文丨中信建投证券股份有限公司信息技术部 潘建东 訾顺遥

摘 要：随着金融行业对人工智能技术的深度整合，员工赋能平台逐步发展为一个全面的知识和信息生态系统，能够为员工提供个性化的能力支持。本文结合中信建投证券股份有限公司相关实践，从系统建设思路、架构设计和核心技术等维度，详细介绍了员工赋能平台的建设路径。

关键词：员工赋能;人工智能;知识管理系统;知识图谱

  在现代金融领域，信息获取速度和准确性成为决定企业竞争力的关键性因素之一。尤其是人工智能技术的快速发展为金融机构迅速筛选关键数据，并将其转化为有效策略提供了强力支撑。以证券行业为例，通过引入AI技术打造员工赋能平台，企业不仅可高效、准确地为员工提供所需信息，还可结合在线专家解答系统，在更为复杂、专业的问题上为其提供相关指导和建议。顺应上述趋势，中信建投证券股份有限公司(以下简称“中信建投”)设计搭建了集信息检索、经验分享、业务能力提示等功能于一体的综合性员工赋能平台。该平台引入人工智能技术，不仅能够全面提升员工的知识水平、业务技能与服务质量，还能有效促进证券行业的持续创新和竞争力提升。

  一、员工赋能平台建设思路

  作为金融行业的重要组成部分，证券公司业务涉及宏观经济、公司财务、市场分析、投资策略、法律法规等多个层面，需要员工不断地学习、理解和应用跨学科、跨领域的各种知识。针对这一特性，中信建投结合实际业务需求，设计提出了员工赋能平台建设思路(如图1所示)，以进一步提升员工的工作效率与服务品质，全面强化公司的市场竞争优势。

图1 员工赋能平台建设思路

  从业务维度，员工赋能平台为员工提供了全面的增值服务，通过设置业务导向的知识资源，为员工的职业发展以及业务技能提升打下了坚实基础。例如，员工赋能平台集成了先进的协作工具以及知识管理系统，以提高员工的工作效率和团队间的协同合作能力，尤其是平台内的组队服务功能，可支持员工直接开展实时合作业务。此外，通过引入激励与认可机制、安全性和合规性培训，平台不仅可激励员工快速完成业务创新，还确保了业务操作的规范性、安全性。

  从管理维度，员工赋能平台搭载了知识整合与管理功能，不仅可优化工作流程、减少重复性任务，还能够在很大程度上降低人力成本。例如，依托员工赋能平台，业务人员可以迅速查找相似问题的解决方案，从而大幅提升员工解决问题的能力和效率。此外，基于员工赋能平台，中信建投鼓励并引导员工持续深化、扩展自身的知识和技能体系，不断提升整体服务水平。更进一步，员工赋能平台还为业务人员提供了记录、整合及分享个人经验的有效渠道，不仅能强化每位员工的个人价值感，也有助于团队内部的知识传递。

  从技术维度，中信建投引入自然语言处理技术，在员工赋能平台中实现资源的有效沉淀与适配，显著提升了平台用户满意度和员工工作效率。例如，针对销售人员、理财规划师以及管理者等角色，中信建投在平台中差异性开发了一系列灵活的配置选项，不仅包括了用户界面和功能的调整，还覆盖了数据访问权限的设置、知识生成工具的个性化配置以及个人学习路径的推荐。此外，员工赋能平台还可高效、精确地为员工提供问题解答和知识检索服务，协助其深入洞察市场动向并持续提升个人知识水平。

  二、员工赋能平台系统架构设计

  为了更好地满足不同岗位员工的需求，中信建投对员工赋能平台进行功能拆解和划分，细化设计了知问与知识中台两个核心子系统(如图2所示)。

图2 员工赋能平台功能模块

  1.知问系统

  知问系统为员工提供了可视化界面和友好的使用窗口，其不仅是一个知识查询工具，也是一套为证券公司员工量身定制的知识共享系统。该系统提供多样化的平台访问方式(包括移动端和PC端)，并对不同的平台界面进行了功能设计，以更好满足不同员工的需求。同时，知问系统还是一个知识沉淀和分享的社区，员工可以在这里提出问题、分享自己的见解、回答他人的问题，甚至自由组队参与讨论，进而形成一个开放的知识生态系统，汇聚证券领域内的各种专家和学者，为员工提供了一个广泛、多样的知识来源。知问系统还支持个性化订阅模式，员工可以根据自己的兴趣、需求对相关内容进行点赞和收藏。

  此外，通过在知问系统与知识存储之间构建高效、稳定的通信桥梁，中信建投实现了两者之间的深度整合。基于先进的分布式网络架构，如微服务和容器化技术，中信建投确保了数据传输的高速性和低延迟，同时通过负载均衡和自动故障转移机制，增强了系统的可靠性和弹性。在知识存储方面，知问系统采用了MySQL、MongoDB和Elasticsearch(ES)等多种数据库技术的同步机制，不仅进一步优化了数据读写速度，提升了查询效率，还通过数据冗余存储增强了系统的稳定性。与依赖单一数据库相比，上述复合型数据架构大大降低了系统的故障风险，保证了业务连续性和数据完整性，特别是在处理大量并发查询和实时数据分析时，更能够显示出其卓越的性能优势。此模式不仅使员工上传至知问系统的知识数据保持同步，还进一步推动了公司内不同分支机构间的知识数据整合，从而可辅助员工及时获得业务相关的有价值信息，使其更好地理解市场变化，并不断提升自身能力。基于员工赋能平台，中信建投致力于为员工构建一个更具创新和协同精神的工作环境，持续培养员工的全局视野，以使其能够更好地应对金融行业的快速变化和复杂性等特点。

  2.知识中台系统

  知问系统的强大离不开知识中台系统的数据管理支持。为了更好地捕获、整合并利用公司及各分支机构的知识数据，使知问系统能够在业务策略、市场分析、操作指南等方面为员工提供全方位支持，中信建投为员工赋能平台设计了一套动态高效的知识生产管理系统。具体而言，知识中台被设计成能够处理和接入多种数据来源的数据管理系统，其基于NLP算法和机器学习技术，通过对原始数据进行敏感词检测、错别字纠正、数据整理等操作，可将其转化为四种不同类型的标准化知识，高效满足不同的业务和查询需求。

  同时，通过将生产出的知识统一存储在数据库中，知识中台系统为知问系统提供了坚实的数据底座。知识中台系统基于多源数据接入以及对知识的智能化生产和集中存储，确保了知问系统中搜索结果的及时性、准确性和可用性，高质量赋能公司的每位员工。此外，知识中台系统还为不同业务分支的员工建立了数据访问权限机制，不仅确保了知识的全面性和连续性，也保证了各业务部门专属知识的信息安全。

  三、员工赋能平台核心技术

  1.多源异构数据接入技术

  随着证券业务的快速发展，数据来源逐渐多样化，数据格式和结构也变得越来越复杂，传统的数据处理方式愈发难以满足业务实时性要求。对此，中信建投在员工赋能平台中引入多源异构数据接入技术(如图3所示)，以确保多源异构数据能够按照用户需求快速处理成规范格式接入知识中台系统。同时，为保证数据的实时性与规范性，中信建投采用了批量、全量的灵活调度机制以支持不同场景下的数据同步要求，并针对不同维度的数据设计了结构化适配器、半结构化适配器以及视频适配器，以保证接入员工赋能平台的数据以规范形式存储至数据库中。此外，在数据源配置方面，中信建投引入了流式订阅接口和批量订阅接口进行数据分发，以满足不同模块的需求。

图3 多源异构数据接入技术示意

  2.基于知识生产的关键技术

  在信息检索领域，知识图谱凭借独特的搜索方式以及可视化结果而备受业界青睐，其通过将分散的、异构的数据集成在一起，可构建出一个结构化、语义化、多维度的动态知识库。鉴于此，中信建投为员工赋能平台设计了一种基于知识图谱的生产方法，包括知识抽取、知识融合和知识加工三个处理阶段。在知识抽取阶段，除了对结构化数据进行初步整合外，还可对半结构化数据和非结构化数据开展基于实体识别的知识抽取，形成初步的知识表示。在知识融合阶段，通过将初步的知识表示与已有的知识中台数据进行融合，进一步得到标准化的知识表示。在知识加工阶段，经历知识推理、质量评估等过程生产出可应用的知识图谱。同时，为将标准化的图谱知识更好地应用于信息检索，中信建投在员工赋能平台中对图谱知识进行了向量化表示，即基于图表示学习，将高维复杂的图数据转化成低维稠密的向量表示，并尽可能浓缩“上下文”相关信息，通过向量进行特征表达。

  此外，问答知识生产作为知识中台系统的重要功能，还负责将文档内容理解转化为可用的问答知识，该过程主要可分为基于子标题生成和基于内容理解生成两个阶段。其中，在基于子标题生成阶段，首先是在原始段落中抽取可能被提问的文本(识别段落中的关键信息、概念和实体)，然后再根据候选答案以及段落生成问题。在基于内容理解生成阶段，则是根据文本段落、标题、子标题等进行标题拼接，选出文中的段落以及候选问题。在此过程中，通常要分析文本的结构、内容和语义等信息，然后根据这些信息选择相关的段落和候选问题，最后再将拼接的候选问题改写成问题格式形成问答知识。

  3.基于精准搜索功能的关键技术

  精准搜索是知问系统的核心组件，其作用是在海量知识中准确地找到用户所需要的信息。针对该组件，中信建投设计了一套包含多个步骤的精准搜索流程(如图4所示)。一是在全文检索阶段，根据用户输入的查询词，通过全文关键词检索的方式，在知识库中找到与查询词相关的文档。二是在语义理解阶段，借助NLP技术识别检索意图，通过分析查询词的语法结构、词性、依存关系等信息，理解用户输入查询词的真正含义。三是在图谱推理阶段，基于推理规则引擎，对知识图谱进行知识推理，执行构造推理路径、匹配推理规则、生成推理结果等操作。四是在语义精排阶段，通过语言模型和语义匹配技术，对搜索结果进一步重排，即将推理出的可能答案按照与查询词的相关性进行排序。五是在结果输出阶段，将重排后的答案按照相关性顺序返回给用户。在此模式下，中信建投实现了对知识库中信息进行精准检索的目的，从而显著提升了知问系统的检索准确率与使用体验。

图4 精准搜索流程

  4.数据管理架构设计

  在知问系统的数据处理策略中，SQL数据库扮演着结构化数据核心管理器的重要角色。面对众多的数据源和渠道输入，中信建投基于递归分组的方法，在员工赋能平台中实现了多条数据的自动识别与合并，并确保相似或重复的数据集成为单一记录，以提升数据的一致性。同时，为了维护数据间的内在关联，中信建投引入数据映射机制，通过建立属性映射关系库，在不同数据集之间形成了准确的属性链接，确保各个属性间的一致性与准确对应。此外，为提高数据质量，中信建投进一步设计了数据清洗流程，以自动校验、纠正可能存在的数据不一致等问题，保障数据的准确性和真实性。

  具体而言，中信建投引入MongoDB作为非结构化数据的展示平台以及整体数据备份的关键环节，有效增强了系统的健壮性;借助Elasticsearch出色的全文搜索和实时分析能力，确保了平台在高并发场景下的查询效率;采用FastDFS分布式文件系统存储大规模的非结构化资源(如文档和视频内容);采用Nebula知识图谱数据库存储关联性和逻辑性数据，不仅显著增强了数据间的连贯性，也为知识整合与智能推导提供了可能(如图5所示)。基于上述数据管理架构，中信建投有效整合多源知识数据，为知问系统搭建了高效、可靠的数据管理环境。

图5 数据管理架构

  四、总结与展望

  随着金融市场的持续创新和变革，知识的获取、分享与传播显得尤为关键。中信建投基于员工赋能平台建设，打造模块化中台、生态化对接平台和稳定的底层系统，构建了多层次的数字化平台框架，从而使大部分业务人员能够直接融入知识生产与需求的实现过程，并在各种业务场景中展示出强大的创新和验证能力。未来，中信建投将进一步探索员工赋能平台的应用场景，如利用AI技术深化业务操作的便捷性，自动生成资讯、研报、招股书等文档的摘要;又如引入AI大模型工具，为员工提供更为实时、准确的数据查询和分析服务，以及结合图谱推理技术在复杂场景下为员工提供更为高效的咨询服务等，推动平台在提高员工业务水平、加强行业交流与合作以及推进金融创新等方面发挥出更大作用。

参考文献：

  [1] 李方超, 姜仁荣. 金融科技时代下证券公司的数字化转型研究[J]. 现代商业,2021(22).

  [2] 彭鑫. 基于中文知识图谱的金融领域问答系统的研究与实现[D]. 重庆：重庆邮电大学,2020.

  [3] 唐志辉. 基于事理图谱和知识图谱的金融领域问答系统设计与实现[D]. 江苏：东南大学,2020.