Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101

AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，及其當時任職公司(台灣雪豹科技)無償贊助場地及茶水點心。

去 YouTube 訂閱 | Facebook | 回 GitHub Pages | 到 GitHub 點星 | 網站 | 到 Hugging Face Space 按愛心

本文是使用 gemini-fullstack-langgraph 生成

台灣金融業在GenAI的現況和未來可能發展

Agent：gemini-fullstack-langgraph-quickstart

作者：TonTon Huang Ph.D.

日期：2025年06月05日更新

探討多種 AI Agentss工具的應用經驗與挑戰，分享實用經驗與工具推薦。

GenAI 與 LLM 在金融產業的應用分析

基於 AutoGen的FinRobot

台灣金融業在生成式AI (GenAI) 的應用正迅速發展，不僅提升營運效率與客戶服務，也在積極應對相關挑戰。以下將詳述其現況與未來可能的發展方向：

GenAI 採納與應用現況

• 採用率顯著提升： 根據金融監督管理委員會（金管會）的調查，截至2025年，台灣已有33%的金融機構導入AI，較2024年的29%有所增長 (dataguidance udn udn[2], 2025-05-20)。在已導入AI的金融機構中，48%已開始運用生成式AI，年增長率達21% (FSC, [8], 2025-05-20)。
• 主要應用目標與領域： 金融機構導入AI的主要目標包括提升營運效率 (30%)、簡化內部行政作業 (39%)、降低勞動成本 (18%) 及優化客戶服務與體驗 (15%) ([2, 8], 2025-05-20)。AI主要應用於內部行政作業、智能客服、金融犯罪防制等領域 ([2, 8], 2025-05-20)。
• 關鍵技術： 自然語言處理 (NLP) 與大型語言模型 (LLM) (31%)、機器學習 (28%) 及機器人流程自動化 (RPA) (23%) 是目前最常被使用的AI技術 ([8], 2025-05-20)。
• 具體案例：
  • 台新銀行： 正在開發自家的LLM「台新腦」，用於智能客服，預計2024年底上線 (2024-11-02)。此模型與台灣AI Labs合作，基於FedGPT模型，並使用台新銀行內部數據與金融法規進行訓練，旨在提供金融領域的精準回應，並透過聯邦學習保護數據隱私 udn cio。
  • 中國信託金控： 推出AI客戶助理，提供財富管理建議和個人化投資報告 (2024-11-02)。
  • 玉山銀行： 運用對話式AI提供投資助理和信用卡推薦服務 (2024-11-02)。
  • 第一銀行： 推動GALA計畫，賦能員工使用GenAI工具以提升效率和推動業務創新 (2025-05-21)。
  • 國泰金控： 運用AI偵測詐欺和評估信用風險 (2024-09-09)。並與NVIDIA合作，使用NVIDIA NeMo平台開發能通過台灣「進階授信人員」認證考試的在地化LLM。
  • 公股銀行： 亦積極強化AI應用，如臺灣企銀計劃成立GenAI實驗室 ([13], ctee)。
• COBOL程式碼現代化： 部分金融機構正探索使用GenAI將COBOL程式碼視覺化，以協助IT系統現代化 ([10], 2025-03-13)。

未來發展趨勢

• 持續擴大應用： 47%的金融機構（179家公司）計劃引進或擴大AI應用 ([2, 8], 2025-05-20)，未來將持續聚焦於內部營運、客戶服務及金融犯罪防制等領域 ([2, 8], 2025-05-20)。超過三分之二的企業預計將增加對GenAI的投資 ([17])。
• 產業協作： 金融業者看好在AI反詐欺、本地化語言模型開發及風險管理等領域的合作潛力 ([8], 2025-05-20)。
• AI驅動轉型： AI預期將驅動金融服務業的數位轉型，滿足日益增長的數位解決方案需求 ([5], 2025-06-02, 2025-05-09)，並推動個人化金融服務、改善客戶體驗及促進普惠金融 (2025-06-02, 2025-05-09)。麥肯錫預估GenAI每年可為台灣銀行業增加360億至600億新台幣的利潤 (2024-05-28, 2024-05-27)。
• 人才培育與技能發展： 企業將著重培養員工AI相關技能 ([10], 2025-03-13)，以因應代理型AI驅動的新一代轉型 (ithome hk01 ithome clpsglobal)。
• ESG整合： AI也將與ESG（環境、社會、治理）倡議結合，推動永續金融和綠色保險產品 (2025-05-09)。
• AI代理人： 企業開始運用AI代理人自動化任務和流程 ([11, 12])。
• 星展銀行 (DBS) 倡議： 星展銀行已建立GenAI平台，預計2025年將創造242億新台幣的經濟效益 ([9])。

監管環境與金管會措施

• AI指導方針： 金管會已發布「金融業運用人工智慧(AI)核心原則與相關推動政策」及「金融業運用AI指引」，涵蓋治理、公平性、隱私保護、系統穩健性、透明度與問責制，並規範數據使用、隱私保護及模型訓練風險評估 ([3, 11], 2024-06-06, 2025-05-20, 2025-05-21, udn cio udn yahoo)。金管會強調基於風險實施核心原則，金融機構在評估AI系統風險時應考量多種因素 (cymetrics udn zerone cio)。
• 監管沙盒： 「金融科技發展與創新實驗條例」（金融監理沙盒）為金融業測試AI應用提供了友善的環境 ([3], 2024-06-06)。
• 推動金融科技創新： 金管會透過「金融科技發展路徑圖」積極推動金融科技創新，包括開放銀行、數位身分認證以及金融與科技公司的合作 ([6])。
• 監管調整： 預期金管會將推出更多監管措施以支持金融創新和永續發展 ([7])。
• 資料共享治理： 金管會發布「金融機構資料共享之資料治理諮詢文件」，徵詢外界意見，以提高資料共享與利用的透明度與效率 (udn esunfhc bnext)。

挑戰與考量

• 數據安全與隱私： 在以敏感金融數據訓練AI模型時，數據安全與隱私是主要考量 ([8, 6], 2025-05-20, 2025-05-21, udn 104 zerone)。金融機構需遵守台灣「個人資料保護法」，確保獲取客戶同意進行數據收集與使用。
• 內容準確性與穩定性： GenAI生成內容的不穩定性與潛在不準確性是一大挑戰 ([8], 2025-05-20, 2025-05-21)，AI「幻覺」問題在金融業尤為關鍵 (2025-05-09)。
• 法規遵循： 確保AI運營符合相關法規是關鍵考量 ([8], 2025-05-20, 2025-05-21)。台灣於2024年7月修訂「洗錢防制法」(MLCA)，金融機構需確保其AI系統符合修訂後的法規 (tookitaki cio)。
• 演算法偏誤： 演算法偏誤的相關挑戰依然存在 ([6])。
• 人才與專業知識： 預算限制及缺乏專業知識可能阻礙GenAI的採用 ([14])。
• 擴展性不足： 銀行在擴展GenAI應用方面面臨挑戰，原因包括IT基礎設施、數據治理、風險管理及變革管理能力不足 (2024-05-28)。
• 資料稀缺與品質 (針對本地化LLM)： 台灣LLM及軟體進展的數據普遍缺乏 (ceias)，且需確保訓練數據無偏誤並具代表性。
• 資料落地規範： 資料落地法規要求數據在特定地理邊界內儲存和處理，增加了數據管理的複雜性和成本 (getdynamiq)。

特定領域的深化應用與解決方案

1. 在地化大型語言模型 (Localized LLMs) 開發：
   • 挑戰： 除了前述共通挑戰，還包括LLM對繁體中文（含金融術語及地方用語）的理解能力 (udn udn yahoo zerone netadmin cio)，以及對台灣金融市場、法規和客戶偏好的專業知識不足 (udn zerone)。
   • 解決方案與案例：
     • 「台新腦」： 如前述，台新銀行與台灣AI Labs合作開發。
     • 產業聯盟： 金融科技產業聯盟正建構專為台灣金融業設計的LLM，使用本地金融詞彙與文本 (udn yahoo ithome cio)。
     • 國泰金控與NVIDIA： 合作使用NVIDIA NeMo平台開發本地化LLM。
     • 學研機構： 台灣研究機構已基於Meta的Llama架構開發本地LLM，如雅婷智慧開發的FedGPT，使用大量台灣語言資料訓練 (yahoo ceias)。
     • AI治理框架： 台新金控與安永 (Ernst & Young) 合作，依據金管會AI指引建構AI治理框架。
2. 聯邦學習 (Federated Learning) 於跨機構反詐欺之應用：
   • 技術框架與試點計畫：
     • 鷹眼識詐聯盟： 由台北富邦銀行發起，與台灣AI Labs雅婷智慧合作，成員包括土銀、一銀、彰銀等，目標是優化鷹眼防詐模型，預計2025年3月有實證結果。
     • 跨金融業聯合學習科技防詐： 由國泰金控推動，運用其CaFe框架，成員包括中信銀、玉山銀、新光銀及國家資通安全研究院，共同建立警示帳戶預警偵測模型，已提升20%異常帳戶捕捉率。
     • 支付詐騙聯合阻斷計畫： 結合電信與金融數據，由艾思艾、走著瞧、信誠金融科技、臺企銀、合庫等共同推出。
     • 壽險理賠樣態共享生態圈： 由新光金、新壽、台壽、AWS、網創資訊建構，透過合成資料訓練AI防詐模型 (udn cathayholdings cathayholdings)。
   • 主要障礙與應對：
     • 數據孤島： 聯邦學習以「資料不動，模型動」方式，僅共享加密模型參數，解決資料共享難題。
     • 資料標準化、模型共享治理及機構間信任： 需統一規範蒐集標註資料，並透過FinTechSpace聯合自主實證機制輔導。
     • 法規風險： 「金融無塵室」架構透過雲端與加密運算，實現資料不落地的AI模型協作。
   • 金管會角色： 促進聯合學習及資料隱私強化技術的聯合自主實證，指導成立「金融科技產業聯盟」(bnext udn ithome esunfhc)，並持續推動AI防詐策略。
3. GenAI 輔助 COBOL 大型主機系統現代化：
   • 具體技術應用 (除視覺化外)：
     • 程式碼自動轉換： IBM Watsonx Code Assistant for Z (COBOL轉Java) (clpsglobal ithome)，Amazon Q Developer (舊語言轉現代雲端優化代碼)。
     • 業務邏輯提取與分析： IBM Watsonx Code Assistant for Z，Amazon Q Developer。
     • 自動生成技術文檔： Amazon Q Developer (niar clpsglobal ithome netmag hk01 ithome)。
     • 可追蹤性管理： 日本明治安田生命運用GenAI檢查需求定義、系統架構與測試流程的可追蹤性 (netron clpsglobal niar ithome)。
   • 實際成效：
     • 提升開發效率： 明治安田生命提升約25% (niar clpsglobal ithome ithome netmag)。
     • 降低成本、知識保存、提高業務敏捷性 (netron clpsglobal ithome niar)。
   • 面臨限制： 驗證測試尚不完善 (IBM初期版本)，國內多處於POC階段，缺乏顛覆性應用，人才短缺，重新設計架構風險高 (netron clpsglobal niar ithome)。
   • 評估指標： 開發效率提升率、程式碼轉換品質、成本降低 (ithome niar clpsglobal hk01 ithome)、應用程式性能、風險降低、員工技能提升。

總結

台灣金融業正積極整合GenAI以提升效率、客戶服務和安全性 (yahoo ithome axisoft taiwantoday udn chambers buzzorange globallegalinsights ctee Current time information in 信義鄉, TW dataguidance udn)。儘管挑戰依然存在，金管會正提供指導和支持，以在管理風險的同時促進創新 (udn)。產業內部也積極探索合作與人才發展，以期最大化GenAI的效益 (find yahoo ctee bnext)。從在地化語言模型的開發、運用聯邦學習進行跨機構反詐欺，到利用GenAI輔助核心系統現代化，都顯示了台灣金融業在GenAI領域的積極投入與未來潛力。