鑽石舞台

通過和大部分金融機構的溝通，我們發現目前大家普遍對金融監管政策要點的總結強烈需求。尤其最近幾年持續強監管導致內控成本的增加促使銀行加大合規領域科技投入，結合起來就是要求通過系統建設來降低合規風險和內控成本，支持業務可持續發展。

但是通過流程再造，把監管要點嵌入到金融機構各個環節，而且還能動態更新，需要一個強大的並且支持動態更新的外規庫以及對監管政策要點的提取總結，目前為止市場上暫時還沒有一家能做到。法詢金融通過多年監管政策研究和數據積累，現正式推出相應合規諮詢服務和法詢智庫系統API接口及植入式服務。

1、外規內化的基礎性工作：制定和更新內部流程

通過情況金融機構都會將監管要點嵌入內部制度流程中並且嚴格實施。定期也有內部審計去監督執行情況，並出具審計報告。

但是時間長了之後，包括業務部門員工、領導到行內的管理層，都會逐步模糊化到底哪些是外部監管要求，哪些是內部的流程控制要求，哪些可以通過改進流程來做調整，哪些是不能調整的。

所以需要有一個獨立於內部流程控制點的純粹外部監管要點及管理系統。這套系統的內容需要動態更新，保持和內部流程的互動。

2、內部審計和合規風險評估檢查工作

內部審計和合規風險評估檢查工作的主要任務之一是確保機構運營的合法合規。其要求來源主要是監管法律法規通知要求，自律機構的規定等。對此審計部門和內控合規部門需要建立外部監管要點庫以及內部控制庫並且進行不斷更新，在此基礎上進行相應檢查以確保監管要求得以落實。但監管文件體系以及金融產品的複雜性決定了依賴於人工的模式必定會導致工作量巨大而且無法保證較高的覆蓋。基於法詢智庫的外部監管要點及管理系統則方便使用部門省去了自己梳理外部監管要點的巨大工作量。

3、員工監管要點學習培訓手冊

對核心要點的梳理總結可以方便從業人員的學習，查閱，知曉監管紅線到底在哪裡，並且參考設計內部控制流程。我們可以協助銀行製作紙質版監管要點手冊。

4、業務系統嵌入，流程節點控制

我們的監管要點根據每家機構的不同需求分別製作，重新分類整合，設置個性化標籤，嵌入業務流程中。

1、政策要點如何動態更新？

雖然此前也有很多諮詢機構做過類似的特定領域的監管要點整理工作。或者金融機構內部也有類似excel的整理清單，但是沒有動態管理的系統支撐，會導致無法多部門多人協同，無法實時更新，無法展現不同監管要求之間的關係和差異。

沒有一個T+0或者T+1實時更新動態管理的強大外規庫做支撐，監管政策要點就是一個靜態資料，無法適應快速變化的監管環境。

法詢智庫不僅僅有一個專業且持續更新數據庫系統，而且通過專業團隊和機器學習更新監管文件分類，關聯關係，有效性識別，模糊檢索，確保外規庫最專業水平。通過內部強大的系統管理平台和40人的專業團隊進行內容生產和動態維護。

憑藉這樣的強大基因，我們再出發，開始進行監管政策要點的分析。

2、金融關鍵詞庫

此外法詢自建搜索引擎，維護更新自己的金融關鍵詞庫，最終將20萬關鍵詞庫和業務及流程相對應。通過自然語言機器學習，在模糊搜索、監管政策要點篩查、內部流程自動篩查、錯別字識別等領域進行廣泛運用。

這些最新技術的應用形成了法詢強大的技術支撐，持續服務金融機構客戶。

法詢提供的方案主要是：

1、外部法律法規數據庫系統

法詢智庫包括豐富的數據內容（金融類法律法規、處罰案例、監管動態、分類法規、金融類判決文書），具體服務方式分為API接口和植入式兩種方案，都能實現全行覆蓋，本地系統部署（提供源代碼或不提供源代碼兩種模式）。

並且我們還可以根據客戶需要，進行部分個性化定製功能開發和改造，法詢外規庫系統和本行行內其他管理系統的銜接，以及法詢內部管理模塊部分機器學習功能嵌入。

2、監管要點拆分

基於法詢在金融機構本地部署搭建的外規庫系統，法詢協助進行監管要點的拆分、分類體系搭建、分類標籤、有效性識別、後續每周動態更新。

具體工程量按照機構需要，選定特定領域做監管要點拆分，為後續其他應用場景服務。法詢提供一整套系統工作平台支持，包括分析圖譜、要點拆分、關聯關係和分類邏輯。

3、流程梳理和外規內化

基於法詢建立的外規庫系統+內容+監管要點拆分和分類，協助金融機構打造包括包括內部流程再造、和內部流程嵌入和體檢、定期內部郵箱信息推送、內部系統超鏈接引用、風控或者流程節點控制等應用場景。

1、如何衡量銀行業金融機構法律法規庫的數據量？

金融機構需要真正搞清楚怎麼識別數據量，如何統一對比口徑：

經過8年多時間的不懈努力，法詢智庫已經包括了近10萬部金融相關法律法規（如包括監管批覆，監管處罰，監管動態則接近100萬部）。如果把非金融類的法律法規也納入統計口徑，則可以再增加幾十萬部監管文件。

我們在招標過程中，部分銀行要求填寫具體每個頒布機構對應的法規數量，通過這種方式排除不相關的法律法規，可以同一個口徑對比不同供應商的數據。

同樣是銀保監會發文，如果把部分行政批覆混雜進去充數就可以達到10多萬法規數據（其中批覆9萬）；央行發文，如果把公開市場操作及各種公告放進去，也可以高達3萬的數據（但是實際意義的法規就幾千部）。

此外還有大量游離於規範性文件通知和監管動態之間的文件，比如今天開了個會，明天做了表態，後天出了個新聞稿。

關於確定法規數據量，筆者建議通過篩選10-20個關鍵詞，正文內容及標題進行檢索，對比不同供應商的命中數量以及質量。因為一個關鍵詞輸入進去返回結果可能就10-50個，可以把這50個法規都點開看看，有沒有混進去毫無價值部分，直觀對比具體的數量和質量。

比如截至2022年2月，輸入「員工行為」，法詢智庫的返回結果是418條記錄，而且每條內容能夠經受住考驗。

2、如何識別法律法規庫的文件質量？

質量大概分為幾個層次：

（1）錯別字和格式錯亂，這個一般正規大型供應商不太會出現；但是小供應商如果只是簡單用爬蟲會比較常見。

（2）法規附件是否完整，表格是否完整。大部分供應商做不到對數萬個文件的附件做校驗入庫，表格進行規範。然而有很多文件表格才是正文的靈魂所在。

（3）法規之間的關聯關係，尤其是法規聯想及圖譜功能，目前市場上能做好的幾乎沒有。相對而言，目前其他供應商可以把明確的法規引用做好，而法規聯想需要大量專業人員，疊加NLP技術支持才能逐步完善的一項工作。

（4）法規有效性識別。有效性識別實際是所有服務商的通病，根源是監管機構只有動力發文，但廢止失效往往嚴重滯後，所以導致大量法規實際已經失效，但仍然在數據庫裡面顯示為有效，這種唯一解決方案就是人工專業識別，加備註方便金融機構從業人員自行判斷。

3、處罰案例

處罰案例雖然數據的獲取比較容易，但校驗數據錯誤，建立和法規的關聯關係，抓取金額，都需要消耗大量人工的工作。一行兩會一局8萬多的處罰案例，做了3年，最終才能形成一個像樣的產品。

比如光看數量，央行有18萬處罰案例，但是絕大部分都是和金融沒有關係，我們就需要做篩選，最終篩出來9000多和金融相關的處罰。

比如分類，我們需要根據非常有限的處罰案由，對銀保監會2.4萬處罰案例做分類處理，抽離出500多個分類標籤。

4、關於查詢

如果只是通用的做一個普通的開發，通常銀行選擇外包方或者自己行內提需求，也就是是法規名、文號、頒布機構、正文內容、頒布日期等字段查詢。

但是現實情況是用戶真要查的時候，很可能並不確定所查詢的關鍵詞對不對，這個時候對法規的標籤、分詞處理等長年累月的基礎性工作至關重要，在這些基礎上才能有聯想和模糊查詢。雖然我們目前也只是在法規聯想匹配上做了很多工作，在模糊查詢這一塊做得也不夠好，但是相信2021年底能夠實現相對精準的模糊查詢（通過自然語言學習，拆解關鍵詞做查詢結果模糊匹配）。

其他細節還包括比如移動端兼容、查詢響應速度要控制在0.5秒以內，基本要求如果是靠譜開發機構應該都能實現（但筆者也見過至少3家銀行自建的系統這些基本要求都達不到）。

5、外規內化和法規條款梳理

合規建設年，很多金融機構又重提此前不斷嘗試但不斷失敗的「外規內化」，本質上是要將紛繁複雜的且動態變化的法規要求嵌入到內部流程中，這需要兩項艱巨的任務：

（1）能夠梳理出所有監管要求（包括監管要點清單），這個能涉及到上萬部各種文件，數萬個要點。梳理過程中也會遇到更新或者廢止，同時不同條款之間的關聯關係、勾稽關係也需要注意。單就這項工作尚未看到任何一家供應商或者金融機構能夠完成，包括我們自己也只是嘗試梳理了幾千部法規文件和不到2萬條監管要點而已。

（2）內部流程的再造

本質上是需要根據業務流程和風險控制，在法規和風控所劃出的域裡面來給業務做規範。現有流程肯定需要重新規劃，該合併的合併，該拆分的拆分，而且需要和法規條款進行重新比對，確保流程控制對合規風險已經做了足夠的控制，如果有剩餘風險應該如何做應對措施。

但是首先第一步，需要判斷這個流程到底可能觸碰多少合規要點，後續萬一更新了怎麼辦？

之前之所以失敗，是因為從來沒有一個外部供應商能夠把外規的要點梳理清楚，內部不論是人力投入還是視野都遠沒有這個能力做這個事情。

6、能否通過AI實現法律合規基本問題的智能判斷？

筆者接觸過的銀行保險機構至少有3家嘗試過，而且是真刀真槍真資源投入，很遺憾結果也是非常失望。

包括某中大型股份制銀行和深圳當地的一家機構合作開發的智能合規機器人，選擇了一個非常聚焦的細分領域（僅針對零售的銷售環節），大幅度縮小範圍，確定對話場景，結果也只能是僅僅能用，但從監管處罰角度看，缺失遺漏部分就可能產生巨大的風險。要達到真正的業務合規判斷及審核，複雜度不在一個量級，還是對正確率的要求也更高，還有大量法律法規未明確的灰色模糊地帶。

我們雖然也在應用NLP做法律法規的條款分析，梳理法規條款之間的關聯關係，做一些系統的初級判斷再人工識別，但我們深刻意識到至少在合規這個領域尚未不成熟，3-5年之後的時機或許更好。在自然語言技術成熟之前需要在數據積累，條款分析以及基本的自然語言學習技術方面做好準備。

目前計算機技術取得了巨大發展，從易到難先解決了確定的重複問題執行難題，但在像金融合規領域這種不確定情景下的決策和判斷，還無法替代人類智力的判斷。

（全文完）