Übersetzt aus dem englischen Original. Zahlen und Quellen sind unverändert. Englisches Original lesen
Bank of Jiangsu
Bank of Jiangsu nutzt DeepSeek-Modelle, um Vertragsprüfung, E-Mail-Sortierung und Abstimmungen zu automatisieren
Bank of Jiangsu, ein regionales chinesisches Kreditinstitut, gibt an, DeepSeek-VL2 und DeepSeek-R1 für die Qualitätsprüfung von Verträgen, die E-Mail-Klassifizierung, den Produktabgleich, die Erfassung von Transaktionen und den Abgleich von Bewertungen feinabgestimmt zu haben. Pressemeldungen geben die Zahl der Bank wieder: eine Erkennungserfolgsquote von über 90 %.
Kennzahlen
Wortgetreu aus den Quellen übernommen. Kopieren Sie jede Zahl mit ihrer Quellenangabe.
über 90 %
Erkennungserfolgsquote, genannt in dem Satz nach der Beschreibung, wie DeepSeek-R1 die E-Mail-Klassifizierung, den Produktabgleich, die Transaktionserfassung und den Bewertungsabgleich automatisiert; Yicai definiert sie nicht1
Tausende
E-Mails, die die Bank täglich erhält und bei deren Sortierung und Beantwortung DeepSeek hilft2
Was es erforderte
Kosten, Teamgröße und Zeitplan wurden in den Quellen nicht veröffentlicht.
Das Problem
Banken bearbeiten große Mengen an Verträgen, E-Mails und Abstimmungsauszügen, und vieles davon ist Routine und Handarbeit. Chinesische Kreditinstitute suchten nach kostengünstigen Wegen, große Sprachmodelle zu nutzen, nachdem die offenen Modelle von DeepSeek Anfang 2025 erschienen waren.
Was sie gebaut haben
Bank of Jiangsu mit Sitz in Nanjing gibt an, zwei DeepSeek-Modelle eingeführt und feinabgestimmt zu haben. DeepSeek-VL2 ist ein multimodales Modell, es liest also Bilder ebenso wie Text, und die Bank setzt es für die Qualitätsprüfung von Verträgen ein. DeepSeek-R1 ist ein Reasoning-Modell, und die Bank gibt an, damit die E-Mail-Klassifizierung, den Produktabgleich, die Erfassung von Transaktionen und den Abgleich von Bewertungsauszügen zu automatisieren. Global Finance ergänzt, die Bank nutze DeepSeek, um Tausende täglich eingehender E-Mails zu sortieren und zu beantworten und große Mengen Finanzdaten zu analysieren.
Wie sie vorgegangen sind
Die Quellen nennen wenige Einzelheiten. Beide DeepSeek-Modelle sind Open-Weight, das heißt, ihre Dateien sind veröffentlicht und lassen sich auf den eigenen Systemen eines Unternehmens betreiben. Yicai beschreibt, die Bank habe sie feinabgestimmt, also mit eigenem Material weitertrainiert. Die Artikel beschreiben weder das Team noch die Kosten oder die Schritte der Einführung.
Ergebnisse
Laut Daten der Bank, die Yicai zitiert, liegt die Erkennungserfolgsquote bei über 90 %. Die Artikel sagen nicht, was gemessen wurde oder gegen welche Vergleichsbasis. Global Finance berichtet, dass die Modelle der Bank täglich Tausende E-Mails sortieren und beantworten. Yicai merkt an, dass solche Assistenten bei chinesischen Banken meist zur Unterstützung der Mitarbeiter dienen und kaum für zentrale Kontotransaktionen eingesetzt werden.
Erkenntnisse für Ihr Projekt
Beginnen Sie mit Dokumentenarbeit im Backoffice, die ohnehin von Menschen geprüft wird, etwa Verträgen, E-Mails und Abstimmungen: Ein Fehler fällt auf, bevor er einen Kunden erreicht.
Open-Weight-Modelle lassen sich feinabstimmen und im Haus der Bank betreiben, was zu Unternehmen passt, die ihre Daten lokal halten wollen.
Halten Sie das Modell zunächst von der zentralen Transaktionsverarbeitung fern. In der Berichterstattung zitierte Branchenexperten sagen, die Ausgabe sei schwer zu kontrollieren, und Inhalte würden weiterhin von Hand geprüft.
Legen Sie das Erfolgsmaß vor dem Start fest. Eine Zahl wie eine Erkennungsquote braucht eine klare Definition dessen, was erkannt wird.
Einschränkungen
- Einsatz und Zahl stammen von der Bank und werden von Journalisten wiedergegeben, die Belege sind also unternehmensseitig berichtet. Eine Primärquelle der Bank wurde nicht gefunden, und es gibt kein unabhängiges Audit. Yicai sagt nicht ausdrücklich, auf welche Aufgabe sich die Erfolgsquote bezieht.
- Die Quellen definieren nicht, was die Erkennungserfolgsquote misst oder wie sie getestet wurde.
- Das Einführungsdatum der Bank ist nicht genannt. Die erste Quelle vom 10. Februar 2025 sagt, die Bank habe die Modelle eingeführt, daher dient der Monat dieses Berichts als Einführungsdatum.
- Keine der beiden Quellen nennt Kosten, Teamgröße oder Zeitpläne. Der Artikel von Yicai sagt, KI-Assistenten würden meist für Inhalte genutzt, die anschließend manuell geprüft werden, und kaum im zentralen Bankgeschäft.
- Beide Artikel nennen weitere Banken, darunter ICBC und Postal Savings Bank, die DeepSeek eingeführt haben, ohne Zahlen.
Quellen
- China's Financial Sector Hastens Integration of DeepSeek LLMs
Yicai Global · 2025-02-10 · Nachrichten · www2.yicaiglobal.com
- DeepSeek AI Takes Root in China's Banks
Global Finance · 2025-03-01 · Nachrichten · gfmag.com
In eigenen Worten aus den oben genannten Quellen zusammengefasst. Einen Fehler entdeckt? Siehe Korrekturen.