回答，模型不仅定位到具体文件路径，还提供处置脚本和相关应用与研发工程师的联系方式建议，显著缩短MTTR（平均修复时间）。

3.实践场景-科技服务台知识库信息自动检索测试

3.1实施流程

知识库清洗与结构化：梳理导入历史万条服务记录，清洗整合分散在多个系统中的知识库文档（含服务台基础业务需求操作手册、常见问题解答、故障案例、业务各类需求文档文件模板整理等），使用NLP技术提取关键词、实体关系，构建包含标准问答的结构化知识库。

智能检索模型开发：基于DeepSeek大模型构建语义检索引擎，支持关键词检索、语义模糊检索（如服务台同事输入“业务数据调取”可匹配“本司人员信息变更”“网络故障维护”等相关问题），并结合用户历史提问记录进行个性化推荐。

接口集成与测试：将检索引擎嵌入工单系统开展多轮灰度测试，累计处理400+模拟工单处置提问，通过此项工作可迭代优化检索算法（如调整TF-IDF权重、增加上下文关联度计算）。

用户交互优化：对复杂问题（如涉及多系统联动的故障），大模型添加角色关键字可自动生成“问题拆解员”，引导用户补充关键信息（如报错代码、操作步骤），提升答案匹配精度。

3.2实施结果

响应速度：平均检索响应时间从人工检索的2-5分钟缩短至4.2秒，90%的简单问题（如密码重置、系统登录网址）实现“秒级响应”。

答案准确率：标准问题匹配准确率达93%，复杂问题引导解决率提升至85%，服务台人工介入率下降40%。

用户满意度：服务台工单处理满意度从72%提升至88%，一线客服人均每日处理问题量从30单增至50单。

4.实践场景-协助科技服务台分配工单测试

4.1实施流程

1.工单数据标签化：对历史工单数据进行标注，提取业务领域（网络/服务器/应用）、问题类型（故障/咨询/需求）、影响范围（个人/部门/全行）等10+标签，同时为本部门运维人员建立标签库（含所属组、所关联系统、个人信息等）。

2.分配模型训练：使用DeepSeek大模型构建工单-人员匹配模型，输入工单内容、用户等级（普通员工/管理岗）、紧急程度等特征，输出最优处理人（支持1对1、1对多回答），通过模拟分配测试优化匹配策略（如优先回答给30天内同类问题解决率>90%的工程师）。

性能趋势分析测试

3.多源数据整合：接入系统性能指标（CPU/内存/磁盘IO）、业务交易数据（交易量、响应时间）、外部数据（如高峰时段用户访问量），通过数据中台建立统一性能数据集，涵盖多个核心系统的各类性能指标。

4.特征工程与模型训练：使用时间序列分解算法（STL）提取周期性特征（如日终/月末峰值），结合LSTM神经网络构建性能预测模型，支持72小时趋势预测，重点关注交易响应时间>250ms、吞吐量下降>20%等临界指标。

5.可视化与协助预警机制：通过BI工具生成动态性能趋势图，当预测到某核心系统（如支付清算系统）未来2小时吞吐量将突破阈值。

4.2实施结果

预测精度：关键性能指标（如交易响应时间）预测误差率有所控制，在8%以内，提前24小时识别系统瓶颈的准确率达85%。容量规划工作基于趋势分析结果，通过不断优化可把在跑批时资源调节到“安全”阈值范围。

5.实践场景-专业报表统计分析测试

5.1实施流程

报表需求梳理：整合运维、科技、业务、合规等部门的报表需求（如《日度系统可用性报告》《故障分类统计报表》），标准化报表指标定义（如可用性=正常运行时间/总时间×100%），建立报表模板知识库。

智能分析与生成：使用DeepSeek大模型解析报表业务逻辑，自动完成数据聚合（如按部门、故障类型分组统计）、趋势分析（同比/环比计算），并生成可视化图表（柱状图/折线图/热力图），支持中文自然语言描述报表结论（如“本月网络故障占比35%，较上月上升10%，主要原因为XX交换机固件升级失败”）。

后续计划开展自动化数据pipeline：开发数据采集机器人（RPA）定时抽取核心业务系统（CMDB、监控平台、工单系统）数据，通过AI模型自动清洗异常值（如工单处理时间>24小时的极端数据），数据清洗将大大提高。

6.实践场景-新员工培训测试

6.1实施流程

1.培训场景建模：梳理运维岗位核心能力矩阵（含监控报警分析、故障发现处置、应急流程操作3大维度与多项技能），基于历史故障案例（如数据库死锁、业务系统紧急处置标准化文档）构建多个个虚拟培训场景，每个场景包含事件背景描述、报错处置情形考试、后台记录反馈机制。

2.智能培训系统开发：使用开源引擎搭建虚拟运维角色+DeepSeek大模型作为“智能导师”，支持文字交互（如学员提问“如何排查服务器无法连接问题”，系统自动引导排查步骤：ping测试→查看防火墙→检查网络配置），并根据学员操作路径生成个性化能力评估报告。

四、项目过程管理

实施步骤：

1.数据准备

采集并清洗历史工单、监控日志、业务运行日报等数据，构建训练数据集。

2.模型训练与部署

在私有环境中对AI模型进行本地化训练，集成Rag引擎与多智能体框架。

3.场景试点与扩展

先在科技服务台、核心交易系统数据进行测试切入点，验证后逐步扩展至全行业务系统数据。

4.风险管理

通过标准化文档脱敏、局域网访问权限控制保障数据安全，建立“人工审核+自动校验”机制确保模型输出可控，保留传统运维通道应对异常。采用“联邦学习+同态加密”技术，确保训练数据不出行，符合《个人信息保护法》要求；引入SHAP值分析工具，对AI生成的故障根因解释覆盖率达80%，满足监管“可审计”要求。

五、运营情况

1.系统运行稳定性

①项目自上线以来，核心业务系统稳定运行率达99.98%，日均处理监控告警事件超2000条，作业调度事件处置率达100%，未发生因AI模型输出异常导致的生产事故。

②通过AI引擎动态跟踪模型性能指标（如响应时间、准确率），每周通过各类《智能运维系统数据报告》，累计优化模型参数12次，确保系统持续可靠运行。

2.日常运维机制

①采用“AI初判+人工复核”双轨制：简单故障（如磁盘空间不足、密码重置）由AI提供标准化处置方法，复杂故障（如多系统联动异常）触发操作提示流程，人工复核平均耗时缩短至15分钟。

②构建“数据-模型-场景”闭环优化体系：每月收集一线运维人员反馈的多条优化建议，结合生产数据迭代训练模型，已新增支持多类细分故障场景的分析与标准化处置意见（关键系统异常重启信号灯、网络链路中断执行切换备线操作）。

3.用户反馈与迭代

①后续计划面向全行建立“智能运维体验官”机制，累计收集业务部门反馈问题，优化科技服务台交互界面、工单分配逻辑等功能点，加强用户操作便捷性。

②定期开展跨部门联合复盘会，针对极端场景（如月末批量交易高峰）优化AI资源调度策略，确保系统在峰值负载下仍保持低延迟响应（平均交易响应时间＜200ms）。

六、项目成效

1.效率提升

①监控与处置效率：紧急告警平均处置时间缩短20%，重要告警工单处理时长减少25%；性能趋势分析可提前24小时识别系统瓶颈，准确率达80%，容量规划效率提升0%。

②服务台效能：科技服务台人工咨询介入率下降40%，90%的简单问题实现“秒级响应”回复。

③培训效率：新员工培训周期从4周缩短至2周，通过标准化处置知识库场景完成80%的实操考核，降低培训成本。

2.成本降低

①人力成本：值机监控岗位与科技服务岗位同事重复性工作导致的人力成本降低。

②运维资源优化：通过AI驱动的性能数据趋势分析，调整服务器资源分配，有效提高资源利用率。

3.质量与体验提升

①故障处理精度：监控告警人工误判率下降50%，根因分析准确率从60%提升至82%，复杂故障引导解决率达85%，服务台工单处理满意度从72%提升至88%。

②行业示范价值

项目成果符合《推动数字金融高质量发展行动方案》导向，验证了AI大模型在金融运维场景的可行性，为行业提供可复用的技术路径与实施框架，预计可带动同类机构运维效率平均提升20%以上。

七、经验总结

1.技术适配性：选择国产化开源模型（Deepseek）降低技术壁垒，结合银行特有数据训练提升场景贴合度；

2.组织协同机制：成立“科技+业务”联合专项小组，累计优化流程节点28个，需求响应效率提升50%；

3.技术能力转型：开展“AI运维工程师”认证培训的学习工作。

7.1挑战与应对

1.数据质量瓶颈：建立“数据质量评分机制”，对数据及标准化文档的质量有较高要求，需要实时更新优化；

2.国产化迁移压力：后续将采用“双轨制”迁移策略，计划业务系统与AI模块并行运行较长时间，需确保业务零中断；

7.2未来展望

1.技术演进：2025年Q4试点“AI视觉+传感器数据”融合的智能巡检，探索多模态大模型在设备运维中的应用；

2.场景延伸：将连接更多科技赋能的工具，为我行提高工作效率，为业务同事解决繁复工作提供解决方法；

3.标准共建：为行业的《商业银行智能运维技术规范》出一份力，推动金融业AI应用标准化的顺利开展。

更多金融科技案例和金融数据智能优秀解决方案，请在数字金融创新知识服务平台-金科创新社案例库、选型库查看。